Métodos predictivos - Aprendizaje supervisado y Aprendizaje no supervisado

by Bibliophilove - julio 16, 2024

"El aprendizaje supervisado es un tipo de aprendizaje automático (machine learning) en el que un modelo se entrena utilizando un conjunto de datos etiquetados. En este contexto, "etiquetado" significa que cada ejemplo de entrenamiento está asociado con una respuesta correcta o un valor objetivo. El objetivo del aprendizaje supervisado es que el modelo aprenda a predecir la etiqueta o el valor objetivo para nuevos datos no etiquetados".

Pero en pocas palabras, qué es el aprendizaje supervisado.

Proceso del aprendizaje supervisado

Recopilación de datos etiquetados: Se recopila un conjunto de datos donde cada ejemplo tiene una entrada (características) y una salida correspondiente (etiqueta).
División de los datos: Los datos se dividen en un conjunto de entrenamiento y un conjunto de prueba. El conjunto de entrenamiento se utiliza para entrenar el modelo, mientras que el conjunto de prueba se utiliza para evaluar su desempeño.
Entrenamiento del modelo: El modelo se entrena con el conjunto de datos de entrenamiento, ajustando sus parámetros para minimizar el error en las predicciones de las etiquetas.
Evaluación del modelo: Una vez entrenado, el modelo se evalúa utilizando el conjunto de prueba para verificar su precisión y capacidad de generalización a nuevos datos.
Predicción: El modelo entrenado se utiliza para hacer predicciones sobre nuevos datos no etiquetados.

El enfoque supervisado en el aprendizaje automático (ML) emplea conjuntos de datos etiquetados para entrenar algoritmos que clasifiquen datos o predigan resultados de manera precisa.

El modelo utiliza estos datos etiquetados para evaluar la importancia de las distintas características, mejorando gradualmente su capacidad de ajuste a los resultados conocidos. El aprendizaje supervisado se divide en dos categorías principales:

Analogía para entender el aprendizaje supervisado

Imagina que estás aprendiendo a identificar diferentes tipos de frutas. Alguien te da una caja con varias frutas y te dice qué tipo de fruta es cada una (manzana, plátano, naranja, etc.). Usas esta información para aprender las características de cada tipo de fruta (forma, color, tamaño, etc.). Una vez que has aprendido esto, te dan una nueva caja de frutas sin etiquetas y tu tarea es identificar correctamente el tipo de cada fruta basándote en lo que has aprendido.

Ejemplos de aprendizaje supervisado

Clasificación: Utiliza algoritmos para clasificar datos en segmentos particulares. Ejemplo: Determinar si un correo electrónico es spam o no spam.
Regresión: Utiliza algoritmos para medir la relación entre una variable dependiente y una o más variables independientes. Con los modelos de regresión, el usuario puede hacer predicciones de causa y efecto basadas en diversos puntos de datos. Ejemplo: Predecir el precio de una casa basándose en sus características, tamaño, ubicación, etc.

El aprendizaje supervisado es una de las técnicas más utilizadas en el aprendizaje automático debido a su eficacia en una amplia gama de aplicaciones.

Los algoritmos en la ciencia de datos permiten que las máquinas filtren, clasifiquen y agrupen información según diversos criterios. Al procesar y combinar estos datos, el aprendizaje automático (ML) es capaz de desarrollar modelos que predicen con precisión ciertos patrones de comportamiento humano y generan las respuestas adecuadas.

Aplicaciones

Detección de Fraude
Diagnóstico Médico
Reconocimiento de Voz e Imagen
Predicción de Demanda

Aprendizaje no supervisado

El aprendizaje no supervisado es una técnica en el campo del aprendizaje automático donde el modelo se entrena utilizando datos que no están etiquetados. Esto significa que el algoritmo intenta encontrar patrones, relaciones y estructuras en los datos sin una guía explícita sobre qué buscar. A diferencia del aprendizaje supervisado, no hay resultados conocidos para medir la precisión del modelo.

Características del Aprendizaje No Supervisado

Datos no etiquetados: Los algoritmos trabajan con datos sin etiquetas predefinidas, buscando descubrir estructuras internas.
Exploración de datos: Se enfoca en entender y explorar los datos, identificando patrones ocultos sin ninguna orientación específica.
Modelado de la distribución: Los modelos intentan capturar la distribución subyacente de los datos.

Tipos Principales de Aprendizaje No Supervisado

Agrupamiento (Clustering):

Descripción: Los algoritmos de agrupamiento dividen los datos en grupos o clústeres, de manera que los objetos en el mismo grupo son más similares entre sí que aquellos en otros grupos.

