Categoría Aprendizaje automático

Probabilidad y regresión lineal Probabilidad y regresión lineal

La simpatía de los péndulos

Se discute la razón para justificar la minimización de la suma de los errores cuadráticos en regresión lineal, que se suele presentar como una simple elección conveniente. Una perspectiva probabilística sugiere que la ecuación de mínimos cuadrados surge naturalmente de asumir que los residuos del modelo siguen una distribución normal.

Probabilidad y regresión lineal Probabilidad y regresión lineal

Los tres mosqueteros

Se abordan tres componentes importantes en el proceso de entrenamiento de un algoritmo de aprendizaje automático: la función de pérdida, la métrica de desempeño y el control de validación. Se subraya la necesidad de equilibrar precisión y capacidad predictiva para obtener modelos robustos y efectivos.

Probabilidad y regresión lineal Probabilidad y regresión lineal

Apofenia

El sobreajuste ocurre cuando un algoritmo aprende en  exceso los detalles de los datos de entrenamiento, capturando no solo la esencia de la relación entre ellos, sino también el ruido aleatorio que siempre va a estar presente. Esto afecta negativamente su rendimiento y su capacidad de generalización cuando introduzcamos datos nuevos, no vistos durante el entrenamiento.

Probabilidad y regresión lineal Probabilidad y regresión lineal

La sabiduría de los arcianos

Los árboles de decisión simples tienen el problema de ser menos precisos que otros algoritmos de regresión o clasificación, además de ser poco robustos ante pequeñas modificaciones de los datos con los que se elaboran. Se describen algunas técnicas para elaborar árboles de decisión combinados, como las de agregación por remuestreo y los bosques aleatorios, que tienen como objetivo mejorar la exactitud de las predicciones y evitar el sobreajuste de los modelos.

Probabilidad y regresión lineal Probabilidad y regresión lineal

El árbol y el laberinto

Un árbol de decisión es un modelo de aprendizaje automático que se utiliza para estimar una variable objetivo basándose en varias variables de entrada. Esta variable objetivo puede ser tanto numérica (árboles de regresión) como nominal (árboles de clasificación). Se describe la metodología de construcción de árboles de decisión para regresión y clasificación, así como su interpretación.

Esta web utiliza cookies propias y de terceros para su correcto funcionamiento y para fines analíticos. Al hacer clic en el botón Aceptar, aceptas el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Antes de aceptar puedes ver Configurar cookies para realizar un consentimiento selectivo.   
Privacidad