cambie fit_sample() por fit_resample(). Corrió.
]]>Hola, podrías utilizar la función predict_proba() -en vez de predict- y verás la probabilidad de que sea roto y no roto. Si vez que el valor está muy cerca del límite entre ambos (por ejemplo entre ser 0.45 y 0.65) podrías clasificarlo siempre como “no roto”.
Saludos!
Una pregunta, si mi red de clasificacion es de dos clases, por poner ejemplos analizar el estado de un cable, “roto” y “no roto”, y lo entreno con muchos ejemplos, pero luego le presento una categoria completamente diferente a un cable, por ejemplo un coche, y me interesa funcionalmente que al no pertenecer a “roto” me lo etiquete como “no roto”. ¿que estrategia se puede seguir? ¿como puedo favorecer que lo que no esté muy claro que sea un “roto” me lo clasifique como “no roto” ?
Muchas gracias.
]]>TypeError: init() got an unexpected keyword argument ‘ratio’
En el ejemplo de RandomOverSampler y SMOTETomek lo resolvi sustituyendo “ratio” por “sampling_strategy”.
En cambio, con el caso de NearMiss no me funciona, ¿alguna idea?
PD: Muchas gracias por los artículos!!! me están ayudando mucho a aprender y adentrarme en este mundo tan apasionante!! 🙂
]]>En el artículo no aparece, pero en la notebook de Github si!.
Gracias, saludos
Yo le saqué la línea esa para poder avanzar
]]>Hola Manuel, si, claro, pueden aplicarse usando esa misma librería.
Saludos!
Hola Cristian, si, si se puede usar una matriz de confusión con muchas categorías y queda muy bonita jaja! me refiero a que es de mucha utilidad.
Saludos