8 modelos de aprendizaje automático explicados en 20 minutos

8 modelos de aprendizaje automático explicados en 20 minutos

Luis Andrei Rodriguez Trejo 7"D" IS

Modelos de regresión de aprendizaje automático

Los algoritmos de regresión se utilizan para predecir un resultado continuo (y) utilizando variables independientes (x).

Métricas de regresión

Los modelos de regresión, por otro lado, se evalúan utilizando métricas como MAE (error absoluto medio), MSE (error cuadrático medio) y RMSE (error cuadrático medio).

2. Error cuadrático medio

1. Error absoluto medio

3. Error cuadrático medio

Calcula la suma de la diferencia entre todos los valores verdaderos y predichos y la divide por el número total de observaciones.

Un estimador se calcula encontrando la raíz cuadrada de su error cuadrático medio.

Encuentra la distancia cuadrática promedio entre los valores reales y predichos.

Regresión lineal simple

La regresión lineal es un enfoque lineal para modelar la relación entre una variable dependiente y una o más independientes. Este algoritmo implica encontrar una línea que mejor se ajuste a los datos disponibles.

Línea de mejor ajuste:

También conocida como línea de regresión de mínimos cuadrados, se encuentra minimizando la suma de la distancia al cuadrado entre los valores verdaderos y predichos:

Regresión de cresta:

Es una extensión del modelo de regresión lineal explicado anteriormente. Es una técnica utilizada para mantener los coeficientes de un modelo de regresión lo más bajos posible.

Regresión de lazo:

Es otra extensión de la regresión lineal que reduce los coeficientes del modelo agregando un término de penalización a su función de costos.

Modelos de clasificación de aprendizaje automático

Usamos algoritmos de clasificación para predecir un resultado discreto (y) usando variables independientes (x). La variable dependiente, en este caso, es siempre una clase o categoría.

Métricas de clasificación

Hay muchas formas de evaluar un modelo de clasificación. Si bien la precisión es la métrica más utilizada, no siempre es la más confiable.

3. Recuperación

La recuperación se utiliza para calcular la calidad de las predicciones negativas realizadas por el modelo. Se define como:

2. Precisión

LA precisión es una métrica que se utiliza para calcular la calidad de las predicciones positivas realizadas por el modelo. Se define como:

1. Precisión

La precisión se puede definir como la fracción de predicciones correctas realizadas por el modelo de aprendizaje automático.

K-vecinos más cercanos

Regresión logística

KNN es un algoritmo de clasificación que clasifica un punto de datos en función del grupo al que pertenecen los puntos de datos más cercanos.

La regresión logística es un modelo de clasificación simple que predice la probabilidad de que ocurra un evento.

Modelos basados ​​en árboles de aprendizaje automático

Los modelos basados ​​en árboles son algoritmos de aprendizaje automático supervisados ​​que construyen una estructura similar a un árbol para hacer predicciones. Se pueden utilizar tanto para problemas de clasificación como de regresión.

Árboles de decisión

Un árbol de decisión es el algoritmo de aprendizaje automático basado en árboles más simple. Este modelo nos permite dividir continuamente el conjunto de datos en función de parámetros específicos hasta que se tome una decisión final.

Bosques aleatorios

El modelo de bosque aleatorio es un algoritmo basado en árboles que nos ayuda a mitigar algunos de los problemas que surgen al utilizar árboles de decisión, uno de los cuales es el sobreajuste. Los bosques aleatorios se crean combinando las predicciones realizadas por múltiples modelos de árboles de decisión y devolviendo un único resultado.

Agrupación de aprendizaje automático

Hasta ahora, hemos explorado modelos de aprendizaje automático supervisados ​​para abordar problemas de clasificación y regresión. Ahora, nos sumergiremos en un enfoque popular de aprendizaje no supervisado llamado agrupación.

Agrupación de K-medias

La agrupación en clústeres K-Means es una técnica de aprendizaje automático no supervisada que se utiliza para agrupar objetos similares en datos.

Paso 1 : La imagen consta de observaciones sin etiquetar que no han sido agrupadas. Inicialmente, cada observación se asignará a un grupo al azar. Luego se calculará un centroide para cada grupo.

Paso 2 : A continuación, se mide la distancia de cada punto de datos al centroide y cada punto se asigna al centroide más cercano:

Paso 3 : Luego se vuelve a calcular el centroide del nuevo grupo y los puntos de datos se reasignarán en consecuencia. Paso 4 : este proceso se repite hasta que los puntos de datos ya no se reasignen: