Validación Cruzada:➿️✅️
La **validación cruzada** es una técnica fundamental en el aprendizaje automático para evaluar el rendimiento de un modelo en datos nuevos, incluso cuando solo tenemos acceso al conjunto de datos de entrenamiento. En el contexto del algoritmo **KNN** (K Vecinos Más Cercanos), la validación cruzada nos permite estimar qué tan preciso se espera que sea nuestro modelo en datos no vistos.🤖👩🔬🧑🔬
Aquí están los aspectos clave de la validación cruzada en KNN:🪄📖🔎
1. **División de datos**:
- Primero, dividimos nuestro conjunto de datos de entrenamiento en **k pliegues** o grupos.
- Cada pliegue se utiliza como conjunto de prueba una vez, mientras que los demás pliegues se utilizan como conjunto de entrenamiento.📚
2. **Ajuste del modelo**:
- Ajustamos el modelo KNN **k veces**, dejando fuera un pliegue diferente en cada iteración.
- Por ejemplo, si elegimos **k = 5**, ajustaremos el modelo KNN cinco veces, utilizando diferentes subconjuntos de datos de entrenamiento.🤖📊
3. **Evaluación del modelo**:
- Para cada iteración, probamos el modelo en el pliegue excluido y calculamos las métricas de rendimiento (como precisión, sensibilidad, especificidad, etc.).
- Luego, promediamos estas métricas para obtener una estimación general del rendimiento del modelo.🧮🧬
4. **Elección de k**:
- El valor de **k** (número de vecinos) afecta la flexibilidad del modelo.
- Valores más grandes de **k** suavizan el modelo, mientras que valores más pequeños lo hacen más flexible.
- Normalmente, se eligen valores de **k** como 5 o 10 para la validación cruzada.✅️📉
5. **Validación cruzada repetida**:
- Una mejora adicional es realizar la validación cruzada **repetida**.
- Esto implica ajustar el modelo KNN con diferentes divisiones de los pliegues varias veces.
- La validación cruzada repetida proporciona una estimación más robusta del rendimiento del modelo.📏💻
En resumen, la validación cruzada en KNN nos ayuda a comprender cómo se comportará nuestro modelo en datos no vistos y nos permite elegir el valor óptimo de **k** para obtener un buen equilibrio entre sesgo y varianza. 🌟
⛔ - si quieres profundizar más en este tema aquí te dejo las fuentes de la información:
1) https://lnkd.in/eSXUGfzf
2) https://lnkd.in/eCxwAzhD
3)
https://lnkd.in/eNJYVtD8
