Seleccionar el tipo de aprendizaje para un problema de Machine Learning

En Aprendizaje Automático o Machine Learning seleccionar el tipo de aprendizaje a usar en cada proyecto es una tarea clave para garantizar el éxito de este. Escogiendo el que sea más adecuado entre aprendizaje supervisado, no supervisado o por refuerzo. Dado que cada uno tiene características propias, haciéndolo adecuados o no para diferentes aplicaciones, seleccionar un modelo de aprendizaje supervisado cuando se aborda un problema de segmentación, para el que es más adecuado aprendizaje no supervisado, es un problema. En esta entrada, se analizarían en cada uno de estos y sus aplicaciones para poder seleccionar el tipo de aprendizaje para un modelo de Machine Learning de forma eficaz. Incluyendo ejemplos concretos de aplicaciones para cada uno de ellos.

Aprendizaje supervisado

El aprendizaje supervisado es uno de los tipos de aprendizaje más populares dentro del aprendizaje automático. Para muchas personas es la primera elección, aunque no siempre es la más adecuada. En este tipo de aprendizaje, los modelos se entrenan usando un conjunto de datos etiquetados, donde cada registro contiene las variables de entrada y la respuesta que se desea obtener. Utilizando el conjunto de datos de ejemplo para aprender la relación entre los valores de entrada y salida. El proceso de entrenamiento implica ajustar los parámetros del modelo para minimizar una métrica de error entre las salidas predichas y las salidas reales. Por lo que, para poder usar este tipo de aprendizaje, es necesario contar con un conjunto de datos etiquetado con las respuestas, lo que puede ser una limitación para su utilización.

En Analytics Lane

¡Nuevo video! Aprende a seleccionar datos en Pandas con .iloc y .loc

Principales algoritmos de aprendizaje supervisado

• Regresión lineal: Este algoritmo se utiliza en problemas de regresión, donde se busca predecir un valor numérico continuo. Ajusta una curva que minimiza la diferencia entre las predicciones y los valores reales.
• Regresión Logística: Aunque el nombre sugiere regresión, la regresión logística se utiliza principalmente en problemas de clasificación binaria. Modela la probabilidad de pertenencia a una clase utilizando la función logística.
• Árboles de decisión: Este algoritmo se utiliza en problemas de clasificación y regresión. Divide iterativamente el conjunto de datos en subconjuntos más pequeños según las características más relevantes, creando un árbol de decisiones.
• Máquinas de Soporte Vectorial (SVM): Ideal para problemas de clasificación y regresión, SVM busca encontrar un hiperplano que mejor separe las clases en el espacio de características. También se puede usar con datos no lineales mediante el uso de las funciones de kernel.
• K Vecinos Más Cercanos (K-NN): Un algoritmo simple y versátil para problemas de clasificación y regresión. Clasifica nuevos puntos de datos basándose en las clases de los vecinos más cercanos dentro del espacio de características.

Ejemplos de aplicaciones del aprendizaje supervisado

En las siguientes secciones, se analizarán tres aplicaciones de aprendizaje supervisado que pueden ayudar a comprender cómo seleccionar el tipo de aprendizaje más adecuado en problemas similares.

Clasificación de imágenes de perros y gatos

• Descripción del problema: Supongamos que se desea construir un modelo que pueda clasificar imágenes como perros o gatos.
• Datos de entrenamiento: Un conjunto de datos de imágenes etiquetadas como perros o gatos.
• Caso de uso: Se entrena un algoritmo de aprendizaje supervisado para clasificar las imágenes y sus respectivas etiquetas (perro o gato) como salida. Una vez finalizado el entrenamiento, el modelo puede tomar una nueva imagen y predecir si es un perro o un gato con una alta precisión.

Predicción del precio de venta de una casa

• Descripción del problema: Se necesita contar con un modelo que pueda predecir el precio de una casa en función de sus características.
• Datos de entrenamiento: Un conjunto de datos que incluye características de las casas (número de habitaciones, tamaño, ubicación, etc.) junto con los precios de venta.
• Caso de uso: Se entrena modelo de regresión utilizando las características de las casas como entrada y los precios de venta como salida. Después del entrenamiento, el modelo puede tomar las características de una casa nueva y predecir su precio de venta con precisión.

