cesguiro clase:ia:saa:2eval https://www.cesguiro.es/ 2026-04-10T16:16:51+00:00 cesguiro https://www.cesguiro.es/ https://www.cesguiro.es/ttps://www.cesguiro.es/lib/tpl/bootstrap3/images/favicon.ico text/html 2023-02-20T10:25:06+00:00 Anonymous (anonymous@undisclosed.example.com) 07 - Análisis de la normalidad y normalización de datos https://www.cesguiro.es/doku.php/clase/ia/saa/2eval/analisis_normalidad?rev=1676885106&do=diff 07 - Análisis de la normalidad y normalización de datos Análisis de la normalidad En muchos casos, necesitamos comprobar que los datos recabados proceden de una población con distribución con una distribución normal. Para comprobarlo, podemos varias estrategias (a menudo usadas conjuntamente). text/html 2023-05-04T08:27:33+00:00 Anonymous (anonymous@undisclosed.example.com) 12 - Modelos clasificación 1: Regresión logística https://www.cesguiro.es/doku.php/clase/ia/saa/2eval/clasificacion_modelos_1?rev=1683181653&do=diff 12 - Modelos clasificación 1: Regresión logística La regresión logística es un clasificador binario derivado de la regresión lineal. El modelo de regresión lineal es: ... Si nuestra variable respuesta sólo puede tener 2 posibles valores (0 o 1) como en un clasificador, podemos ajustar un modelo de regresión lineal con el método de mínimos cuadrados. El problema es que, al generar una recta, podemos obtener valores por encima del 1 o por debajo del 0, con lo que no se cumpliría la condición que… text/html 2023-05-04T08:35:32+00:00 Anonymous (anonymous@undisclosed.example.com) 12 - Modelos clasificación 2: kNN https://www.cesguiro.es/doku.php/clase/ia/saa/2eval/clasificacion_modelos_2?rev=1683182132&do=diff 12 - Modelos clasificación 2: kNN El algoritmo kNN (k-nearest neighbors) es un algoritmo simple de ML supervisado que puede ser usado tanto para clasificación como para regresión. El algoritmo predice los valores en función de los elementos más cercanos. El valor predicho será la clase con mayor frecuencia de las instancias cercanas (en caso de clasificación) o un valor calculado a partir de dichas instancias en el caso de regresión (media o media ponderada). text/html 2023-05-04T08:28:10+00:00 Anonymous (anonymous@undisclosed.example.com) 12 - Modelos clasificación 3: SVM https://www.cesguiro.es/doku.php/clase/ia/saa/2eval/clasificacion_modelos_3?rev=1683181690&do=diff 12 - Modelos clasificación 3: SVM Vamos a ver otro algoritmo de clasificación llamado máquina de vectores soporte (SVM, Support Vector Machine). Supongamos que tenemos los siguientes datos: Como vemos, tenemos datos con dos clases diferentes. El objetivo es predecir a qué clase pertenecen las nuevas instancias.$x_{2} = x_{1}²$$\gamma$$\gamma$ text/html 2023-05-04T08:28:38+00:00 Anonymous (anonymous@undisclosed.example.com) 12 - Modelos clasificación 4: - Árboles de decisión https://www.cesguiro.es/doku.php/clase/ia/saa/2eval/clasificacion_modelos_4?rev=1683181718&do=diff 12 - Modelos clasificación 4: - Árboles de decisión Los árboles de decisión son modelos predictivos formados por reglas binarias (si/no) con las que se consigue repartir las observaciones en función de sus atributos y predecir así el valor de la variable respuesta.$P_{i}$$k$$t_{k}$ text/html 2023-05-04T08:29:07+00:00 Anonymous (anonymous@undisclosed.example.com) 12 - Modelos clasificación 5: Ensamblaje y Random Forest https://www.cesguiro.es/doku.php/clase/ia/saa/2eval/clasificacion_modelos_5?rev=1683181747&do=diff 12 - Modelos clasificación 5: Ensamblaje y Random Forest A menudo, se obtienen predicciones mejores si sumamos las predicciones de un grupo de predictores (clasificadores o regresores). Un grupo de predictores se denomina ensamble y la técnica de juntarlos text/html 2025-02-19T15:15:39+00:00 Anonymous (anonymous@undisclosed.example.com) 08 - Reducción de la dimensionalidad 1: Métodos de filtro