CV-Fold

Using CV-FOLD to get the best parameters to classificate tree diferent data sets:

MNIST digits data set (60,000 digitalized hand written digits)
Fruits data set (10 pictures of 13 different fruits)
Embeddings from a bag of words model of 400 reviews on 8 categorías with 2 associated sentiments.

MNIST-digits data set with 5 classificators: -Support vectors machine -Logistic regression -Decision tree -Ada boost -MLP classifier Obtaining the best score with support vector machine and Neural Networks.

Using the next parameters:

Clasificadores de soporte vectorial (SVC)

-Parámetro de regularización (C): {0.001, 0.01, 0.1, 1, 10, 100}
-Kernel: {Lineal, Función de base radial (rbf)}
-Coeficiente del Kernel ($\gamma$): { 0.001, 0.01, 0.1, 1, 10, 100 }

Regresión Logística (Reg Logit)

- Parámetro de regularización (C): {0.1, 1, 10, 100}
- Algoritmo de optimización: {Limited Memory Broyden–Fletcher–Goldfarb–Shanno , Gradiente Conjugado de Newton, SAGA}

Árboles de decisión

-Profundidad máxima:  [1,20]
-Muestras mínimas para dividir: {2, 3, 4}
-Criterio discriminativo: {Entropía, Ganancia de Información (Gini)}

Ada Boost

Se utilizó Ada Boost sobre un modelo de árboles de decisión, usando como parámetros los valores óptimos encontrados en el árbol de decisión -Número de estimadores: { 50, 100 }

Perceptrón multicapa (MLP)