En el campo del aprendizaje automático, los algoritmos de regresión y los algoritmos de clasificación son dos temas importantes que sientan una buena base para las personas que desean avanzar en sus carreras en los campos de la ciencia de datos o el aprendizaje automático. Los algoritmos de regresión son métodos que predicen una salida continua (p. ej., el precio de una casa), y los algoritmos de clasificación son métodos que predicen etiquetas o clases para los datos de entrada dados (p. ej., spam o no spam).
A los efectos de este artículo, nos centraremos en los modelos de aprendizaje automático para la clasificación.
UTILICE ANÁLISIS Y APRENDIZAJE AUTOMÁTICO PARA RESOLVER PROBLEMAS EMPRESARIALES
Aprenda nuevas habilidades de análisis y aprendizaje automático que puede poner en acción de inmediato con nuestro programa de capacitación en línea.
¿Debo usar un algoritmo de clasificación lineal o no lineal?
Para segregar los datos de entrada en diferentes clases, necesitamos un hiperplano o un límite de decisión que ayude a clasificar los puntos de datos de entrada. Si los datos de entrada se pueden segregar dibujando una línea recta, entonces podemos usar un modelo lineal, y si los datos de entrada no se pueden segregar con una línea recta, entonces necesitaríamos usar un modelo no lineal.
¿Qué tipos de algoritmos puedo usar para la clasificación?
- Regresión logística: En este algoritmo, las probabilidades logarítmicas del resultado se modelan como una combinación lineal de los datos o variables de entrada. Es vulnerable al sobreajuste.
- Máquinas de vectores de soporte lineal (SVM): SVM lineal también se utiliza para la clasificación y funciona bien para datos de entrada relacionados con el texto. El riesgo de sobreajuste es menor en SVM.
- Clasificador de árboles de decisión: Este es un algoritmo basado en un árbol no lineal: una serie de declaraciones condicionales que segregan los datos de entrada en grupos similares. Comienza con un nodo raíz y luego se ramifica como un árbol en nodos de decisión y nodos hoja. Es propenso al sobreajuste.
- Clasificador de bosque aleatorio: Este algoritmo no lineal consiste en una gran cantidad de árboles de decisión individuales que operan como un conjunto. Todos los árboles individuales votan colectivamente por el resultado o la predicción. El riesgo de sobreajuste es menor en un bosque aleatorio.
- Clasificador XGBoost: Un algoritmo no lineal, un clasificador XGBoost presenta una gran cantidad de árboles de decisión individuales que funcionan como un conjunto. Los árboles se construyen en una secuencia tal que cada árbol subsiguiente reduce el error del árbol anterior. El sobreajuste se puede evitar utilizando un enfoque de parada temprana.
¿Qué métricas debo usar para evaluar el rendimiento del modelo clasificador?
Hay varias métricas que puede usar para evaluar el rendimiento de un clasificador en función del problema que está tratando de resolver. Las métricas más comunes utilizadas son precisión, recuperación, puntuación F1 y exactitud. En algunos casos, la precisión puede ser más importante que recordar o viceversa.
Conclusión
En resumen, seleccionar el modelo de clasificación correcto es una compensación entre el rendimiento, el tiempo de ejecución de los modelos y la escalabilidad. Además, se debe prestar atención al ajuste de parámetros para optimizar aún más el rendimiento del modelo.
