Descárgate el fichero base, nuevamente para el problema de los precios de las casas. Aparte de los valores de otras veces que tienes:

proceso

Distintas posibilidades de preproceso. Analiza qué importancia tiene. Tienes:

'mediavar'

media nula y varianza unidad

'normalpow'

otro método para lo mismo, en caso de que te diera problemas el anterior

'medianavar'

llevarlo a mediana 0, intercuartil 1; robusto si tienes abundantes valores extremos

'normalquant'

otro variante de la misma idea

'unifor

ecualización (distribución uniforme)

'rango1'

mínimo a 0, máximo a 1

funerror

La función de error a optimizar. Tienes como opciones:

'MSE'

error medio cuadrático

'L1'

error medio en valor absoluto

'SmoothL1'

cuadrático en errores bajos y lineal en altos

'satura'

logaritmo del error medio cuadrático

'maximo'

máximo valor absoluto de error

'medabs'

mediana de los valores absolutos de los errores

'd2'

verosimilitud de distribución gamma

algoritmo

es el método de ajuste que utiliza la red. Puedes probar con 'SGD', 'LBFGS', 'Rprop', 'RMSprop', 'Adam', 'Adagrad', 'ASGD'

inicio

el método de dar los valores iniciales a los pesos. Prueba con 'inibase', 'inio', 'inixn', 'inixu'

Si quieres más control sobre el ajuste, puedes ir cambiando la velocidad. Para ello pones en control 'paso' o 'ajuste' o 'validación', según en qué quieras que se fije para cambiar la velocidad. En el primer caso pones en ajusteveloc una función lambda que aplique un factor multiplicativo a la velocidad; va a recibir como argumento el paso de iteración; Un ejemplo puede ser: lambda paso: 0.99 if paso<20 else 0.95. Si controlas por ajuste o validación, entonces en ajusteveloc pones directamente el factor multiplicativo, que aplicará cuando vea que ese error no avanza.

¿Con qué métodos, y con qué parámetros, obtienes mejores resultados?

Ya sabemos que medimos la eficiencia del modelo por el error de predicción. Pero, en primer lugar, no debemos medirlo sobre la muestra de ajuste, sino sobre un conjunto más general. En segundo lugar, una sola estimación seguramente no es suficiente. Por ello vamos a obtener varias estimaciones. Estimamos varias veces y obtenemos finalmente el histograma de medidas de error en las distintas pruebas. Los métodos que vienen a continuación se diferencian en cómo se elige los conjuntos de puntos de ajuste dentro de la muestra completa de la que disponemos. Cada uno lo eliges dando valor a la variable estimacion y en todos la cantidad de estimaciones es el valor de numpruebas

• Partición separada de ajuste y prueba (valor 'particion')

  Es lo que venimos haciendo hasta ahora, pero en realidad deberíamos hacer varios casos, para eliminar la influencia aleatoria de una partición concreta.

• Bootstrap (valor 'bootstrap')

  En este caso elegimos conjuntos de puntos para el ajuste utilizando un muestreo con reemplazo.

• Validación cruzada (valor 'cruzada')

  Este caso es equivalente al anterior sólo que el método de selección no es un muestreo con reemplazo, sino una partición aleatoria de la muestra completa.