Extracto Del Libro

109
Capítulo 4
Principales algoritmos de
Machine Learning
1. Lo que vamos a descubrir y requisitos
Principales algoritmos de Machine Learning
En el capítulo anterior hemos aprendido o repasado los fundamentos del análi-

sis estadístico descriptivo que, como veremos con la práctica, nos permitirán
comprender y preparar nuestros datos antes del aprendizaje. Ahora vamos a
conocer los algoritmos principales de Machine Learning que nos permitirán
hacer este aprendizaje.
Recuerde que nuestro objetivo al escribir este libro es difundir los conceptos
de la inteligencia artificial. Por lo tanto, no incluiremos las explicaciones
teóricas ni matemáticas de todos los algoritmos de aprendizaje.
Nos quedaremos con una explicación lo más explícita posible ilustrada con
uno o varios ejemplos si es necesario. Haciendo una comparación con el mun-
do del bricolaje, vamos a presentarle las distintas herramientas que hay que
utilizar en función del trabajo que vamos a hacer, pero no le explicaremos
cómo se han fabricado.
110 Inteligencia artificial fácil
Machine Learning y Deep Learning prácticos
Le recomendamos que considere este capítulo como un cuaderno de notas que

puede consultar conforme vaya leyendo para entender por qué utilizamos uno
u otro algoritmo y comprender su funcionamiento a grandes rasgos.
Observación
Requisitos necesarios para abordar este capítulo correctamente: haber leído
el capítulo Estadísticas para comprender los datos.
2. ¿Supervisado o no supervisado?
¿Regresión o clasificación?
Realizar un aprendizaje supervisado consiste en proporcionarle a la máquina
datos etiquetados y propicios para el aprendizaje. Es decir, que vamos a anali-
zar y preparar los datos y a darles un significado. La máquina realizará su
aprendizaje a partir de este significado. El objetivo es indicarle a la máquina
que, para una serie de datos y para una observación precisa, el valor que se ha
de predecir es un gato, un perro u otro valor.
Cuando se trata de predecir un valor, hablaremos de regresión; en caso
contrario hablaremos de clasificación. Predecir el porcentaje de éxito de un
equipo de fútbol durante un partido es una regresión; predecir que la foto mos-
trada es un gato o un perro es una clasificación.
3. Los algoritmos de aprendizaje supervisados

por la regresión (predicción de valores)
3.1 Regresión lineal simple (linear regression)
© Editions ENI - All rights reserved

Este algoritmo busca establecer, en la forma de una recta, una relación entre
una variable explicada y una variable explicativa. Por ejemplo, predecir una
nota de un examen (variable explicada) en función del número de horas de
revisiones (variable explicativa).
Principales algoritmos de Machine Learning 111
Capítulo 4
En otras palabras, los datos de una serie de observaciones se representan en la

forma de una nube de puntos y se busca encontrar una recta que pase lo más
cerca posible de estos puntos.
Regresión lineal simple

De esta manera, conociendo la cantidad de horas de estudio, podemos predecir
de manera aproximada la nota que se obtendrá en el próximo examen.
3.2 Regresión lineal múltiple

(Multiple Linear Regression-MLR)
Allí donde utilizamos una sola variable explicativa para explicar otra variable
(una nota en función del tiempo de estudio), en la regresión lineal vamos a uti-
lizar varias variables explicativas.
Por ejemplo, queremos predecir el tiempo que va a invertir un ciclista para
ganar una etapa del Tour de Francia, en función de su edad, del tiempo que ha
invertido en hacer la etapa anterior, de su clasificación en el pelotón y otros
datos.
Una fase importante durante el uso de múltiples variables explicativas es su
normalización (adaptación de la escala). En nuestro ejemplo, es posible que
el tiempo invertido en minutos durante la etapa precedente varíe de 160 a 200,
y la posición en el pelotón, entre 1 y 80 en función de la cantidad de partici-
pantes en el Tour de Francia.
Por lo tanto, no todas las variables explicativas están en la misma escala (de
160 a 200 frente a de 1 a 80).
La adaptación a la escala (scaling) consistirá en conseguir que la media de
cada serie de observaciones sea igual a 0, y que la varianza y la desviación típica
sean iguales a 1. Este método también se llama centrar una variable.
Después de esta fase podemos pasar a la predicción gracias al método de des-
censo del gradiente o también al método de los mínimos cuadrados.
Estos dos métodos toman en cuenta las distintas variables explicativas que se
ponen a escala con objeto de predecir la variable explicada.
3.3 Método de descenso del gradiente
Este concepto es fundamental porque se aplica en varios algoritmos de apren-

dizaje de Machine Learning y de Deep Learning que veremos un poco más ade-
lante en este libro.
Cuando un sistema está en fase de aprendizaje, comete errores. El índice de
error disminuye conforme avanza el aprendizaje. Pero es posible que, en un
momento dado, el error aumente para volver a disminuir y alcanzar un nivel
de error más bajo que el anterior, que es el nivel óptimo de aprendizaje.