https://www.cesguiro.es/doku.php/clase/ia/saa/2eval/reduccion_dimensionalidad?rev=1739974539&do=diff 08 - Reducción de la dimensionalidad 1: Métodos de filtro En el aprendizaje automático, la selección de características importantes en los datos es una parte importante del ciclo completo. El entrenamiento del modelo con características irrelevantes puede afectar el rendimiento del modelo. Para evitarlo, se utilizan métodos de text/html 2023-02-20T08:12:53+00:00 Anonymous (anonymous@undisclosed.example.com) 08 - Reducción de la dimensionalidad 2: Métodos de envoltura https://www.cesguiro.es/doku.php/clase/ia/saa/2eval/reduccion_dimensionalidad_2?rev=1676877173&do=diff 08 - Reducción de la dimensionalidad 2: Métodos de envoltura Los métodos de envoltura se basan en algoritmos de búsqueda codiciosos, ya que evalúan todas las combinaciones posibles de las funciones y seleccionan la combinación que produce el mejor resultado para un algoritmo de ML específico. Una desventaja de este enfoque es que probar todas las combinaciones posibles de las características puede ser computacionalmente muy costoso, particularmente si el conjunto de características es muy grand… text/html 2023-03-27T08:25:42+00:00 Anonymous (anonymous@undisclosed.example.com) 10 - Regularización https://www.cesguiro.es/doku.php/clase/ia/saa/2eval/regularizacion?rev=1679898342&do=diff 10 - Regularización La regularización consiste en añadir una penalización a la función de coste para minimizar los pesos con el objeto de hacer el modelo más sencillo. Las regularizaciones más usadas en ML son: * Ridge (L2) * Lasso (L1)$$ Error=\frac 1 n \displaystyle\sum_{i=1}^{n} {(y_i-y'_i)^2 } + \alpha \frac 1 {m} \displaystyle\sum_{j=1}^{m} {|w_j|^2} $$$$ Error=\frac 1 n \displaystyle\sum_{i=1}^{n} {(y_i-y'_i)^2 } + \alpha \frac 1 m \displaystyle\sum_{j=1}^{m} {|w_j|^1} $$$\alpha = … text/html 2023-02-20T08:32:21+00:00 Anonymous (anonymous@undisclosed.example.com) 11 - SML Clasificación 1: Métricas https://www.cesguiro.es/doku.php/clase/ia/saa/2eval/sml_clasificacion_1?rev=1676878341&do=diff 11 - SML Clasificación 1: Métricas Al contrario que en regresión, en los problemas de clasificación nuestro objetivo es predecir un valor finito (la clase o clases a la que pertenecen nuestros datos). Para los siguientes ejemplos, vamos a utilizar el conjunto de datos $F_{1}$$F_{1}$$F_{1}$ text/html 2023-05-04T08:23:42+00:00 Anonymous (anonymous@undisclosed.example.com) 11 - SML Clasificación: Tipos de clasificadores https://www.cesguiro.es/doku.php/clase/ia/saa/2eval/sml_clasificacion_2?rev=1683181422&do=diff 11 - SML Clasificación: Tipos de clasificadores En el punto anterior, vimos un clasificador básico que distinguía entre dos etiquetas. En este punto, vamos a ver otros tipos posibles de clasificadores (multiclase y multietiqueta). Clasificadores multiclase $\frac{N * (N-1)}{2}$$F_{1}$ text/html 2024-12-16T19:48:03+00:00 Anonymous (anonymous@undisclosed.example.com) 2ª Evaluación https://www.cesguiro.es/doku.php/clase/ia/saa/2eval/start?rev=1734374883&do=diff 2ª Evaluación * 07 - Análisis de la normalidad y normalización de datos * 08 - Reducción de la dimensionalidad 1: Métodos de filtro * 08 - Reducción de la dimensionalidad 2: Métodos de envoltura * 09 - Validación * 10 - Regularización text/html 2023-02-20T08:22:04+00:00 Anonymous (anonymous@undisclosed.example.com) 09 - Validación https://www.cesguiro.es/doku.php/clase/ia/saa/2eval/validacion?rev=1676877724&do=diff 09 - Validación Uno de los primeros pasos para construir un modelo es separar los datos en entrenamiento/test. Construimos el modelo con los datos de entrenamiento y comprobamos su rendimiento con los datos de test. El objetivo es aplicar nuestro modelo sobre datos que no ha visto (test) durante la fase de entrenamiento para ver si es capaz de generalizar correctamente.