Dentro del aprendizaje automático existen dos grandes familias de algoritmos: el aprendizaje supervisado y el aprendizaje no supervisado. En la primera de ellos los modelos son entrenados a partir de un conjunto de datos en el que la respuesta correcta es conocida. Siendo la finalidad del entrenamiento conseguir que los modelos reproduzcan este a partir de las características disponibles. Por otro lado, en la segunda el conjunto de datos empleado en el entrenamiento no contiene la respuesta. De modo que no existe un resultado que reproducir. Los algoritmos de aprendizaje supervisado se dividen a su vez en dos tipos de problemas: problemas de regresión y problemas de clasificación. A continuación, se va a explicar cuales son las diferencias clave regresión y clasificación.
Problemas de regresión
En los problemas de regresión los valores de los conjuntos que se desean reproducir han de tener un valor continuo. Siendo este el valor que se desea reproducir. Para ello se seleccionan las características con las que se realizarán las predicciones. A las que se denominan variables independientes. Una vez realizado esto se ha de definir una fórmula matemática y calcular los parámetros de modo que al introducir las características se obtenga el valor deseado. Esta se conoce como variable dependiente.
La calidad de estos modelos se suele medir con parámetros como el R2 y el R2 ajustado. Básicamente se mide la diferencia entre los valores que predice el modelo y los reales. En el caso del R2 ajustado penaliza en base a los grados de libertad en la ecuación.
Entre los modelos matemáticos más populares que se utilizan en este tipo de problemas son: la regresión lineal, los bosques de regresión y las redes neuronales de regresión.
Problemas de clasificación
En los problemas de clasificación los valores de los conjuntos que se desean reproducir han ser categorías. Siendo uno de los casos más habituales diferencias únicamente entre dos posibles categorías: verdadero o falso. Al igual que en los problemas de regresión es necesario identificar las variables independientes, la fórmula y los parámetros con los que se predecirá la variable dependiente. Solo que en este caso la variable dependiente es discreta.
Una forma de ver el resultado de los modelos en estos problemas es mediante el uso de la matriz de confusión. Esta no es más que una tabla de resultados en la que se compara los valores reales con los predichos. En ella hay varios términos que es útil conocer:
- Verdadero positivo: cuando el resultado real es verdadero y el valor predicho también es verdadero.
- Verdadero negativo: cuando el resultado real es falso y el valor predicho también es falso.
- Falso positivo: cuando el resultado real es falso pero el valor predicho es verdadero
- Falso negativo: cuando el resultado real es verdadero pero el valor predicho es falso
La calidad de los modelos se mide con diferentes parámetros como la precisión (“Accuracy”), la exactitud (“Precision”), la exhaustividad (“Recall”) y el F1. En primer lugar, la precisión es el porcentaje de acierto. Por otro lado, la exactitud es el porcentaje de acierto en la categoría que se considera positiva. La exhaustividad es el porcentaje de acierto entre los valores que son positivos en la realidad. Finalmente, F1 es un promedio ponderado de la exactitud y la exhaustividad.
Los modelos matemáticos más populares que se utilizan en este tipo de problemas son: el K vecino más cercano (k-nn), la regresión logística, las máquinas de vectores de soporte (SVM) y las redes neuronales.
Aplicación de los modelos
Una definido cada uno de los problemas se puede ver en qué situaciones se ha de emplear cada uno de ellos. Los problemas de regresión se utilizan cuando se desea distinguir entre puntos individuales. Por ejemplo, predecir los niveles de ciertos contaminantes ene aire en base a datos como la temperatura y humedad. En cambio, los problemas de clasificación se han de utilizar cuando se desea diferencia entre clases de puntos que corresponden a categorías. Por ejemplo, cuando se desea conocer si un cliente es hombre o mujer en base al contenido de su cesta de la compra.
Conclusiones
En la entrada se han visto las diferencias que existen entre los dos grandes problemas que se pueden resolver con los algoritmos de aprendizaje automático supervisado. Estos son los problemas de regresión y los problemas de clasificación. Se ha visto los algoritmos que se pueden utilizar en cada uno de los casos y las métricas de rendimiento para cada uno de ellos.
Imágenes: Pixabay (Couleur)
Espectacular la simplicidad de la explicacion! traza una clara linea para la definicion de un proyecto de analisis de datos. seria interesante que pudieran referenciar algun autor en cada clasificacion.