Modelos de Aprendizaje Supervisado

Modelos de Aprendizaje Supervisado

1. REGRESIÓN LOGÍSTICA

   • Es un algoritmo de clasificación que se utiliza para predecir la probabilidad de una variable dependiente categórica dicha variable dependiente es una variable binaria que contiene datos codificados como 1 – 0, sí – no, abierto – cerrado, etc.
     • Variable de salida binaria. Eliminar ruido. Distribución gaussiana. Eliminar entradas correlacionadas. No se puede converger.
     • Predecir si una acción de la bolsa de valores va a subir o bajar, utilizando los valores históricos
     • Predecir si una persona puede vivir o morir en el hundimiento del Titanic tomando en cuenta la edad, sexo y ubicación de su cabina
     • Se ajustan donde requieran un algoritmo muy eficiente y no requiere demasiados recursos computacionales que hacen que sea asequibles ejecutar la producción.

2. ARBOLES DE DECISIÓN

   • Son diagramas con construcciones lógicas, muy similares a los sistemas de predicción basados en reglas, que sirven para representar y categorizar una serie de condiciones que ocurren de forma sucesiva, para la resolución de un problema.
     • Fácil de entender Útil en la exploración de datos Se requiere menos limpieza de datos El tipo de datos no es una restricción Método no paramétrico Sobreajuste
     • Predecir si una persona puede vivir o morir en el hundimiento del Titanic tomando en cuenta la edad, sexo y ubicación de su cabina.
     • Predecir el valor esperado en el desarrollo de diferentes aplicaciones software
     • Se utiliza principalmente en problemas de clasificación, aunque funciona para variables de entrada y salida categóricas como continuas

3. SVM O MÁQUINAS DE VECTORES DE SOPORTE

   • El algoritmo de vectores de soporte o Support Vector Machine es un clasificador discriminatorio definido formalmente por un hiperplano de separación
     • Para datos linealmente separables, funciona increíblemente bien
     • Para los datos que no son casi linealmente separables puede funcionar bien con un valor correcto de hiperplano
     • Para datos que no son separables linealmente podemos proyectar datos al espacio donde es casi linealmente separable.
     • Predecir el tipo de flor de acuerdo a las características dadas.
     • Predecir si una persona puede vivir o morir en el hundimiento del Titanic tomando en cuenta la edad, sexo y ubicación de su cabina.
     • Donde se requiera encontrar un plano que separe los grupos dentro de los datos de la mejor forma posible.

4. KNN O VECINOS MÁS CERCANOS

   • Este es un método de clasificación no paramétrico, que estima el valor de la probabilidad a posteriori de que un elemento xx pertenezca a una clase en particular a partir de la información proporcionada por el conjunto de prototipos
     • No paramétrico Algoritmo simple Alta precisión (relativa) Insensible a los valores atípicos
     • Predecir el tipo de flor de acuerdo a las características dadas.
     • Predecir si una acción de la bolsa de valores va a subir o bajar, utilizando los valores históricos.
     • Se usa en una variedad de aplicaciones tales como pronósticos económicos, compresión de datos y genética