Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tabla de Contenidos
Repaso
Aprendizaje
Clasificación
2
Repaso
Repaso
3
Repaso
4
Repaso
5
Repaso
6
Repaso
7
Repaso
8
Repaso
9
Repaso
Ejemplos:
• Regresión Lineal
1 (y −f (x))2
pY |X (y |x) = √ e − 2σ2
σ 2π
donde f (x) = β0 + β1 x.
• Clasificación binaria
10
Aprendizaje
Problema General de Aprendizaje
Variable a predecir Y
11
Problema General de Aprendizaje
12
Problema General de Aprendizaje
13
Problema General de Aprendizaje
13
Problema General de Aprendizaje
Ingredientes esenciales:
14
Problema General de Aprendizaje
Ingredientes esenciales:
Y = f (X ) + E (1)
14
Problema General de Aprendizaje
Ingredientes esenciales:
Y = f (X ) + E (1)
Nuestro objetivo en general es: usando los datos, estimar f de modo que
se cometa el menor error posible.
14
Problema General de Aprendizaje
15
Problema General de Aprendizaje
16
Problema General de Aprendizaje
16
Problema General de Aprendizaje
16
Problema General de Aprendizaje
17
Problema General de Aprendizaje
18
Problema General de Aprendizaje
19
Problema General de Aprendizaje
20
Problema General de Aprendizaje
Estas condiciones equivalen a suponer que los datos han sido recopilados
al azar dentro de la población y que la recopilación de los datos no afecta
a la población.
20
Problema General de Aprendizaje
Ejemplo de Regresión
21
Problema General de Aprendizaje
Ejemplo de Clasificación
22
Problema General de Aprendizaje
Comentarios/preguntas:
23
Problema General de Aprendizaje
Respecto al ruido...
24
Problema General de Aprendizaje
Respecto al ruido...
... en general, mientras más variables explicativas se consideren, espe-
rarı́amos que el ruido sea menor (menos cosas son atribuı́bles al azar), e
incluso eventualmente igual a cero. Pero esto es algo que en la práctica
nunca podremos comprobar.
24
Problema General de Aprendizaje
25
Problema General de Aprendizaje
25
Problema General de Aprendizaje
25
Problema General de Aprendizaje
26
Problema General de Aprendizaje
Algunos ejemplos:
27
Problema General de Aprendizaje
Algunos ejemplos:
27
Problema General de Aprendizaje
Algunos ejemplos:
27
Problema General de Aprendizaje
Algunos ejemplos:
27
Problema General de Aprendizaje
Algunos ejemplos:
27
Problema General de Aprendizaje
28
Problema General de Aprendizaje
29
Problema General de Aprendizaje
30
Problema General de Aprendizaje
30
Problema General de Aprendizaje
30
Problema General de Aprendizaje
N
X N
X
ECM = (Y (k) − β0 − β1 X (k) )2 = e(Y (k) , h(X (k) ))
k=1 k=1
30
Problema General de Aprendizaje
N
X N
X
ECM = (Y (k) − β0 − β1 X (k) )2 = e(Y (k) , h(X (k) ))
k=1 k=1
N
1 X
e(Y (k) , h(X (k) ))
N
k=1
30
Problema General de Aprendizaje
N
X N
X
ECM = (Y (k) − β0 − β1 X (k) )2 = e(Y (k) , h(X (k) ))
k=1 k=1
N
1 X
e(Y (k) , h(X (k) ))
N
k=1
30
Problema General de Aprendizaje
31
Ejemplo: Regresión Lineal
32
Ejemplo: Regresión Lineal
32
Ejemplo: Regresión Lineal
32
Ejemplo: Regresión Lineal
32
Problema General de Aprendizaje
Definimos:
N
1 X
Ein (h) := e(h(Xk ), Yk ) (2)
N
k=1
33
Problema General de Aprendizaje
34
Problema General de Aprendizaje
35
Ejemplo: Regresión Lineal
Ejemplo: Regresión Lineal
Y = −2 + 3X
36
Ejemplo: Regresión Lineal
Y = −2 + 3X
36
Ejemplo: Regresión Lineal
37
Ejemplo: Regresión Lineal
38
Ejemplo: Regresión Lineal
39
Ejemplo: Regresión Lineal
Y = −2 + 3X = h1 (X )
Y = −3 + 2X = h2 (X )
39
Ejemplo: Regresión Lineal
Y = −2 + 3X = h1 (X )
Y = −3 + 2X = h2 (X )
39
Ejemplo: Regresión Lineal
40
Ejemplo: Regresión Lineal
41
Ejemplo: Regresión Lineal
42
Ejemplo: Regresión Lineal
Para poder comparar modelos y elegir “el mejor modelo” usando los datos
disponibles en una muestra, necesito alguna garantı́a de que el comporta-
miento fuera de muestra de diferentes modelos es similar.
43
Ejemplo: Regresión Lineal
Para poder comparar modelos y elegir “el mejor modelo” usando los datos
disponibles en una muestra, necesito alguna garantı́a de que el comporta-
miento fuera de muestra de diferentes modelos es similar.
Afortunadamente, existen resultados matemáticos que garantizan que esto
ocurre, siempre y cuando nos mantengamos dentro de una clase de
modelos preestablecida y no “demasiado compleja”.
43
Ejemplo: Regresión Lineal
44
Ejemplo: Regresión Lineal
P sup |Ein (h) − Eout (h)| ≥ ε ≤ N (H, N, ε)
h∈H
44
Ejemplo: Regresión Lineal
Esto nos dice que, para cualquier modelo especı́fico que utilicemos dentro
de una clase de modelos preestablecida, y para una muestra elegida al azar,
la probabilidad de que el error dentro de la muestra esté lejos del error fuera
de la muestra es cada vez más cercana a cero a medida que el tamaño de
la muestra crece. Esto ocurre con una rapidez que no depende del modelo
en particular.
45
Ejemplo: Regresión Lineal
46
Ejemplo: Regresión Lineal
47
Ejemplo: Regresión Lineal
48
Ejemplo: Regresión Lineal
Minimizando el error
Simulamos, para 500 tamaños de muestra distintos (desde N = 2 hasta
N = 500), 100 muestras aleatorias de cada tamaño, y promediamos.
49
Ejemplo: Regresión Lineal
50
Ejemplo: Regresión Lineal
50
Ejemplo: Regresión Lineal
51
Ejemplo: Regresión Lineal
52
Ejemplo: Regresión Lineal
53
Ejemplo: Regresión Lineal
54
Ejemplo: Regresión Lineal
Entrenamiento y testeo
55
Ejemplo: Regresión Lineal
K
1 X (k)
Eout ≈ (Y − Ŷ (k) )2
K
k=1
56
Ejemplo: Regresión Lineal
57
Ejemplo: Regresión Lineal
58
Ejemplo: Regresión Lineal
59
Clasificación
Clasificación
Caracterı́sticas:
60
Clasificación
61
Clasificación
62
Clasificación
63
Clasificación
Ejemplo: Perceptrón
Un posible modelo (pronto veremos muchos más) es calcular:
β0 + β1 X1 + · · · + βp Xp
(
0 si u = v
e(u, v ) =
1 si u 6= v
64
Clasificación
Veamos un ejemplo:
65
Clasificación
Veamos un ejemplo:
66
Clasificación
(
1 si s(x1 , x2 ) ≥ 0
h(x1 , x2 ) =
0 si s(x1 , x2 ) < 0
donde:
67
Clasificación
68
Clasificación
69