TEMA 10. Aprendizaje supervisado. Regresión y clasificación con random forests
4 views 0 purchase
Course
Técnicas de Aprendizaje Automático
Institution
UNIR Business School
UNIVERSIDAD DE LA RIOJA
Postgrado al que pertenece: Máster Universitario en Inteligencia Artificial
Denominación de la asignatura: Técnicas de Aprendizaje Automático
Contenido: BLOQUE 4. Modelos de ensamble
Guía de Estudio: TEMA 10. Aprendizaje supervisado. Regresión y clasificación con ...
UNIVERSIDAD DE LA RIOJA
Postgrado al que pertenece: Máster Universitario en Inteligencia Artificial
Denominación de la asignatura: Técnicas de Aprendizaje Automático
Contenido: BLOQUE 4. Modelos de ensamble
Guía de Estudio: TEMA 10. Aprendizaje supervisado. Regresión y clasificación con random
forests
Introducción
El aprendizaje supervisado es una subcategoría del aprendizaje automático que se basa en el
uso de datos etiquetados para entrenar modelos que pueden hacer predicciones o clasificaciones.
Dentro de este contexto, los modelos de ensemble, como los random forests, son técnicas
avanzadas que combinan múltiples modelos individuales para mejorar la precisión y la robustez
de las predicciones. Este documento abordará en detalle el uso de random forests tanto para
tareas de regresión como de clasificación, proporcionando una guía técnica y avanzada para su
aplicación.
Definición
Random Forests son un tipo de modelo de ensemble que utiliza una colección de árboles de
decisión entrenados de manera independiente sobre diferentes subconjuntos del conjunto de
datos. La predicción final se obtiene a través de la agregación de las predicciones individuales de
estos árboles, ya sea mediante promediación (en el caso de la regresión) o votación mayoritaria
(en el caso de la clasificación).
Características
1. Bootstrap Aggregation (Bagging): Los random forests utilizan el método de bagging,
donde cada árbol se entrena con una muestra aleatoria con reemplazo del conjunto de
datos original.
2. Selección Aleatoria de Características: En cada nodo de un árbol, se selecciona un
subconjunto aleatorio de características en lugar de considerar todas las características, lo
que introduce una mayor diversidad en los modelos.
3. Reducción del Overfitting: La combinación de múltiples árboles reduce la varianza del
modelo y, por ende, el riesgo de sobreajuste.
Ventajas
1. Robustez y Precisión: Los random forests son menos propensos a sobreajustarse en
comparación con los árboles de decisión individuales y suelen ofrecer una mayor precisión.
2. Manejo de Datos Faltantes: Pueden manejar datos faltantes y mantener una buena
precisión sin necesidad de imputación previa.
3. Escalabilidad: Son escalables y pueden manejar grandes conjuntos de datos y un gran
número de características.
Desventajas
1. Complejidad Computacional: El entrenamiento de múltiples árboles puede ser
computacionalmente costoso y consumir tiempo y recursos.
The benefits of buying summaries with Stuvia:
Guaranteed quality through customer reviews
Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.
Quick and easy check-out
You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.
Focus on what matters
Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!
Frequently asked questions
What do I get when I buy this document?
You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.
Satisfaction guarantee: how does it work?
Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.
Who am I buying these notes from?
Stuvia is a marketplace, so you are not buying this document from us, but from seller ma_medina. Stuvia facilitates payment to the seller.
Will I be stuck with a subscription?
No, you only buy these notes for $7.16. You're not tied to anything after your purchase.
