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 [2011/10/17 08:19] 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 === | === Modelo === | ||
| - | Un modelo es una expresión simbólica en forma de igualdad o ecuación. Se utiliza para indicar qué variables intervienen en la respuesta. | + | 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 === | === Modelo sobreespecializado === | ||
| Las estimaciones que realiza son siempre iguales a los datos de entrada iniciales y no predice correctamente los nuevos. | Las estimaciones que realiza son siempre iguales a los datos de entrada iniciales y no predice correctamente los nuevos. | ||
| Línea 25: | 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 32: | 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.1318839581.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
