Evaluación de modelos - #6 Machine Learning en Python

Enlaces:
- Código (Evaluación de modelos): https://github.com/Sacatucarrera/Machine-Learning-on-Python
- Instalación Pickle: https://stackoverflow.com/questions/48477949/not-able-to-pip-install-pickle-in-python-3-6/48477988
- Instalación Seaborn: https://seaborn.pydata.org/installing.html
- Instalación Matplotlib: https://matplotlib.org/users/installing.html
- Instalación Imbalanced-learn: https://imbalanced-learn.readthedocs.io/en/stable/install.html
- Instalación scikit-learn: https://scikit-learn.org/stable/install.html
- Instalación Pandas: https://pandas.pydata.org/docs/getting_started/index.html
- Instalación Numpy: https://numpy.org/install/
- Guía de usuario imbalanced-learn: https://imbalanced-learn.readthedocs.io/en/stable/user_guide.html
- Guía de usuario scikit-learn: https://scikit-learn.org/stable/user_guide.html
- Guía de usuario Pandas: https://pandas.pydata.org/docs/user_guide/index.html
- Guía de usuario Numpy: https://numpy.org/doc/stable/
- Guía de usuario Pickle: https://docs.python.org/3/library/pickle.html
- Guía de usuario Seaborn: https://seaborn.pydata.org/installing.html
- Guía de usuario Matplotlib: https://matplotlib.org/users/index.html

Buenas estudiantes!! En este video vamos a ver cómo evaluar nuestros modelos de machine learning para saber si están funcionando bien o mal con nuestros datos de entrada. Veremos las siguientes métricas:
- Matriz de confusión.
- Exactitud.
- Memoria, precisión y puntuación F1.
- Curva ROC.
Espero que os sirva de gran utilidad para elegir el modelo correcto! :)
Cualquier duda que tengáis no dudéis en comentarla!
Para adquirir apuntes y ejercicios de la universidad podéis acceder a nuestra página web www.aprobadisimos.es
Si queréis estar al tanto de las últimas noticias seguidnos en instagram @aprobadisimos