Herramientas de usuario
ai:machine_learning
Diferencias
Muestra las diferencias entre dos versiones de la página.
| Ambos lados, revisión anterior Revisión previa Próxima revisión | Revisión previa | ||
|
ai:machine_learning [2011/10/14 14:41] alfred |
ai:machine_learning [2020/05/09 09:25] (actual) |
||
|---|---|---|---|
| Línea 13: | Línea 13: | ||
| === Aprendizaje supervisado === | === Aprendizaje supervisado === | ||
| === Aprendizaje no supervisado === | === Aprendizaje no supervisado === | ||
| + | |||
| + | |||
| ==== El proceso ==== | ==== El proceso ==== | ||
| + | === Modelo === | ||
| + | Un modelo es una expresión simbólica en forma de igualdad o ecuación, es una estructura que, a partir de parámetros, se utiliza para indicar qué variables intervienen en la respuesta. | ||
| + | === Modelo sobreespecializado === | ||
| + | Las estimaciones que realiza son siempre iguales a los datos de entrada iniciales y no predice correctamente los nuevos. | ||
| El proceso de aprendizaje consiste en entrenar algoritmos, esto significa encontrar los parámetros más adecuados para redes neuronales, SVM... Lo que se hace es separar los datos que tenemos en datos de entrenamiento y de aprendizaje (estos deberían ser un tercio o un cuarto) y lanzar el algoritmo con los de entrenamiento hasta encontrar los parámetros. Una vez se tienen se probarían con los de test para asegurarnos que funciona. Si el algoritmo la clava con los de entrenamiento pero falla mucho con los de test diremos que está sobreentrenado, que hay //overfitting//. | El proceso de aprendizaje consiste en entrenar algoritmos, esto significa encontrar los parámetros más adecuados para redes neuronales, SVM... Lo que se hace es separar los datos que tenemos en datos de entrenamiento y de aprendizaje (estos deberían ser un tercio o un cuarto) y lanzar el algoritmo con los de entrenamiento hasta encontrar los parámetros. Una vez se tienen se probarían con los de test para asegurarnos que funciona. Si el algoritmo la clava con los de entrenamiento pero falla mucho con los de test diremos que está sobreentrenado, que hay //overfitting//. | ||
| Línea 20: | Línea 26: | ||
| - | ==== Evaluación del modelo ==== | + | |
| + | |||
| + | |||
| + | ==== Evaluación del resultado ==== | ||
| :!: Agregar: [[http://en.wikipedia.org/wiki/Accuracy_and_precision]] | :!: Agregar: [[http://en.wikipedia.org/wiki/Accuracy_and_precision]] | ||
| + | === Recall === | ||
| + | === Precision === | ||
| + | === Accuracy === | ||
| + | === F-Measure === | ||
| + | === Confusion matrix === | ||
| + | |||
| ==== Cross-Validation ==== | ==== Cross-Validation ==== | ||
| Línea 27: | Línea 42: | ||
| ==== Tipos de error ==== | ==== Tipos de error ==== | ||
| - | ===== Modelos de regresión ===== | ||
| - | === Regresión Lineal === | ||
| - | A partir de una distribución bidimensional podemos estudiar la causa-efecto de dos variables (cómo influye una sobre la otra). Por ejemplo, cantidad de lluvia y producción agrícola, aumento de precio y demanda de un producto... Para ello, a partir de una representación gráfica en un sistema de coordenadas encontraremos un "diagrama de dispersión", será regresión lineal cuando la función es lineal (pendiente y ordenada (y = ax + b)), la recta del gráfico resultante será la **recta de regresión**. Esto nos permite, además, predecir un valor para una x que no esté en la distribución. | ||
| - | === Regresión logística === | ||
| - | Para modelar la probabilidad de un evento que ocurre en función de otros factores. Usa la función logit. | ||
| - | ===== KNN ===== | ||
| - | * También denominado **K nearest neighbors**. | ||
| - | ===== Neural Networks ===== | ||
| - | ==== El perceptrón ==== | ||
| - | ==== El algoritmo de backpropagation ==== | + | |
| ===== Modelos de Markov ===== | ===== Modelos de Markov ===== | ||
ai/machine_learning.1318603308.txt.gz · Última modificación: 2020/05/09 09:24 (editor externo)
Herramientas de la página
Excepto donde se indique lo contrario, el contenido de este wiki esta bajo la siguiente licencia: CC Attribution-Noncommercial-Share Alike 4.0 International
