UNIVERSIDAD DE LA RIOJA
Postgrado al que pertenece: Máster Universitario en Inteligencia Artificial
Denominación de la asignatura: Técnicas de Aprendizaje Automático
Contenido: BLOQUE 3. Modelos estadísticos y modelos no lineales
Guía de Estudio: TEMA 8. Aprendizaje supervisado. Clasifica...
UNIVERSIDAD DE LA RIOJA
Postgrado al que pertenece: Máster Universitario en Inteligencia Artificial
Denominación de la asignatura: Técnicas de Aprendizaje Automático
Contenido: BLOQUE 3. Modelos estadísticos y modelos no lineales
Guía de Estudio: TEMA 8. Aprendizaje supervisado. Clasificación con Naïve Bayes
Introducción
El aprendizaje supervisado es una técnica fundamental en el campo de la inteligencia artificial (IA)
y el aprendizaje automático (ML). Se basa en la utilización de un conjunto de datos etiquetados
para entrenar modelos que puedan hacer predicciones o tomar decisiones sin intervención
humana. En este contexto, uno de los algoritmos más conocidos y utilizados es el clasificador
Naïve Bayes. Este algoritmo se basa en el teorema de Bayes y asume una independencia
condicional entre las características del conjunto de datos. A continuación, se presenta una guía
detallada y técnica sobre este algoritmo, destacando sus características, ventajas, desventajas, y
recomendaciones para su uso.
Definición y Características
El clasificador Naïve Bayes es un modelo probabilístico que utiliza el teorema de Bayes para
predecir la clase de una instancia dada. La fórmula del teorema de Bayes se expresa como:
[ P ( C|X )=¿ { P ( X|C ) ⋅ P ( C ) }{ P ( X ) }]
donde ( P(C|X) ) es la probabilidad posterior de la clase ( C ) dada la instancia ( X ), ( P(X|C) ) es
la probabilidad de observar la instancia ( X ) dada la clase ( C ), ( P(C) ) es la probabilidad previa
de la clase ( C ), y ( P(X) ) es la probabilidad marginal de la instancia ( X ).
Una de las principales características del clasificador Naïve Bayes es la asunción de
independencia condicional entre las características (atributos) del conjunto de datos. Esto
significa que se considera que la presencia (o ausencia) de una característica no afecta la
presencia (o ausencia) de otra característica, dada la clase.
Ventajas y Desventajas
Ventajas:
1. Simplicidad y Rapidez: El algoritmo es fácil de implementar y computacionalmente
eficiente, ya que solo requiere el cálculo de probabilidades individuales.
2. Escalabilidad: Funciona bien con grandes conjuntos de datos y múltiples clases.
3. Robustez en Datos Ruidosos: Puede manejar datos ruidosos y faltantes de manera
efectiva.
4. Requiere Pocos Datos para Entrenamiento: Funciona bien incluso con conjuntos de
datos pequeños.
Los beneficios de comprar resúmenes en Stuvia estan en línea:
Garantiza la calidad de los comentarios
Compradores de Stuvia evaluaron más de 700.000 resúmenes. Así estas seguro que compras los mejores documentos!
Compra fácil y rápido
Puedes pagar rápidamente y en una vez con iDeal, tarjeta de crédito o con tu crédito de Stuvia. Sin tener que hacerte miembro.
Enfócate en lo más importante
Tus compañeros escriben los resúmenes. Por eso tienes la seguridad que tienes un resumen actual y confiable.
Así llegas a la conclusión rapidamente!
Preguntas frecuentes
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.
100% de satisfacción garantizada: ¿Cómo funciona?
Nuestra garantía de satisfacción le asegura que siempre encontrará un documento de estudio a tu medida. Tu rellenas un formulario y nuestro equipo de atención al cliente se encarga del resto.
Who am I buying this summary 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 this summary for 7,08 €. You're not tied to anything after your purchase.
