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.

Fuente

• MathWorks