Ejemplo: K-means, DBSCAN, Hierarchical Clustering.

Aplicaciones: Segmentación de clientes, agrupamiento de documentos, análisis de patrones en imágenes.

Reducción de Dimensionalidad:

Descripción: Estos algoritmos transforman los datos de alta dimensionalidad a un espacio de menor dimensión, preservando la mayor cantidad posible de la información original.

Ejemplo: Análisis de Componentes Principales (PCA), t-Distributed Stochastic Neighbor Embedding (t-SNE).

Aplicaciones: Visualización de datos, compresión de datos, eliminación de ruido.

Asociación:

Descripción: Los algoritmos de asociación identifican relaciones interesantes entre variables en grandes bases de datos.

Ejemplo: Apriori, Eclat.

Ventajas

Permite descubrir patrones ocultos sin necesidad de datos etiquetados.
Es útil para explorar y entender grandes conjuntos de datos.

Desafíos

La interpretación de los resultados puede ser compleja.
La evaluación de la calidad del modelo es más difícil debido a la falta de etiquetas conocidas.
El aprendizaje no supervisado es una herramienta poderosa para extraer conocimiento de datos sin procesar, facilitando el descubrimiento de estructuras subyacentes y relaciones que no son evidentes a simple vista.

Analogía para entender el aprendizaje no supervisado

Imagina que entras en una biblioteca gigantesca sin ningún catálogo ni etiquetas en los libros. Tu objetivo es organizar los libros de manera que tengan sentido sin tener ninguna información previa sobre su contenido.

Paso 1: Exploración y Agrupamiento

Agrupamiento (Clustering):

Proceso: Comienzas a explorar los libros y a apilarlos en montones basándote en las similitudes que observas. Quizás agrupas libros que tienen portadas similares, títulos que mencionan temas parecidos o que parecen tener un estilo de escritura semejante.
Analogía: Este proceso es similar a cómo un algoritmo de agrupamiento (como K-means) organiza datos no etiquetados en clústeres de elementos similares.

Paso 2: Simplificación

Reducción de Dimensionalidad:
Proceso: Te das cuenta de que la biblioteca tiene demasiados libros y decides reducir la cantidad de detalles para entender mejor la colección. Tal vez te enfocas solo en las características más importantes, como el grosor del libro y el tamaño del título en la portada, para tener una vista simplificada de toda la biblioteca.
Analogía: Esto es similar a cómo el Análisis de Componentes Principales (PCA) reduce la dimensionalidad de los datos, permitiéndote visualizar y manejar mejor la información esencial.

Paso 3: Descubrimiento de Relaciones

Proceso: Al revisar los libros, notas que ciertos autores tienden a aparecer juntos o que ciertos temas tienden a repetirse en combinación. Por ejemplo, libros sobre cocina a menudo están cerca de libros sobre nutrición.
Analogía: Esto es como los algoritmos de asociación que encuentran patrones y relaciones frecuentes entre elementos de datos, como el algoritmo Apriori que descubre asociaciones en cestas de compra.

Ventajas:

Descubrimiento: Sin saber de antemano qué esperar, descubres patrones y agrupaciones interesantes que te ayudan a entender mejor la colección.
Flexibilidad: Puedes cambiar tus criterios y reorganizar los libros de diferentes maneras basándote en nuevas observaciones.

Desafíos:

Interpretación: Sin etiquetas claras, puede ser difícil entender por qué ciertos libros están agrupados juntos.
Evaluación: No tienes una manera objetiva de medir qué tan bien organizaste los libros ya que no hay una referencia previa.

Aplicaciones

Segmentación de Clientes
Análisis de Redes Sociales
Detección de Anomalías
Procesamiento del Lenguaje Natural

Conclusión

Aprendizaje Supervisado: El aprendizaje supervisado es una técnica en la que los modelos se entrenan utilizando conjuntos de datos etiquetados. Esta técnica se utiliza para clasificar datos o predecir resultados con alta precisión. A través del uso de datos etiquetados, los modelos aprenden a evaluar la relevancia de diversas características para mejorar su capacidad de ajuste a los resultados conocidos. Se puede aplicar en tareas de clasificación (como la detección de spam) y regresión (como la predicción de precios de viviendas).

Aprendizaje No Supervisado: El aprendizaje no supervisado, por otro lado, trabaja con datos no etiquetados y se centra en descubrir patrones y estructuras ocultas dentro de los datos. Los algoritmos de este enfoque agrupan datos en clústeres, reducen la dimensionalidad de los datos para simplificación y encuentran asociaciones entre variables. Esta técnica es útil para explorar datos sin una guía previa y para encontrar relaciones subyacentes en los datos.