El descenso del gradiente
Principales algoritmos de Machine Learning 113
Capítulo 4
En la figura anterior podemos comprobar que al principio del aprendizaje el

error disminuye de manera progresiva para remontar a continuación. En-
tonces diríamos que se ha alcanzado el nivel óptimo de aprendizaje, puesto
que aparecen errores nuevos. Sin embargo, se puede notar que, después de
nuevas iteraciones de aprendizaje, el error sigue disminuyendo para alcanzar
un nivel inferior al precedente, llamado mínimo global. Por lo tanto, no se
había alcanzado el nivel óptimo de aprendizaje.
El algoritmo del gradiente consiste en encontrar mediante sucesivas itera-
ciones el mínimo global de la función de coste (error). Utilizando una analogía
a menudo empleada en la literatura, imagínese en lo alto de una montaña con
el objetivo de llegar a la llanura más abajo. Con cada paso analiza su situación
y decide avanzar algunos pasos, sale para volver a subir y tomar el camino que
lleva a la meta. El gradiente corresponde a la pendiente del suelo sobre el que
camina. De la misma manera, el paso lleva el índice de aprendizaje. Veremos
su aplicación práctica en el capítulo La predicción con neuronas.
3.4 Regresión polinomial (polynomial regression)
A veces es difícil encontrar una recta que pueda pasar entre los puntos de la
serie de observaciones de manera óptima. Sin embargo, en ocasiones es posible
encontrar un vínculo entre las variables con ayuda de una curva. Es lo que per-
mite la regresión polinomial añadiendo pliegues a la curva usando elementos
llamados polinomios.
Regresión polinomial
3.4.1 Monomio y polinomio

Un monomio es una expresión matemática que se expresa con esta forma:
xn
Donde:
– ɑ (alfa) es un número real o complejo llamado coeficiente del monomio.
– n es un número entero natural que representa el grado del monomio.
Entonces, 5x2 es un monomio de coeficiente 5 y de grado 2.

Un polinomio es una suma de monomios.
Por lo tanto, se puede decir que 5x2 + 2x es un polinomio.
3.5 Regresión logística
Como acabamos de ver, cuando los datos no se pueden separar de manera

lineal, se pueden utilizar polinomios para darle a nuestra recta la posibilidad
de hacer curvas con la finalidad de separar nuestras observaciones.
La regresión logística utiliza una función logística llamada sigmoide o curva S.
Este tipo de algoritmo está destinado a aplicarse en los problemas de clasifi-
cación.
Hablaremos más detalladamente de la función sigmoide cuando expliquemos
las aplicaciones prácticas de las redes neuronales.

Extracto Del Libro

Cargado por

Copyright:

Formatos disponibles

Extracto Del Libro

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Extracto Del Libro

Cargado por

Copyright:

Formatos disponibles

109

En el capítulo anterior hemos aprendido o repasado los fundamentos del análi-

Le recomendamos que considere este capítulo como un cuaderno de notas que

3. Los algoritmos de aprendizaje supervisados

3.1 Regresión lineal simple (linear regression)

© Editions ENI - All rights reserved

En otras palabras, los datos de una serie de observaciones se representan en la

Regresión lineal simple

3.2 Regresión lineal múltiple

3.3 Método de descenso del gradiente

Este concepto es fundamental porque se aplica en varios algoritmos de apren-

© Editions ENI - All rights reserved

En la figura anterior podemos comprobar que al principio del aprendizaje el

3.4 Regresión polinomial (polynomial regression)

3.4.1 Monomio y polinomio

Entonces, 5x2 es un monomio de coeficiente 5 y de grado 2.

Por lo tanto, se puede decir que 5x2 + 2x es un polinomio.

3.5 Regresión logística

Como acabamos de ver, cuando los datos no se pueden separar de manera

© Editions ENI - All rights reserved

También podría gustarte