Minería de datos

Minería de datos

1. K-means

   • Objetivo
     • Agrupar observaciones similar para descubrir patrones que a simple vista se desconocen
       • Se logra buscando un número fijo (K) de clústers en el dataset.
         • Es un hiperparámetro.
         • Se usa la regla del codo.
           • La gráfica es curva
             • El número de clústers óptima será el ''codo'' del brazo
     • Minimizar la suma de distancias entre los puntos y el centroide al que pertenecen.
   • Funcionamiento
     • 1. Elección del número.
     • 2. Inicializar las coordenadas de los centroides.
     • 3. Se asigna cada punto a un clúster
     • 4. Se reclutan los centroides de los clústers.
     • 5. Se repiten los pasos 3 y 4 hasta que se llega la criterio de parada
       • 3 criterios:
         • Los centroides dejan de cambiar.
         • Los puntos dejan de cambiar de clúster.
         • Límite de iteraciones.
   • Desventajas
     • Tenemos que elegir K.
     • Es sensible a outliers.
     • Sufre de ''maldición de la dimensionalidad''.
     • No trata datos nominales
   • Ventajas
     • Entre algoritmos de particionamiento es eficiente.
     • Implementación sencilla
     • Trabaja bien con conjuntos de datos grandes o pequeños.

2. DBScan

   • Algoritmo de machine learning diseñado para detectar en forma automática ''clusters''
   • Ventajas
     • Resulta muy adecuado para buscar patrones de agrupación en el espacio físico
     • Más rápido
     • Encuentra cualquier forma arbitraria de cluster sin verse afectado por el ruido
     • Puede encontrar la parte más densa
   • Utiliza una distancia especificada para separa clústers densos del ruido más disperso
   • Permite utilizar los parámetros
     • Campo de tiempo
     • Intervalo de tiempo de búsqueda
     • Radio
       • R - Determina una longitud específica (Área densa)
     • Puntos mínimos
       • M - Determina la cantidad mínima de datos que queremos alrededor de otra observación para definir un cluster
   • Se basa en densidad
   • Usos
     • Identificación de clases e un contexto espacial
   • Desventajas
     • No es enteramente determinista
     • Su calidad depende de la noción de la distancia
     • No puede agrupar conjuntos de datos bien con grandes diferencias en las densidades.

3. Knn

   • Es un algoritmo de aprendicaje supervisado
     • Formado por varios atributos descriptivos y un sólo atributo objetivo (Clase)
   • Función
     • No genera un modelo fruto del aprendizaje con datos de entrenamiento.
       • Lazy learning methods
   • Es muy sensible a:
     • La variable K
     • La métrica de similitus utilizada.
   • Para conocer precisión
     • Evaluar con matriz de confusión
       • Se valoran verdaderos positivos, falsos positivos y positivos incorrectos.
   • Aplicaciones
     • Uso es aprendizaje automático
       • Sistemas de recomendación.
     • Resolver problemas de clasificación y regresión
   • K- nearest neighbors
   • Ventajas
     • No paramétrico
     • Algoritmo simple
     • Alta precisión (relativa)
     • Insensible a los valores atípicos
   • Desventajas
     • Basado en instancia
     • Computacionalmente costoso
     • Requisitos de memoria alta

4. 1R

   • Algoritmo de clasificación simple y efectiva.
   • Uso
     • Aplicaciones de aprendizaje de máquinas
   • Origen
     • One Rule
       • Algoritmo de clasificación
         • Genera un árbol de decisión de un único nivel
   • Es capaz de inferir reglas de clasificación a partir de un conjunto de instancias
     • Crea una regla para cada atributo en los datos de entrenamiento
       • Elige la tasa de error más pequeño
         • ONE RULE
   • Desventajas
     • Trata a todos los atributos numéricamente evaluados como continuos
     • El overfitting
     • Selección aleatoria de un atributo cuando las tasas de error son iguales
     • Selección aleatoria de una clase cuando dos o más clases dan la misma tasa de error

5. Árbol de decisión

   • Es un algoritmo de clasificación y regresión para su uso en el modelo predictivo de atributos discretos y continuos
     • Modelos de clasificación
       • Se quiere predecir el valor de una variable
         • Mediante la clasificación de la información en función de otras variables
         • Los valores a predecir son predefinidos
     • Modelos de regresión
       • Se intenta predecir el valor de una variable en función de otras variables que son independientes entres sí
       • El posible resultado no forma parte de un conjunto predefinido
         • Puede tomar cualquier posible valor
   • Algoritmos estadísticos o técnicas de machine learning
   • Formado por:
     • Nodos internos
       • Representan cada una de las características o propiedades a considerar para tomar una decisión
     • Ramas
       • La decisión en función de una determinada condición
     • Nodos finales
       • Resultado de la decisión
   • Usos
     • Predecir la probabilidad de conseguir un determinado resultado en base a ciertas condiciones

6. Distancia de Hamming

   • Pasos que hay que dar para convertir algo en otro algo
   • Usos
     • Sirve para conocer la eficiencia de códigos detectores de errores
     • Conocer la eficiencia de códigos correctores de errores
   • Distancia mínima
     • El camino mínimo entre dos puntos
   • Peso de Hamming
     • Distancia Hamming entre dos puntos A y B
   • Espacio de hamming
     • Son todos los puntos de una dimensión N
   • Efectividad de los códigos de bloque
   • Depende de la diferencia entre palabra de código válida y otra.