Ir al contenido principal

Curso

Ajuste de hiperparámetros en R

AvanzadoNivel de habilidad

Actualizado 3/2026

Aprende a ajustar los hiperparámetros de tu modelo para obtener los mejores resultados predictivos.

Comienza el curso gratis

RMachine Learning

4 h

14 vídeos

47 Ejercicios

3,500 XP

7,751

Certificado de logros

Preferido por estudiantes en miles de empresas

¿Formando un equipo?

Prueba para empresas

Descripción del curso

En muchos problemas de machine learning, ejecutar un modelo tal cual y obtener una predicción no basta; quieres el mejor modelo con la predicción más precisa. Una forma de perfeccionarlo es el ajuste de hiperparámetros, que consiste en optimizar la configuración específica de ese modelo. En este curso, trabajarás con los paquetes caret, mlr y h2o para encontrar la combinación óptima de hiperparámetros de forma eficiente usando búsqueda en cuadrícula, búsqueda aleatoria, remuestreo adaptativo y automatic machine learning (AutoML). Además, trabajarás con distintos conjuntos de datos y ajustarás diferentes modelos de aprendizaje supervisado, como random forests, gradient boosting machines, support vector machines e incluso redes neuronales. ¡Prepárate para afinar!

Requisitos previos

Machine Learning with caret in R

1

Introducción a los hiperparámetros

¿Por qué usamos la extraña palabra «hiperparámetro»? ¿Qué lo hace “hiper”? Aquí entenderás qué son los parámetros de un modelo y por qué son diferentes de los hiperparámetros en machine learning. Después verás por qué conviene ajustarlos y cómo la configuración predeterminada de caret incluye automáticamente el ajuste de hiperparámetros.

Parámetros vs hiperparámetros

Parámetros del modelo vs. hiperparámetros

Hiperparámetros en modelos lineales

¿Cuáles son los coeficientes?

Repaso de los fundamentos de Machine Learning

Machine learning con caret

Esquemas de remuestreo

Ajuste de hiperparámetros en caret

Hiperparámetros en Stochastic Gradient Boosting

Cambiar el número de hiperparámetros a ajustar

Ajusta hiperparámetros manualmente

Iniciar capítulo

2

Ajuste de hiperparámetros con caret

En este capítulo, aprenderás a ajustar hiperparámetros con una cuadrícula cartesiana. Luego, aplicarás enfoques más rápidos y eficientes. Utilizarás Random Search y remuestreo adaptativo para ajustar la cuadrícula de parámetros, concentrándote en valores cercanos a la configuración óptima.

Ajuste de hiperparámetros con caret

Encontrar hiperparámetros

Búsqueda en cuadrícula cartesiana en caret

Representar la salida del modelo de hiperparámetros

Búsqueda en rejilla vs. búsqueda aleatoria

Búsqueda en cuadrícula con rangos de hiperparámetros

Encuentra la opción de train() para la búsqueda aleatoria

Búsqueda aleatoria con caret

Remuestreo adaptativo

Ventajas de Adaptive Resampling

Remuestreo adaptativo con caret

Iniciar capítulo

3

Ajuste de hiperparámetros con mlr

Aquí usarás otro paquete de machine learning que ofrece funciones muy prácticas para ajustar hiperparámetros. Definirás una cuadrícula cartesiana o realizarás Random Search, además de técnicas avanzadas. También aprenderás distintas formas de visualizar y evaluar modelos con diferentes hiperparámetros.

Machine Learning con mlr

Machine Learning con mlr

Modelado con mlr

Búsqueda en rejilla y aleatoria con mlr

Búsqueda aleatoria con mlr

Realizar ajuste de hiperparámetros con mlr

Evaluar hiperparámetros con mlr

¿Por qué evaluar el tuning?

Evaluating hyperparameter tuning results

Ajuste avanzado con mlr

Define controles de ajuste avanzados

Define medidas agregadas

Configurar hiperparámetros

Iniciar capítulo

4

Ajuste de hiperparámetros con h2o

En este último capítulo, usarás h2o, otro paquete de machine learning con funciones muy prácticas para ajustar hiperparámetros. Lo utilizarás para entrenar distintos modelos y definir una cuadrícula cartesiana. Después, implementarás una Random Search usando criterios de parada. Por último, aprenderás AutoML, una interfaz de h2o que permite un ajuste muy rápido y cómodo de modelos e hiperparámetros con una sola función.

Machine learning con h2o

Prepara los datos para modelar con h2o

Modelado con h2o

Búsqueda en cuadrícula y aleatoria con h2o

Búsqueda en cuadrícula con h2o

Búsqueda aleatoria con h2o

Criterios de parada

Machine Learning automático con H2O

AutoML en h2o

Puntuando el leaderboard

Extrae modelos de h2o y evalúa su rendimiento

Iniciar capítulo

Ajuste de hiperparámetros en R

Curso
completo

Obtener certificado de logros

Añade esta certificación a tu perfil de LinkedIn o a tu currículum.
Compártelo en redes sociales y en tu evaluación de desempeño.Inscríbete ahora

Para empresas

¿Formar a 2 o más personas?

Consigue para tu equipo acceso a la plataforma completa de DataCamp, incluidas todas las funciones.

En las siguientes pistas

Científico de machine learning in R

Aprendizaje automático supervisado en R

instructor

Shirin Elsinghorst (formerly Glander)

Shirin Elsinghorst (formerly Glander)

Data Scientist @ codecentric

colaboradores

Curso recursos

Bc test dataconjunto de datos

Bc train dataconjunto de datos

Breast cancer dataconjunto de datos

Breast cancer data origconjunto de datos

Datasets descriptionsconjunto de datos

Knowledge dataconjunto de datos

Knowledge origconjunto de datos

Knowledge test dataconjunto de datos

Knowledge train dataconjunto de datos

Seeds dataconjunto de datos

Seeds datasetconjunto de datos

Seeds test dataconjunto de datos

Seeds train dataconjunto de datos

Voters dataconjunto de datos

Voters origconjunto de datos

Voters test dataconjunto de datos

Voters train dataconjunto de datos

¡Únete a 19 millones de estudiantes y empieza Ajuste de hiperparámetros en R hoy mismo!

Desarrolla tus habilidades de datos con la aplicación móvil de DataCamp

Progresa desde cualquier dispositivo móvil con nuestros cursos y desafíos de programación diarios de 5 minutos.