Documentos de Académico
Documentos de Profesional
Documentos de Cultura
*dentro del aprendizaje supervisado podemos aprender 2 tipos de función una función que
aprende un aoutput discreto, como es el meto de caso de clasificación, o también podemos ver un
output continuo como es el caso de las regresiones .
Ejemplos:
Con estos modelos podemos estudiar conceptos de sobreajuste y penalisacion.
NAIVE BAYES: basado elne el teorema de bayes, ademostrado ser muy potente para algunas
tareas de clasificación .
ARBOLES DE DECISIÓN.
Son estructuras que nos permite separar una base de datos de acuerdos a reglas aprendidas ,
dejando objetos similares en las hojas .
Redes neunorales,: estos modelos que simplifica el funcionamiento de una red neunoral humana
a ocupado un rol protagonico en el aprendizaje de maquinas.
REGRESION LINEAL
Son una cklase de modelos altamente utilizados tanto en la practica como en disciplina
científicas,los models lineales utilizan una predicion utilizando una función lineal de los
descriptores.
*para partir presentamos una regresión lineal simple donde se tien un descriptor que es X1, una
variable dependiente Y. este modelo tien un error aleatoria anotado po E,el aprendizaje se realiza
en tre los paramentros que son O0, O1.lo que buscamoes es encontrar una estimación de O, O1.
*tres ejempolos de las rectas infinita que se puede generar
distinto valores para el intersecto para la pendien te.
REGRESION POLINOMINAL
Visualmente la forma que cada unas de esta regresiones a cota o intenta acotar los
valore posibles de los pesos s epuede visulizar en essa 2 img.
-visualmente la regresión lasso intenta acotar el espacio para los valores posibles
paralos tetta atraves de ese rombo.
En cambio la regresión ridge lo intenta acotar con la circunferencia del lado derecho.
La forma de acotamiento de los teta tiene importante implicancia en la solución de ambas
refresiones.
Regresiones con penalización agregan una componente vinculada con los espacios
factibles,es decir la regresión lasso analizara la suma de los valores absolutos de los
parámetros, regresión ridge penalizara la suma de los valores al cuadrado de
losparametros de la regresión,/ es importante destacar que la penalización se acompaña
de un parámetro definido aca definido por landa que regula la importancia que se da ala
penalización a relación al error cuadratico medio.evidentemente con un landa = a 0
volvemos ala regresión original sin penalizaiocn y a medida que vamos aumentando el
valor de landa el modelo se ira juntando con parámetros mas pequeños cada vez quitando
protagonismo al erro rcuadratico medio.
REGRESION LOGISTICA
Separación deobjetos se llama multiples clases
Estos 3 ejemplos presenta clasificación binarias.
ESQUEMA TIPICO DE CLASIFICACION BINARIAS
Se utiliza una función que nos permite acotar el aup a valores entre 0-1,en particular
utilizamos seinbailer para dicha tarea.
Formula: depende solo de los descriptores X y de los parámetros teta, estos últimos
nosotros intentamos aprender.
para encontrar los peso en una regresión
logística un primer paso considera
representar la probabilida de cada dato
de pertenecer ala clase de interés, esto lo
podemos hacer atraves de la la
distribucio de beliggi , dicha distribución
nos permite modelar la probalidad e
éxito o fracaso de un evento.
Corresponde al producto de la
sprobanilidades de todos los datos
de nuestra muestra.