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 7. 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 7. Aprendizaje supervisado. Clasificación con máquinas vector de
soporte
Introducción
El aprendizaje supervisado es una rama fundamental de la inteligencia artificial y el aprendizaje
automático, donde un modelo es entrenado utilizando un conjunto de datos etiquetados. Dentro
de este contexto, las máquinas de vector de soporte (SVM) son una técnica poderosa y
ampliamente utilizada para tareas de clasificación. Este documento ofrece una guía detallada y
técnica sobre el aprendizaje supervisado y la clasificación con SVM, incluyendo definiciones,
características, ventajas, desventajas, y recomendaciones para su implementación.
Aprendizaje Supervisado
Definición
El aprendizaje supervisado es un tipo de aprendizaje automático en el cual el modelo es
entrenado con un conjunto de datos etiquetados, es decir, cada muestra de entrada está asociada
con una etiqueta de salida conocida. El objetivo es aprender una función que mapee las entradas
a las salidas correctas con la mayor precisión posible.
Características
Etiquetado: Requiere un conjunto de datos de entrenamiento donde cada entrada está
etiquetada con la salida correspondiente.
Función de pérdida: Utiliza una función de pérdida para medir la diferencia entre las
predicciones del modelo y las etiquetas reales.
Generalización: El modelo debe ser capaz de generalizar el conocimiento adquirido
durante el entrenamiento a datos no vistos.
Ventajas
Precisión: Tiende a ser más preciso debido a la utilización de datos etiquetados.
Diagnóstico: Facilita la identificación de errores y la mejora del modelo.
Aplicaciones diversas: Utilizable en una amplia variedad de aplicaciones, desde
reconocimiento de voz hasta diagnóstico médico.
Desventajas
Necesidad de datos etiquetados: La obtención de datos etiquetados puede ser costosa y
laboriosa.
Sobreajuste: Riesgo de sobreajuste si el modelo es demasiado complejo.
Escalabilidad: Puede ser menos eficiente en grandes conjuntos de datos sin técnicas de
optimización adecuadas.
, Máquinas de Vector de Soporte (SVM)
Definición
Las máquinas de vector de soporte son un conjunto de métodos de aprendizaje supervisado
utilizados para problemas de clasificación y regresión. Su objetivo es encontrar el hiperplano que
mejor separa las clases en el espacio de características.
Características
Márgenes máximos: SVM busca maximizar el margen entre las clases, es decir, la
distancia entre el hiperplano de separación y los puntos más cercanos de cada clase.
Vectores de soporte: Sólo los puntos más cercanos al hiperplano (vectores de soporte)
son necesarios para definir el hiperplano de separación.
Kernels: Utiliza funciones kernel para manejar datos no linealmente separables al
transformar el espacio de características.
Ventajas
Eficiencia en alta dimensión: Funciona bien en espacios de alta dimensión y es eficaz
incluso cuando el número de dimensiones es mayor que el número de muestras.
Uso de kernels: Permite la clasificación de datos no linealmente separables mediante la
transformación del espacio de características.
Generalización: Tiende a tener una buena capacidad de generalización debido a su
enfoque en el margen máximo.
Desventajas
Complejidad computacional: El entrenamiento de SVM puede ser computacionalmente
costoso, especialmente con grandes conjuntos de datos.
Selección de kernels: La elección adecuada de la función kernel y sus parámetros es
crucial y puede no ser trivial.
No probabilístico: SVM no proporciona directamente probabilidades de pertenencia a
clases.
Recomendaciones
Preprocesamiento: Asegúrese de escalar las características antes de aplicar SVM para
evitar que algunas características dominen sobre otras.
Selección de kernels: Experimente con diferentes funciones kernel (lineal, polinómico,
radial) y use validación cruzada para seleccionar la mejor.
Optimización de hiperparámetros: Utilice técnicas como la búsqueda en cuadrícula o la
optimización bayesiana para ajustar los hiperparámetros del modelo.
Evaluación: Evalúe el modelo utilizando métricas adecuadas como precisión, recall y la
curva ROC para asegurar un buen rendimiento.
Conclusiones
El aprendizaje supervisado y las máquinas de vector de soporte son herramientas esenciales en
el campo de la inteligencia artificial y el aprendizaje automático. Mientras que el aprendizaje
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.
