¿Cómo se clasifican los modelos?

Máquina de vectores de apoyo

Clasificación de los modelos de aprendizaje automático en cinco categoríasEn la etapa actual, podemos decir que en cualquier enfoque de aprendizaje automático, tratamos de encontrar interdependencias o relaciones entre los datos de entrada y de salida. Supongamos que intentamos encontrar la respuesta a Diferentes tipos de Aprendizaje Automático. En ese caso, obtendremos diferentes respuestas, como Clasificación y Regresión, Supervisado y No Supervisado, Probabilístico y No Probabilístico, y muchas más. PERO, ¿has pensado alguna vez? ¿Por qué hay diferentes categorías de clasificación para el mismo aprendizaje automático? Para encontrar esta respuesta, veamos rápidamente la vía más directa para que cualquier enfoque de aprendizaje automático resuelva un problema determinado.

Cinco componentes principales juegan un papel vital en el pipeline, y la clasificación del Machine Learning depende de la naturaleza de estos cinco componentes. Si observamos esta tubería, podemos identificar rápidamente las cinco bases diferentes en las que se puede clasificar el aprendizaje automático.

En este artículo, clasificamos los modelos de aprendizaje automático en función de cinco categorías diferentes. El objetivo de este artículo es que los alumnos conozcan todas las clasificaciones del aprendizaje automático. Más adelante, se presentarán descripciones detalladas de los "algoritmos de aprendizaje supervisado y no supervisado" y de los problemas de "clasificación y regresión".

¿Qué modelo es la función de clasificación?

Clasificación Modelización predictiva

En el aprendizaje automático, la clasificación se refiere a un problema de modelado predictivo en el que se predice una etiqueta de clase para un ejemplo dado de datos de entrada. Algunos ejemplos de problemas de clasificación son: Dado un ejemplo, clasificar si es spam o no.

¿Qué son los modelos de clasificación en el aprendizaje automático?

El algoritmo de clasificación es una técnica de aprendizaje supervisado que se utiliza para identificar la categoría de las nuevas observaciones a partir de los datos de entrenamiento. En la clasificación, un programa aprende del conjunto de datos u observaciones dadas y luego clasifica las nuevas observaciones en una serie de clases o grupos.

  ¿Cuándo salió el 308?

¿Cuáles son las 3 clasificaciones de los modelos?

Cada uno de ellos encaja en una clasificación general de cuatro categorías principales: modelos físicos, modelos esquemáticos, modelos verbales y modelos matemáticos.

Clasificador de bayas ingenuas

La Categorización Profunda está diseñada para escenarios de clasificación donde no hay tantas categorías, pero la casuística de cada una de ellas es lo suficientemente compleja por lo que se necesitan reglas avanzadas que puedan utilizar elementos morfosintácticos y semánticos para clasificar con un grado aceptable de precisión/recuperación.

La clasificación de textos está pensada para modelos grandes en los que no es necesario un gran detalle en las reglas definidas para clasificar con éxito un texto y el buen rendimiento es clave. También es especialmente útil cuando ya se tiene una colección de textos de entrenamiento para las categorías, ya que permite reutilizarla y configurar un modelo de trabajo muy rápidamente.

En la fila superior, puede ver cómo se genera el modelo de clasificación a partir de los textos de entrenamiento y las reglas de clasificación (véase más adelante para obtener más información sobre cuándo se utiliza cada una). El sistema de clasificación utiliza este modelo para clasificar un texto y emite una o varias categorías en las que se puede clasificar.

Compara exclusivamente el texto de entrada con los textos de entrenamiento incluidos en el modelo. En otras palabras, cuando se entrena un modelo se asocia cada categoría a textos de ejemplo, de modo que cuando se introduce un texto para clasificar, el sistema lo compara con los ejemplos y determina cuál es el más cercano.

  ¿Cuál es el modelo 303?

Análisis de regresión

En estadística, la clasificación es el problema de identificar a cuál de un conjunto de categorías (subpoblaciones) pertenece una observación (u observaciones). Algunos ejemplos son la asignación de un correo electrónico determinado a la clase "spam" o "no spam", y la asignación de un diagnóstico a un paciente determinado en función de las características observadas del mismo (sexo, presión arterial, presencia o ausencia de determinados síntomas, etc.).

A menudo, las observaciones individuales se analizan en un conjunto de propiedades cuantificables, conocidas como variables explicativas o características. Estas propiedades pueden ser categóricas (por ejemplo, "A", "B", "AB" u "O", para el grupo sanguíneo), ordinales (por ejemplo, "grande", "mediano" o "pequeño"), de valor entero (por ejemplo, el número de apariciones de una palabra concreta en un correo electrónico) o de valor real (por ejemplo, una medición de la presión arterial). Otros clasificadores funcionan comparando las observaciones con las anteriores mediante una función de similitud o distancia.

Un algoritmo que realiza la clasificación, especialmente en una implementación concreta, se conoce como clasificador. El término "clasificador" a veces también se refiere a la función matemática, implementada por un algoritmo de clasificación, que asigna los datos de entrada a una categoría.

Agrupación y clasificación de modelos en el aprendizaje automático

Imagine que abre su armario y ve que todo está desordenado. Le resulta muy difícil y le lleva mucho tiempo coger lo que necesita. Si todo estuviera agrupado, sería muy sencillo. Eso es lo que hacen los algoritmos de clasificación del aprendizaje automático.

Antes de sumergirnos en la clasificación, echemos un vistazo a lo que es el aprendizaje supervisado. Supongamos que estás intentando aprender un nuevo concepto en matemáticas y que, después de resolver un problema, consultas las soluciones para ver si has acertado o no. Una vez que estés seguro de tu capacidad para resolver un tipo de problema concreto, dejarás de consultar las respuestas y resolverás las preguntas que se te planteen por ti mismo.

  ¿Cuánto se paga por el modelo 036?

Así es también como funciona el Aprendizaje Supervisado con los modelos de aprendizaje automático. En el Aprendizaje Supervisado, el modelo aprende mediante el ejemplo. Junto con nuestra variable de entrada, también damos a nuestro modelo las etiquetas correctas correspondientes. Mientras se entrena, el modelo consigue ver qué etiqueta corresponde a nuestros datos y, por tanto, puede encontrar patrones entre nuestros datos y esas etiquetas.

Subir
Esta web utiliza cookies propias y de terceros para su correcto funcionamiento y para fines analíticos y para mostrarte publicidad relacionada con sus preferencias en base a un perfil elaborado a partir de tus hábitos de navegación. Contiene enlaces a sitios web de terceros con políticas de privacidad ajenas que podrás aceptar o no cuando accedas a ellos. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Más información
Privacidad