🔄 K-Fold Cross-Validation
Divide los datos en k partes iguales. Entrena con k-1 partes y prueba con la restante. Repite k veces. La métrica final es el promedio de las k iteraciones. k=5 o k=10 son típicos. Reduce la varianza de la estimación del error.
📏 AIC y BIC
Criterios de información para selección de modelos. AIC = -2·log(L) + 2k. BIC = -2·log(L) + k·log(n). Ambos penalizan la complejidad (k = número de parámetros). BIC penaliza más que AIC. Menor valor = mejor modelo.
⚠️ Overfitting (Sobreajuste)
Ocurre cuando el modelo se ajusta demasiado a los datos de entrenamiento, aprendiendo ruido en lugar de señal. Síntomas: rendimiento excelente en train pero pobre en test. Se combate con regularización, CV, más datos o modelos más simples.
📊 Métricas de Rendimiento
Regresión: MSE, RMSE, MAE, R², MAPE. Clasificación: accuracy, precision, recall, F1, AUC-ROC, matriz de confusión. La elección depende del problema: ¿priorizas evitar falsos positivos o falsos negativos?
Explora los conceptos con ejemplos practicos disponibles en la simulacion interactiva de este modulo.
Intuicion
Los modelos predictivos usan datos historicos para pronosticar valores futuros o desconocidos.
Formula clave
Cada modelo tiene su formulacion matematica para relacionar predictores con respuesta.
Paso a paso
Sigue la metodologia: entrenamiento, validacion, evaluacion.
Error comun: Sobreajuste
El sobreajuste ocurre cuando el modelo aprende ruido en vez de senal.
Ejemplo concreto
Aplica cada modelo a problemas reales de prediccion.
Conexion
Estos modelos avanzan hacia ML (Curso 5) y aplicaciones (Curso 6).