Clasificación Supervisada
YENI GUADALUPE CASTRO LAZARO
Definición: La clasificación supervisada es un tipo de aprendizaje automático donde el modelo aprende a distinguir entre diferentes clases usando ejemplos etiquetados (datos de entrada con su categoría conocida). Ejemplo: Un modelo aprende a reconocer si una imagen muestra un gato o un perro, a partir de muchas imágenes previamente clasificadas.
Superficies de Separación
Concepto: Las superficies de separación son límites imaginarios o matemáticos que dividen el espacio de los datos en diferentes regiones, cada una correspondiente a una clase. Uso: Permiten decidir a qué clase pertenece un nuevo dato según el lado de la superficie en el que se encuentre. Ejemplo visual: Una línea que separa puntos azules (clase A) de puntos rojos (clase B).
Funciones Discriminantes
Propósito: Las funciones discriminantes son ecuaciones que ayudan a decidir a qué clase pertenece un punto según sus características. Ejemplo simple: Si tenemos dos clases, la función discriminante puede ser una recta que clasifica los datos según su posición con respecto a ella.
Algoritmo del Vecino más Cercano (k-NN) Qué es: El k-Nearest Neighbors (k-NN) clasifica un nuevo punto observando las clases de sus k vecinos más cercanos. Cómo funciona: Calcula la distancia entre el nuevo punto y los datos existentes. Observa las clases más comunes entre los k más cercanos. Asigna al nuevo punto la clase mayoritaria. Ejemplo: Si los 3 vecinos más cercanos son 2 rojos y 1 azul, el nuevo punto será clasificado como rojo.
Redes Neuronales (Introducción) Qué son: Las redes neuronales artificiales imitan el funcionamiento del cerebro humano mediante neuronas interconectadas que procesan información. Rol en la clasificación supervisada: Aprenden automáticamente los patrones que distinguen las clases. Cada capa de neuronas transforma los datos hasta lograr una separación clara entre categorías. Ejemplo: Una red puede aprender a diferenciar dígitos escritos a mano (0–9) analizando miles de ejemplos etiquetados.
Redes Neuronales (Introducción) Qué son: Las redes neuronales artificiales imitan el funcionamiento del cerebro humano mediante neuronas interconectadas que procesan información. Rol en la clasificación supervisada: Aprenden automáticamente los patrones que distinguen las clases. Cada capa de neuronas transforma los datos hasta lograr una separación clara entre categorías. Ejemplo: Una red puede aprender a diferenciar dígitos escritos a mano (0–9) analizando miles de ejemplos etiquetados.
¡Muchas gracias!
tuemail@genially.com tupáginaweb.com
Clasificación Supervisada
Castro Lazaro Yeni Guadalupe
Created on November 6, 2025
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Visual Presentation
View
Terrazzo Presentation
View
Colorful Presentation
View
Modular Structure Presentation
View
Chromatic Presentation
View
City Presentation
View
News Presentation
Explore all templates
Transcript
Clasificación Supervisada
YENI GUADALUPE CASTRO LAZARO
Definición: La clasificación supervisada es un tipo de aprendizaje automático donde el modelo aprende a distinguir entre diferentes clases usando ejemplos etiquetados (datos de entrada con su categoría conocida). Ejemplo: Un modelo aprende a reconocer si una imagen muestra un gato o un perro, a partir de muchas imágenes previamente clasificadas.
Superficies de Separación
Concepto: Las superficies de separación son límites imaginarios o matemáticos que dividen el espacio de los datos en diferentes regiones, cada una correspondiente a una clase. Uso: Permiten decidir a qué clase pertenece un nuevo dato según el lado de la superficie en el que se encuentre. Ejemplo visual: Una línea que separa puntos azules (clase A) de puntos rojos (clase B).
Funciones Discriminantes
Propósito: Las funciones discriminantes son ecuaciones que ayudan a decidir a qué clase pertenece un punto según sus características. Ejemplo simple: Si tenemos dos clases, la función discriminante puede ser una recta que clasifica los datos según su posición con respecto a ella.
Algoritmo del Vecino más Cercano (k-NN) Qué es: El k-Nearest Neighbors (k-NN) clasifica un nuevo punto observando las clases de sus k vecinos más cercanos. Cómo funciona: Calcula la distancia entre el nuevo punto y los datos existentes. Observa las clases más comunes entre los k más cercanos. Asigna al nuevo punto la clase mayoritaria. Ejemplo: Si los 3 vecinos más cercanos son 2 rojos y 1 azul, el nuevo punto será clasificado como rojo.
Redes Neuronales (Introducción) Qué son: Las redes neuronales artificiales imitan el funcionamiento del cerebro humano mediante neuronas interconectadas que procesan información. Rol en la clasificación supervisada: Aprenden automáticamente los patrones que distinguen las clases. Cada capa de neuronas transforma los datos hasta lograr una separación clara entre categorías. Ejemplo: Una red puede aprender a diferenciar dígitos escritos a mano (0–9) analizando miles de ejemplos etiquetados.
Redes Neuronales (Introducción) Qué son: Las redes neuronales artificiales imitan el funcionamiento del cerebro humano mediante neuronas interconectadas que procesan información. Rol en la clasificación supervisada: Aprenden automáticamente los patrones que distinguen las clases. Cada capa de neuronas transforma los datos hasta lograr una separación clara entre categorías. Ejemplo: Una red puede aprender a diferenciar dígitos escritos a mano (0–9) analizando miles de ejemplos etiquetados.
¡Muchas gracias!
tuemail@genially.com tupáginaweb.com