(Regresión lineal) es probablemente el algoritmo de aprendizaje automático más popular. La regresión lineal consiste en encontrar una línea recta y hacer que esta línea recta se ajuste lo más posible a los puntos de datos en el diagrama de dispersión. Intenta representar las variables independientes (valores de x) y los resultados numéricos (valores de y) ajustando una ecuación en línea recta a estos datos. ¡Esta línea luego se puede usar para predecir valores futuros!

La técnica más utilizada para este algoritmo es el método de mínimos cuadrados. Este método calcula una línea de mejor ajuste que minimiza la distancia perpendicular desde cada punto de datos en la línea. La distancia total es la suma de los cuadrados de las distancias verticales (línea verde) de todos los puntos de datos. La idea es ajustar el modelo minimizando este error o distancia al cuadrado.

Por ejemplo, prediga el crecimiento del precio de la vivienda el próximo año, las ventas de nuevos productos del próximo trimestre, etc. No parece difícil, pero la dificultad del algoritmo de regresión lineal no es obtener el valor predicho, sino ser más preciso. Para ese número posiblemente muy pequeño, ¿cuántos ingenieros han dedicado su juventud y su cabello a ello?

La regresión logística es similar a la regresión lineal, pero el resultado de la regresión logística solo puede tener dos valores. Si la regresión lineal predice un valor abierto, la regresión logística es más como hacer una pregunta de sí o no.

El comercio electrónico o las plataformas de comida para llevar suelen utilizar la regresión logística para predecir las preferencias de compra de los usuarios por categorías.

Si tanto la regresión lineal como la logística finalizan la tarea en una ronda, entonces los árboles de decisión (árboles de decisión) son acciones de varios pasos. También se utilizan en tareas de regresión y clasificación, pero los escenarios suelen ser más complejos y específicos.

Para dar un ejemplo sencillo, cuando un profesor se enfrenta a los alumnos de una clase, ¿quiénes son los buenos alumnos? Parece demasiado burdo juzgar simplemente que un estudiante con una puntuación de 90 en el examen se considera un buen estudiante y no puede basarse únicamente en las puntuaciones. Para los estudiantes cuyas puntuaciones sean inferiores a 90 puntos, podemos discutirlos por separado de aspectos como la tarea, la asistencia y las preguntas.

Naive Bayes se basa en el teorema de Bayes, que es la relación entre dos condiciones. Mide la probabilidad de cada clase, la probabilidad condicional de cada clase dado el valor de x. Este algoritmo se utiliza en problemas de clasificación y produce un resultado binario sí/no. Eche un vistazo a la siguiente ecuación.

El clasificador Naive Bayes es una técnica estadística popular con una aplicación clásica en el filtrado de spam.

Explicar el teorema de Bayes sin terminología es utilizar la probabilidad de que B ocurra bajo la condición A para obtener la probabilidad de que A ocurra bajo la condición B. Por ejemplo, si le gustas a un gatito, hay un% de probabilidad de que gire su barriga frente a ti. ¿Cuál es la probabilidad de que le gustes al gatito si gira su barriga frente a ti? Por supuesto, hacer esta pregunta equivale a rascarse la cabeza, por lo que también debemos introducir otros datos. Por ejemplo, si le gustas al gatito, hay un b% de posibilidades de que se pegue a ti y un c% de posibilidades de ronronear. Entonces, ¿cómo sabemos la probabilidad de que le gustemos a un gatito? A través del teorema de Bayes, podemos calcularla a partir de la probabilidad de girar la barriga, pegarse y ronronear.

Support Vector Machine (SVM) es un algoritmo supervisado para problemas de clasificación. Una máquina de vectores de soporte intenta dibujar dos líneas entre puntos de datos con el mayor margen entre ellos. Para hacer esto, trazamos elementos de datos como puntos en un espacio de n dimensiones, donde n es el número de características de entrada. Sobre esta base, la máquina de vectores de soporte encuentra un límite óptimo, llamado hiperplano, que separa mejor las posibles salidas por etiquetas de clase. La distancia entre el hiperplano y el punto de clase más cercano se llama margen. El hiperplano óptimo tiene el margen más grande que clasifica puntos de manera que se maximice la distancia entre el punto de datos más cercano y las dos clases.

