Page 1 - Aprendizaje Supervisado

Laboraatorio Innteligenncia Arttificial ee

Interneet de lass Cosass

A Aprendizzaje Suppervisaddo

D Dr.Miguel Roojas – mrojaas@ude.edu..uy
A/S DDiego Noguueira –dnoguueira@ude.eedu.uy

El Apprendizaje suupervisado ess una rama ddel m modelo tiene ssus orígenes en el campoo de la
aprenndizaje autommático cuyo ffuncionamiennto esstadística donnde se intentaa determinar cómo
se suustenta en el aprendizaaje basado en see relacionan llos eventos con el resultaddo (en
ejempplos conociddos. El algoriitmo analiza el esste caso variaables) o lo quue es lo mismmo, el
conjuunto de datoss en busca dee patrones y de obbjetivo de essta técnica es la predicciión de
esta forma “apreender”. A eestos ejempllos unna variable dde tipo cuantiitativo o nummérica,
conoccidos se les ddenomina connjunto de dattos coomo puede sser el precioo de una vivvienda,
etiqueetados. auutomóvil, etc.
Laa regresión lineal se divvide en reggresión
El pproceso de aprendizajee para esttos linneal simple yy múltiple doonde en la prrimera
algoriitmos se basa en un connjunto de dattos exxiste una úúnica variable predictorra (x)
conoccidos, dondde para cada variabble m mientras que en segunda se tienen mmuchas
predicctora (denoominada innput, featurres, vaariables prediictoras (x1, ……, xn).
variabbles indepenndientes, caraacterística, eetc.
denottada como “x”), existee una variabble
respuuesta (denomiinada objetivvo, clase, targget, R Regresión Loogística
depenndiente, etc. denotada ccomo “y”) qque Laa regresiónn logística es una ttécnica
corresponde a la ssalida esperadda. esstadística utilizada en aprenndizaje
suupervisado qque se utilizaa para predeecir el
Los pproyectos dee aprendizaje automático se vaalor de una vvariable en baase a la relaciión de
divideen en nueve etapas, dondde en cada uuna ellla con otras vvariables.
de elllas se realizann tareas especcíficas: Laa diferencia ccon la regresiión lineal es qué la
1. Definición del problemma reegresión logísstica se utilizza para probblemas
2 2. Recopilacción de datos dee clasificacióón, cuando la prediccióón es
3 3. Tratamiennto de los dattos caategórica, es ddecir, determminar una cateegoría.
4 4. Exploraciión de caracteerísticas Cuuando hablammos de prediicción, la reggresión
5 5. Elección del modelo loogística permmite determiinar una fuunción
6 6. Entrenammiento del moodelo m matemática (enntre 0 y 1) ppara discernirr si un
7 7. Evaluacióón del modeloo elemento perteenece a una categoría o a otra
8 8. Ajuste enn función de la distancia entre un laddo y el
9 9. Desplieguue ottro. Si el valoor se encuenttra muy próxximo a
ammbos (0 o 1)) se utiliza loo que se denomina
El apprendizaje suupervisado sse utiliza paara ummbral para decidir si es 00 o 1. Mientraas que
resolvver probleemas de regresión y la predicción cconsiste en ddarle un signiificado
clasifificación donde en los problemas de a estos valores, como ser paar o impar, síí o no,
regressión se iintenta preedecir valorres ettc.
continnuos, mientras que en loss problemas de
clasifificación se inttenta predeciir una categooría
o classe.
N Naive Bayes
Algunnos modelos de aprendizaaje supervisaado A Algoritmo de clasificaciónn Naive Bayyes se
se preesentan a conntinuación: fuundamenta enn el teorema de Bayes donnde se
esstablece la rrelación entrre la probabbilidad
coondicional y lla probabilidaad a priori.
Regrresión Lineaal Suu nombre Naaive (ingenuoo) se origina ddebido
Los algoritmos dde regresiónn lineal son el a que el algorritmo asumee la independdencia
primeero modelo al se recurree para analizzar enntre las caraccterísticas y//o atributos dde los
cómoo se correspponden dos eventos. Este