Diferencia entre revisiones de «Aprendizaje supervisado»
m (→Algoritmos: Subsanación de un error en la lista de algoritmos) |
|||
| Línea 1: | Línea 1: | ||
| − | {{ | + | {{Definición |
| + | |nombre=Aprendizaje supervisado | ||
| + | |imagen= | ||
| + | |tamaño= | ||
| + | |concepto=técnica para deducir una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. | ||
| + | }} | ||
| − | 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. | + | 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). | 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). | ||
última versión al 01:22 29 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.
