Algoritmos de Aprendizaje Supervisado ML

ALGORITMOS DE APRENDIZAJE SUPERVISADO ML
ALGORITMO DEFINICIÓN CARACTERÍSTICAS EJEMPLOS DONDE SE AJUSTAN

REGRESIÓN Es un algoritmo de clasificación -Variable de salida binaria -Predecir si una acción de la Se ajustan donde requieran
LOGÍSTICA que se utiliza para predecir la -Eliminar ruido. bolsa de valores va a subir o un algoritmo muy eficiente y
probabilidad de una variable -Distribución gaussiana bajar, utilizando los valores no requiere demasiados
dependiente categórica dicha -Eliminar entradas históricos. recursos computacionales
variable dependiente es una correlacionadas. -Predecir si una persona que hacen que sea asequibles
variable binaria que contiene -No se puede converger. [1] puede vivir o morir en el ejecutar la producción. [1]
datos codificados como 1 – 0, sí hundimiento del Titanic
– no, abierto – cerrado, etc. [1] tomando en cuenta la edad,
sexo y ubicación de su
cabina. [1]
ARBOLES DE Son diagramas con -Fácil de entender -Predecir si una persona Se utiliza principalmente en
DECISIÓN construcciones lógicas, muy -Útil en la exploración de puede vivir o morir en el problemas de clasificación,
similares a los sistemas de datos. hundimiento del Titanic aunque funciona para
predicción basados en -Se requiere menos limpieza tomando en cuenta la edad, variables de entrada y salida
reglas, que sirven para de datos sexo y ubicación de su categóricas como continuas
representar y categorizar una -El tipo de datos no es una cabina. [2]
serie de condiciones que restricción -Predecir el valor esperado
ocurren de forma sucesiva, para -Método no paramétrico. en el desarrollo de diferentes
la resolución de un problema. -Sobreajuste. [2] aplicaciones software [2]
[2]
SVM O El algoritmo de vectores de -Para datos linealmente - Predecir el tipo de flor de Donde se requiera encontrar
MÁQUINAS DE soporte o Support Vector separables, funciona acuerdo a las características un plano que separe los
VECTORES DE Machine es un clasificador increíblemente bien dadas. grupos dentro de los datos de
SOPORTE discriminatorio definido -Para los datos que no son -Predecir si una persona la mejor forma posible. [3]
formalmente por un hiperplano casi linealmente separables puede vivir o morir en el
de separación [3] puede funcionar bien con un hundimiento del Titanic
valor correcto de hiperplano tomando en cuenta la edad,
-Para datos que no son sexo y ubicación de su
separables linealmente cabina. [3]
podemos proyectar datos al
espacio donde es casi
linealmente separable. [3]
RANDOM Random Forest es un método Puede problemas de, -Predecir la enfermedad de Se ejecutan varios
FOREST versátil de aprendizaje clasificación y regresión. un paciente tomando en algoritmos de árbol de
automático capaz de realizar Puede manejar grandes cuenta los síntomas que decisiones en lugar de uno
tanto tareas de regresión como cantidades de datos con presenta. solo. Para clasificar un
de clasificación. También lleva mayor dimensionalidad. -Predecir si una persona nuevo objeto basado en
a cabo métodos de reducción Puede manejar miles de puede vivir o morir en el atributos, cada árbol de
dimensional, trata valores variables de entrada e hundimiento del Titanic decisión da una clasificación
perdidos, valores atípicos y identificar las variables más tomando en cuenta la edad, y finalmente la decisión con
otros pasos esenciales de significativas sexo y ubicación de su mayor “votos” es la
exploración de datos [4] -Tiene un método efectivo cabina [4] predicción del algoritmo. [4]
para estimar datos faltantes y
mantiene la precisión
cuando falta una gran
proporción de los datos. [4]
KNN O Este es un método de - No paramétrico -Predecir el tipo de flor de Se usa en una variedad de
VECINOS MÁS clasificación no paramétrico, - Algoritmo simple acuerdo a las características aplicaciones tales como
CERCANOS que estima el valor de la - Alta precisión (relativa) dadas. pronósticos económicos,
probabilidad a posteriori de que -Insensible a los valores -Predecir si una acción de la compresión de datos y
un elemento xx pertenezca a atípicos [5] bolsa de valores va a subir o genética [5]
una clase en particular a partir bajar, utilizando los valores
de la información históricos. [5]
proporcionada por el conjunto
de prototipos [5]
Bibliografía:
[1] Gonzalez, L. (2020, 19 agosto). Aprendizaje Supervisado: Logistic Regression. 🤖 Aprende IA. https://aprendeia.com/aprendizaje-
supervisado-logistic-regression/
[2] Gonzalez, L. (2020a, agosto 19). Aprendizaje Supervisado: Decision Tree Classification. 🤖 Aprende IA.
https://aprendeia.com/aprendizaje-supervisado-decision-tree-classification/
[3] Gonzalez, L. (2020c, agosto 19). Aprendizaje Supervisado: Support Vector Machine. 🤖 Aprende IA.
https://aprendeia.com/aprendizaje-supervisado-support-vector-machine/
[4] Gonzalez, L. (2020c, agosto 19). Aprendizaje Supervisado: Random Forest Classification. 🤖 Aprende IA.
https://aprendeia.com/aprendizaje-supervisado-random-forest-classification/
[5] Gonzalez, L. (2020b, agosto 19). Aprendizaje Supervisado: K-Nearest Neighbors. 🤖 Aprende IA.
https://aprendeia.com/aprendizaje-supervisado-k-nearest-neighbors/

Algoritmos de Aprendizaje Supervisado ML

Cargado por

Copyright:

Formatos disponibles

Algoritmos de Aprendizaje Supervisado ML

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algoritmos de Aprendizaje Supervisado ML

Cargado por

Copyright:

Formatos disponibles

ALGORITMOS DE APRENDIZAJE SUPERVISADO ML

ALGORITMO DEFINICIÓN CARACTERÍSTICAS EJEMPLOS DONDE SE AJUSTAN

También podría gustarte