Diagnóstico de enfermedades a partir de los síntomas

• Descripción del problema: Desarrollar un sistema que pueda diagnosticar enfermedades basándose en los síntomas presentados por un paciente.
• Datos de entrenamiento: Un conjunto de datos que incluye síntomas de pacientes junto con los diagnósticos médicos reales.
• Caso de uso: Entrenar un modelo de clasificación utilizando los síntomas como entrada y los diagnósticos como salida. Al finalizar el entrenamiento, el modelo puede tomar los síntomas de un paciente y predecir con precisión la enfermedad que podría estar presente.

Aprendizaje no supervisado

Los modelos de aprendizaje no supervisado son los más utilizados dentro del aprendizaje automático. A diferencia del aprendizaje supervisado, en aprendizaje no supervisado los modelos se entrenan con conjuntos de datos sin etiquetar, por lo que no es necesario contar con información sobre las salidas deseadas. Algo que facilita enormemente su uso. Por eso, el objetivo de estos modelos es descubrir patrones o estructuras intrínsecas en los datos, como agrupamientos naturales o dimensiones latentes, no reproducir un valor o etiqueta concreta.

En el aprendizaje no supervisado, el modelo explora la estructura de los datos sin la guía de etiquetas. Utiliza técnicas estadísticas para encontrar patrones, agrupamientos o relaciones entre las diferentes características de los datos.

Principales algoritmos de aprendizaje no supervisado

• K-Means: Un algoritmo de clustering que agrupa datos en k grupos distintos. Para los que buscan minimizar la varianza intra-clúster y maximizar la distancia entre los clústeres.
• Análisis de componentes principales (PCA): La reducción de dimensionalidad mediante PCA permite transformar las características originales en un nuevo conjunto de características no correlacionadas llamadas componentes principales. Estas componentes permiten conservar una gran parte de la información en un número menor de características.
• Apriori: Este algoritmo de asociación se utiliza para la extracción de reglas de asociación en conjuntos de datos. Es comúnmente empleado en la minería de datos para encontrar patrones de compra en transacciones minoristas.
• Agrupamiento jerárquico: Permite agrupar los datos en forma de un árbol jerárquico. El algoritmo se puede ejecutar para que el árbol se construya de forma aglomerativa (fusiona grupos) o divisiva (divide grupos) y crea una jerarquía de clústeres.

Ejemplos de aplicaciones del aprendizaje no supervisado

A continuación, se analizarán tres aplicaciones de aprendizaje no supervisado. Este listado se puede usar como guía para seleccionar el tipo de aprendizaje más adecuado en casos similares.

Segmentación de clientes

• Descripción del problema: Segmentar a los clientes de un centro comercial en grupos homogéneos basándose en su historial de compras.
• Datos de entrenamiento: Un conjunto de datos que incluye las transacciones realizadas por los clientes.
• Caso de uso: Mediante el entrenamiento de un algoritmo de clustering (K-Means) para agrupar a los clientes en segmentos con características similares basándote en sus patrones de compra. El modelo resultado segmenta a los clientes, lo que puede ayudar a personalizar estrategias de marketing y mejorar la experiencia del cliente.

Detección de anomalías en transacciones financieras

• Descripción del problema: Identificar transacciones financieras fraudulentas en un conjunto de datos.
• Datos de entrenamiento: Un conjunto de datos de transacciones financieras que no están etiquetadas como legítimas o fraudulentas.
• Caso de uso: Al entrenar una modelo de detección de anomalías este permite identificar patrones inusuales en las transacciones financieras, lo que podría indicar una operación fraudulenta. El modelo así construido se usar para detectar automáticamente transacciones sospechosas que pueden requerir una revisión adicional por parte de los expertos en fraude.

Compresión de imágenes

• Descripción del problema: Reducir la cantidad de datos necesarios para almacenar y transferir imágenes sin perder calidad.
• Datos de entrenamiento: Un conjunto de imágenes de alta resolución.
• Caso de uso: Mediante el uso de técnicas de reducción de dimensionalidad, como el análisis de componentes principales (PCA), es posible comprimir las imágenes conservando la mayor cantidad posible de información. Así, se pueden obtener versiones comprimidas de las imágenes originales que ocupan menos espacio de almacenamiento sin una pérdida significativa de la calidad visual de estas.

