Clasificación supervisada
Superficies de separación y funciones discriminantes
Introducción
La clasificación supervisada es una de las áreas más importantes del aprendizaje automático, ya que permite que los sistemas aprendan a distinguir entre diferentes tipos de datos a partir de ejemplos conocidos. En este proceso intervienen conceptos clave como las superficies de separación, que dividen los datos en clases; las funciones que determinan a qué clase pertenece un punto; el algoritmo del vecino más cercano (k-NN), que clasifica por similitud; y las redes neuronales, modelos capaces de aprender patrones complejos. Comprender estos métodos es esencial para desarrollar sistemas inteligentes que analicen y tomen decisiones de forma precisa.
Superficies de separación
¿Qué son? Las superficies de separación (también llamadas fronteras de decisión) son límites matemáticos o geométricos que dividen un espacio de datos en regiones, cada una correspondiente a una clase diferente. En un problema de clasificación, los datos se representan en un espacio de características (por ejemplo, altura y peso en un plano). La superficie de separación marca el punto donde un modelo decide que un conjunto de valores pertenece a una clase y no a otra
¿Cómo se utilizan? En la práctica, las superficies de separación se construyen mediante algoritmos de clasificación (como regresión logística, SVM o redes neuronales). Su objetivo es distinguir entre clases de datos, trazando una frontera que maximice la separación entre los grupos. Por ejemplo: - En un problema de clasificación binaria, la superficie puede ser una línea recta (en 2D) o un plano (en 3D) que divide los puntos de las dos clases.
- En problemas más complejos, las fronteras pueden ser curvas o no lineales, adaptándose mejor a los datos.
Ejemplo: Si clasificamos correos en “spam” o “no spam” según las palabras que contienen, la superficie de separación sería el límite que diferencia los correos de cada tipo según la frecuencia de ciertas palabras.
Funciones discriminantes
¿Cuál es su propósito en la clasificación?Las funciones discriminantes son expresiones matemáticas que permiten asignar una observación a una clase específica. Cada clase tiene su propia función discriminante, y el nuevo punto de datos se clasifica en la clase cuya función produzca el mayor valor. En otras palabras, estas funciones miden la cercanía o similitud de un dato con cada clase. Se utilizan especialmente en métodos como la Análisis Discriminante Lineal (LDA) o Cuadrático (QDA).
Ejemplo gráfico de funciones discriminantes
Imagina dos grupos de puntos (azules y rojos) en un plano. Cada grupo tiene su función discriminante: g1(x,y) = a1x + b1y + c1 g2(x,y) = a2x + b2y + c2 El punto donde 𝑔1(x,y)=𝑔2(x,y) forma una línea divisoria que actúa como superficie de separación. Los puntos con g1>g2 se clasifican como clase 1, y los que cumplen g2>g1 se clasifican como clase 2.
Vecino más cercano (k-NN)
¿Cómo clasifica un nuevo punto?
- Se calcula la distancia entre el nuevo punto y todos los puntos del conjunto de entrenamiento.
- Se seleccionan los k puntos más cercanos (por ejemplo, los 3 más próximos).
- El nuevo punto se asigna a la clase más común entre esos k vecinos.
¿Qué es este algoritmo? El algoritmo de k-Nearest Neighbors (k-NN) es un método de clasificación supervisada basado en la similitud. No utiliza una función matemática compleja, sino que clasifica un nuevo punto observando las clases de sus k vecinos más cercanos (según una métrica de distancia, como la Euclidiana).
Redes neuronales
¿Qué son?
Las redes neuronales artificiales son modelos computacionales inspirados en el cerebro humano. Están formadas por neuronas artificiales organizadas en capas (entrada, ocultas y salida). Cada neurona recibe datos, los procesa mediante una función matemática y los transmite a otras neuronas.
Rol en la clasifcación supervisada
En la clasificación supervisada, las redes neuronales aprenden a reconocer patrones complejos a partir de ejemplos etiquetados. Durante el entrenamiento, ajustan los pesos de las conexiones entre neuronas para minimizar los errores de predicción.
Conclusión
Los métodos de clasificación supervisada son esenciales para que los sistemas de inteligencia artificial puedan analizar, reconocer y predecir patrones en los datos. Conceptos como las superficies de separación, las funciones discriminantes, el algoritmo k-NN y las redes neuronales muestran distintas formas de abordar el mismo objetivo: distinguir correctamente entre diferentes clases. Comprender su funcionamiento permite desarrollar modelos más precisos y eficientes, aplicables en múltiples campos del conocimiento y la tecnología
¡Muchas gracias!
