Aprendizaje supervisado
|
En Aprendizaje Automático, el aprendizaje supervisado es una técnica para deducir una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema.
Los datos de entrenamiento consisten de pares de datos: una componente del par son los datos de entrada y la otra los resultados deseados. La salida de la función puede ser un valor numérico (como en los problemas de regresión) o una etiqueta de clase (como en los de clasificación).
El objetivo del aprendizaje supervisado es el de crear una función capaz de predecir el valor correspondiente a cualquier dato de entrada válida después de haber visto una serie de ejemplos (datos de entrenamiento). Para ello, tiene que generalizar a partir de los datos presentados a las situaciones no vistas previamente.
Algoritmos
El aprendizaje supervisado incluye dos categorías de algoritmos:
- Clasificación: para valores de respuesta categóricos, en los que los datos se pueden separar en "clases" específicas. En esta categoría se incluyen los algoritmos:
- Máquinas de vectores de soporte (SVM)
- Redes neuronales
- Clasificador Naïve Bayes
- Árboles de decisión
- Análisis discriminante
- Vecinos más cercanos (kNN)
- Regresión: para valores de respuesta continua. Entre los algoritmos de regresión comunes se incluyen:
- Regresión lineal
- Regresión no lineal
- Modelos lineales generalizados
- Árboles de decisión
- Redes neuronales
Aplicaciones
Las aplicaciones en las que se pueden utilizar los algoritmos de aprendizaje supervisado son, entre otros: aplicaciones financieras para la calificación crediticia, el trading algorítmico y la calificación de bonos; en aplicaciones biológicas para la detección de tumores y el descubrimiento de fármacos; en aplicaciones energéticas para la predicción de carga y precio; y en aplicaciones de reconocimiento de patrones para el habla y las imágenes.