Tarea Modelado, Inversión e Integración Geofísica

Fernández Martínez Irving

Método Grid Search

Usando la configuración predeterminada, el Método de Grid Search solo permite que los puntos de unión se produzcan
exactamente en las observaciones. Esto, sin embargo, no encuentra el mejor ajuste. Se puede lograr un mejor ajuste
utilizando una cuadrícula más fina, cambiando la configuración de "Número de puntos para colocar entre los valores de
x observados adyacentes en la búsqueda de cuadrícula" a algo más grande que el valor predeterminado de cero. Por lo
tanto, el Método de búsqueda en cuadrícula crea una "cuadrícula" de todas las ubicaciones posibles para los puntos de
unión especificados por la configuración, y calcula el SSE en cada una para encontrar el mejor ajuste posible. Con valores
más bajos para "Número de puntos para colocar entre ...", este método es computacionalmente más eficiente.El
enfoque que utiliza grid search es bastante simple, se trata de una búsqueda exhaustiva por el paradigma de fuerza
bruta en el que se especifica una lista de valores para diferentes parámetros, y la computadora evalúa el rendimiento
del modelo para cada combinación de éstos parámetros para obtener el conjunto óptimo que nos brinda el mayor
rendimiento.

Veamos un ejemplo utilizando un modelo de SVM o Máquinas de vectores de soporte, la idea va a ser optimizar los
parámetros gamma y C de este modelo. El parámetro gamma define cuan lejos llega la influencia de un solo ejemplo de
entrenamiento, con valores bajos que significan "lejos" y los valores altos significan "cerca". El parámetro C es el que
establece la penalización por error en la clasificación un valor bajo de este parámetro hace que la superficie de decisión
sea más lisa, mientras que un valor alto tiene como objetivo que todos los ejemplos se clasifiquen correctamente,
dándole más libertad al modelo para elegir más ejemplos como vectores de soporte. Tengan en cuenta que como todo
proceso por fuerza bruta, puede tomar bastante tiempo según la cantidad de parámetros que utilicemos para la
optimización.
 i Ejemplo Grid Search con SVM

En este ejemplo, primero utilizamos el objeto GridSearchCV que nos permite realizar grid search junto con validación
cruzada, luego comenzamos a ajustar el modelo con las diferentes combinaciones de los valores de los parámetros
gamma y C. Finalmente imprimimos el mejor resultado de precisión y los valores de los parámetros que utilizamos para
obtenerlos; por último utilizamos este mejor modelo para realizar las predicciones con los datos de evaluación.
Podemos ver que la precisión que obtuvimos con los datos de evaluación es casi idéntica a la que nos indicó grid search,
lo que indica que el modelo generaliza muy bien.