Diferencia entre revisiones de «Aprendizaje supervisado»
(Versión inicial) |
m (→Algoritmos: Se añaden enlaces a algunos algoritmos) |
||
| Línea 9: | Línea 9: | ||
* '''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) | * '''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 | + | ** [[Redes neuronales artificiales|Redes neuronales]] |
** Clasificador Naïve Bayes | ** Clasificador Naïve Bayes | ||
| − | ** Árboles de decisión | + | ** [[Árboles de decisión]] |
** Análisis discriminante | ** Análisis discriminante | ||
| − | ** Vecinos más cercanos (kNN) | + | ** [[Regla de los K vecinos más cercanos|Vecinos más cercanos (kNN)]] |
* '''Regresión''': para valores de respuesta continua. Entre los algoritmos de regresión comunes se incluyen: | * '''Regresión''': para valores de respuesta continua. Entre los algoritmos de regresión comunes se incluyen: | ||
| − | ** Regresión lineal | + | ** [[Regresión lineal]] |
| − | ** Regresión no lineal | + | ** [[Regresión no lineal]] |
** Modelos lineales generalizados | ** Modelos lineales generalizados | ||
| − | ** Árboles de decisión | + | ** [[Árboles de decisión]] |
| − | ** Redes neuronales | + | ** [[Redes neuronales artificiales|Redes neuronales]] |
== Aplicaciones == | == Aplicaciones == | ||
Revisión del 05:57 11 ago 2020
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.