Paola Elizabeth Bravo Barrios Grupo 504 Conalep Chilpancingo 113
Clasificación supervisada
Bravo Barrios Paola Elizabeth
Created on November 7, 2025
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Practical Presentation
View
Smart Presentation
View
Essential Presentation
View
Akihabara Presentation
View
Pastel Color Presentation
View
Modern Presentation
View
Relaxing Presentation
Explore all templates
Transcript
Clasificación supervisada
Superficies de separación y funciones discriminantes
Introducción
La clasificación supervisada es una de las áreas más importantes del aprendizaje automático, ya que permite que los sistemas aprendan a distinguir entre diferentes tipos de datos a partir de ejemplos conocidos. En este proceso intervienen conceptos clave como las superficies de separación, que dividen los datos en clases; las funciones que determinan a qué clase pertenece un punto; el algoritmo del vecino más cercano (k-NN), que clasifica por similitud; y las redes neuronales, modelos capaces de aprender patrones complejos. Comprender estos métodos es esencial para desarrollar sistemas inteligentes que analicen y tomen decisiones de forma precisa.
Superficies de separación
¿Qué son? Las superficies de separación (también llamadas fronteras de decisión) son límites matemáticos o geométricos que dividen un espacio de datos en regiones, cada una correspondiente a una clase diferente. En un problema de clasificación, los datos se representan en un espacio de características (por ejemplo, altura y peso en un plano). La superficie de separación marca el punto donde un modelo decide que un conjunto de valores pertenece a una clase y no a otra
¿Cómo se utilizan? En la práctica, las superficies de separación se construyen mediante algoritmos de clasificación (como regresión logística, SVM o redes neuronales). Su objetivo es distinguir entre clases de datos, trazando una frontera que maximice la separación entre los grupos. Por ejemplo:
- En un problema de clasificación binaria, la superficie puede ser una línea recta (en 2D) o un plano (en 3D) que divide los puntos de las dos clases.
- En problemas más complejos, las fronteras pueden ser curvas o no lineales, adaptándose mejor a los datos.
Ejemplo: Si clasificamos correos en “spam” o “no spam” según las palabras que contienen, la superficie de separación sería el límite que diferencia los correos de cada tipo según la frecuencia de ciertas palabras.Funciones discriminantes
¿Cuál es su propósito en la clasificación?Las funciones discriminantes son expresiones matemáticas que permiten asignar una observación a una clase específica. Cada clase tiene su propia función discriminante, y el nuevo punto de datos se clasifica en la clase cuya función produzca el mayor valor. En otras palabras, estas funciones miden la cercanía o similitud de un dato con cada clase. Se utilizan especialmente en métodos como la Análisis Discriminante Lineal (LDA) o Cuadrático (QDA).
Ejemplo gráfico de funciones discriminantes
Imagina dos grupos de puntos (azules y rojos) en un plano. Cada grupo tiene su función discriminante: g1(x,y) = a1x + b1y + c1 g2(x,y) = a2x + b2y + c2 El punto donde 𝑔1(x,y)=𝑔2(x,y) forma una línea divisoria que actúa como superficie de separación. Los puntos con g1>g2 se clasifican como clase 1, y los que cumplen g2>g1 se clasifican como clase 2.
Vecino más cercano (k-NN)
¿Cómo clasifica un nuevo punto?
¿Qué es este algoritmo? El algoritmo de k-Nearest Neighbors (k-NN) es un método de clasificación supervisada basado en la similitud. No utiliza una función matemática compleja, sino que clasifica un nuevo punto observando las clases de sus k vecinos más cercanos (según una métrica de distancia, como la Euclidiana).
Redes neuronales
¿Qué son?
Las redes neuronales artificiales son modelos computacionales inspirados en el cerebro humano. Están formadas por neuronas artificiales organizadas en capas (entrada, ocultas y salida). Cada neurona recibe datos, los procesa mediante una función matemática y los transmite a otras neuronas.
Rol en la clasifcación supervisada
En la clasificación supervisada, las redes neuronales aprenden a reconocer patrones complejos a partir de ejemplos etiquetados. Durante el entrenamiento, ajustan los pesos de las conexiones entre neuronas para minimizar los errores de predicción.
Conclusión
Los métodos de clasificación supervisada son esenciales para que los sistemas de inteligencia artificial puedan analizar, reconocer y predecir patrones en los datos. Conceptos como las superficies de separación, las funciones discriminantes, el algoritmo k-NN y las redes neuronales muestran distintas formas de abordar el mismo objetivo: distinguir correctamente entre diferentes clases. Comprender su funcionamiento permite desarrollar modelos más precisos y eficientes, aplicables en múltiples campos del conocimiento y la tecnología
¡Muchas gracias!
Paola Elizabeth Bravo Barrios Grupo 504 Conalep Chilpancingo 113