Introducción al Machine Learning 3

Machine Learning: Modelos Supervisados

El aprendizaje supervisado se centra en el desarrollo, a partir de un conjunto de datos conocido, de un modelo matem´atico capaz de predecir el valor correspondiente de un nuevo dato. En este trabajo, estudiaremos la construcci´on de dichos modelos utilizando el concepto de vector soporte.

El aprendizaje automático estudia la construcción de modelos capaces de aprender ciertas estructuras a partir de la información proporcionada por los datos. Es decir, el aprendizaje automático se centra en encontrar patrones en los datos de tal forma que podamos usar dichos patrones en puntos que no han sido observados previamente.

Existen dos tipos principales de modelos de aprendizaje automático, a saber, los modelos de aprendizaje En el aprendizaje supervisado asumimos conocido el llamado conjunto de entrenamiento (training sample).

Cada dato de dicho conjunto está formado por las variables explicativas o conjunto de características (features) y la variable respuesta. El objetivo del aprendizaje supervisado es construir, a partir de los datos de entrenamiento, un modelo de predicción. Usando este modelo, podremos predecir la variable respuesta de un nuevo conjunto de datos no vistos (test sample) únicamente conociendo sus variables explicativas.

Por otro lado, en el aprendizaje no supervisado no existe variable respuesta. Es decir, el conjunto de entrenamiento solo está formado por variables explicativas.

Debido a esto, el objetivo del aprendizaje no supervisado es encontrar modelos que permitan describir como se organizan y agrupan los datos. Estos modelos se utilizarán para explicar los patrones existentes en los nuevos datos no observados.

Aprendizaje Supervisado El aprendizaje supervisado se basa en la teoría del aprendizaje estadístico en el aprendizaje supervisado asumimos conocido un conjunto de datos de entrenamiento formado por las variables explicativas y las variables respuesta. En el aprendizaje supervisado hay diferentes

El aprendizaje supervisado se suele utilizar para problemas de clasificación y regresión. Algunos de los algoritmos más comunes son: regresión logística, máquinas de soporte vectorial, bosques aleatorios y redes neuronales artificiales.

El aprendizaje no supervisado se suele utilizar para agrupamiento, segmentación y reducción de dimensionalidad, algunos de los algoritmos más comunes son: k-medias, análisis de componentes principales (PCA) y factorización no negativa de matrices (NMF).

Los Modelos supervisados utilizan los valores de uno o varios campos de entrada para predecir el valor de uno o varios resultados o campos de destino. Algunos ejemplos de estas técnicas son: árboles de decisiones (árbol C&R, QUEST, CHAID y algoritmos C5.0), regresión (lineal, logística, lineal generalizada y algoritmos de regresión de Cox), redes neuronales, máquinas de vectores de soporte y redes bayesianas.

Los modelos supervisados ayudan a las organizaciones a predecir un resultado conocido, por ejemplo si un cliente comprará o se irá o si una transacción se ajusta a un patrón conocido de fraude. Las técnicas de modelado incluyen aprendizaje automático de las máquinas, inducción de reglas, identificación de subgrupos, métodos estadísticos y generación de varios modelos.

¿Cómo Funciona el Machine Learning?

El Machine Learning se basa en algoritmos que procesan datos, identifican patrones y hacen predicciones. Su funcionamiento se puede resumir en los siguientes pasos:

1. Recolección de Datos

   • Se recopilan grandes volúmenes de datos estructurados y no estructurados.
   • Ejemplo: Imágenes, texto, transacciones bancarias, datos de sensores, etc.

2. Preprocesamiento de Datos

   • Se limpian los datos, eliminando información irrelevante o errores.
   • Se convierten los datos en formatos utilizables para los algoritmos.

3. Selección del Modelo y Entrenamiento

   • Se elige un algoritmo adecuado dependiendo del problema (supervisado, no supervisado, etc.).
   • Se «entrena» el modelo con datos históricos para que aprenda patrones.

4. Evaluación del Modelo

   • Se mide la precisión y el rendimiento del modelo con datos de prueba.
   • Se ajustan parámetros para mejorar la precisión.

5. Predicción y Uso del Modelo

   • Una vez entrenado, el modelo puede hacer predicciones con datos nuevos.

Tipos de Machine Learning

1. Aprendizaje Supervisado

El modelo aprende con datos etiquetados (entrada y salida conocida).

• Ejemplo: Clasificación de correos electrónicos en spam o no spam.
• Algoritmos comunes:
  • Regresión Lineal
  • Árboles de Decisión
  • Redes Neuronales

2. Aprendizaje No Supervisado

El modelo encuentra patrones en datos sin etiquetas ni categorías predefinidas.

• Ejemplo: Agrupación de clientes según comportamiento de compra.
• Algoritmos comunes:
  • Clustering (K-means, DBSCAN)
  • Análisis de Componentes Principales (PCA)

3. Aprendizaje por Refuerzo

El modelo aprende mediante prueba y error, recibiendo recompensas o castigos.

• Ejemplo: Un robot que aprende a caminar.
• Algoritmos comunes:
  • Q-Learning
  • Deep Q Networks (DQN)