Aprendizaje por refuerzo

El aprendizaje por refuerzo es una forma completamente diferente a las anteriores de abordar los problemas. En este tipo de aprendizaje un agente (no un modelo) interactúa con un entorno para lograr maximizar una serie de recompensas a largo plazo. El agente debe tomar decisiones y, tras estas, recibe retroalimentación en forma de recompensas o penalizaciones.

En el aprendizaje por refuerzo, el agente aprende a tomar decisiones secuenciales en un entorno desconocido. No predecir clases o valores. Para ello debe realizar acciones, observar las consecuencias y recibir un refuerzo en forma de recompensa o penalización. El objetivo del agente es aprender una estrategia óptima que maximice la recompensa acumulada a lo largo del tiempo.

Principales algoritmos de aprendizaje por refuerzo

• Q-Learning: Un algoritmo de aprendizaje por refuerzo que se utiliza en entornos discretos. Aprende a tomar decisiones secuenciales optimizando la función Q, que estima la recompensa acumulada para una acción específica en un estado dado.
• Deep Q Network (DQN): Una extensión de Q-Learning que utiliza redes neuronales profundas para aproximar la función Q en entornos más complejos y continuos.
• Políticas de Gradiente (PG): A diferencia de los métodos basados en valor, PG se centra en aprender directamente la política óptima que mapea estados a acciones, utilizando gradientes para mejorar la política a lo largo del tiempo.

Ejemplos de aplicaciones del aprendizaje por refuerzo

En las siguientes secciones, se analizarán tres casos típicos de problemas que se pueden resolver mediante aprendizaje por refuerzo. Casos que pueden seleccionar el tipo de aprendizaje más adecuado en problemas similares.

Inteligencia artificial para juegos

• Descripción del problema: Desarrollar un agente que pueda jugar a un juego de manera inteligente y mejorar con la experiencia.
• Entorno: El juego en sí mismo proporciona un entorno dinámico donde el agente puede tomar acciones (movimientos en el juego) y recibir recompensas o penalizaciones (puntuación del juego).
• Caso de uso: Se puede dejar al agente jugar al juego para aprenda a buscar la estrategia que maximicen su puntuación en el juego a lo largo del tiempo. Lo que se puede hacer contra otro agente cuando el juego es competitivo. Después de un tiempo entrenando, el agente puede jugar el juego de manera eficiente y mejorar su rendimiento a medida que adquiere más experiencia.

Control de robots

• Descripción del problema: Entrenar un robot para realizar tareas específicas en el mundo real.
• Entorno: El entorno del robot puede incluir obstáculos, objetos móviles y otras variables que afectan sus acciones y resultados.
• Caso de uso: Las técnicas de aprendizaje por refuerzo permiten entrenar al robot para que realice acciones que maximicen la recompensa acumulada, como alcanzar un objetivo o evitar obstáculos. El robot aprende a realizar las tareas de manera más eficiente y adaptable a medida que interactúa con el entorno y recibe retroalimentación en forma de recompensas y penalizaciones.

Optimización de recursos en redes de energía

• Descripción del problema: Optimizar el uso de recursos en una red de energía eléctrica para minimizar costos y maximizar la eficiencia.
• Entorno: La red de energía eléctrica proporciona un entorno complejo donde se pueden tomar decisiones para asignar recursos (producción de energía, distribución, almacenamiento, etc.).
• Caso de uso: Los algoritmos de aprendizaje por refuerzo para entrenar un modelo que pueda tomar decisiones sobre la asignación de recursos de manera que maximice la eficiencia energética y minimice los costes. Una vez entrenado el modelo se puede usar este para gestionar en tiempo real los recursos de la red, mejorando su rendimiento con el tiempo.

Conclusiones

Saber seleccionar el tipo de aprendizaje más adecuado para un problema de Machine Learning es clave para el éxito. En resumen, el aprendizaje supervisado se utiliza cuando se cuenta con datos etiquetados y se desea predecir salidas conocidas. El aprendizaje no supervisado es útil para descubrir patrones ocultos en datos no etiquetados. Por último, el aprendizaje por refuerzo es adecuado para problemas de toma de decisiones secuenciales en entornos dinámicos.

Imagen de Reto Scheiwiller en Pixabay