Por lo tanto, el problema que las máquinas de vectores de soporte quieren resolver es cómo separar un montón de datos. Sus principales escenarios de aplicación incluyen reconocimiento de caracteres, reconocimiento facial, clasificación de texto y otros reconocimientos.

El algoritmo K-Vecinos más cercanos (KNN) es muy simple. KNN clasifica objetos buscando en todo el conjunto de entrenamiento las K instancias más similares, o K vecinos, y asignando una variable de salida común a todas estas K instancias.

La elección de K es crítica: valores más pequeños pueden generar mucho ruido y resultados inexactos, mientras que valores más grandes no son factibles. Se utiliza más comúnmente para clasificación, pero también es adecuado para problemas de regresión.

La distancia utilizada para evaluar la similitud entre instancias puede ser la distancia euclidiana, la distancia de Manhattan o la distancia de Minkowski. La distancia euclidiana es la distancia en línea recta ordinaria entre dos puntos. En realidad es la raíz cuadrada de la suma de los cuadrados de la diferencia de coordenadas de los puntos.

La teoría KNN es simple y fácil de implementar y puede usarse para clasificación de texto, reconocimiento de patrones, análisis de conglomerados, etc.

K-means agrupa el conjunto de datos clasificándolo. Por ejemplo, este algoritmo se puede utilizar para agrupar usuarios según el historial de compras. Encuentra K grupos en el conjunto de datos. K-means se usa para el aprendizaje no supervisado, por lo que solo necesitamos usar los datos de entrenamiento X y la cantidad de grupos que queremos identificar K.

El algoritmo asigna iterativamente cada punto de datos a uno de K grupos en función de sus características. Selecciona K puntos para cada K-cluster (llamados centroides). Según la similitud, se agregan nuevos puntos de datos al grupo con el centroide más cercano. Este proceso continúa hasta que el centro de masa deja de cambiar.

En la vida, K-means juega un papel importante en la detección de fraudes y se usa ampliamente en los campos del automóvil, los seguros médicos y la detección de fraudes en seguros.

Random Forest es un algoritmo de aprendizaje automático conjunto muy popular. La idea básica de este algoritmo es que las opiniones de muchas personas son más precisas que las opiniones de un individuo. En un bosque aleatorio, utilizamos un conjunto de árboles de decisión (ver Árboles de decisión).

Random Forest tiene una amplia gama de perspectivas de aplicación, desde marketing hasta seguros de atención médica. Puede usarse para modelar simulaciones de marketing, contar fuentes de clientes, retención y pérdidas, y también puede usarse para predecir riesgos de enfermedades y susceptibilidad del paciente.

El análisis de componentes principales reduce la dimensionalidad de un conjunto de datos comprimiéndolo en líneas de baja dimensión o hiperplanos/subespacios. Esto preserva la mayor cantidad posible de características destacadas de los datos originales.

Las redes neuronales artificiales (RNA) pueden manejar tareas de aprendizaje automático grandes y complejas. Una red neuronal es esencialmente un conjunto de capas interconectadas compuestas de bordes y nodos ponderados, llamados neuronas. Entre la capa de entrada y la capa de salida, podemos insertar múltiples capas ocultas. Las redes neuronales artificiales utilizan dos capas ocultas. Más allá de eso, es necesario abordar el aprendizaje profundo.

Las redes neuronales artificiales funcionan de manera similar a la estructura del cerebro. A un grupo de neuronas se le asigna un peso aleatorio para determinar cómo la neurona procesa los datos de entrada. La relación entre entrada y salida se aprende entrenando una red neuronal con datos de entrada. Durante la fase de formación, el sistema tiene acceso a las respuestas correctas.

Si la red no reconoce con precisión la entrada, el sistema ajusta los pesos. Después de un entrenamiento suficiente, reconocerá constantemente los patrones correctos.

El reconocimiento de imágenes es una aplicación bien conocida de las redes neuronales.