Cuatro técnicas de aprendizaje automático con Python

4 Técnicas de aprendizaje automático con Python

Técnicas de aprendizaje automático vs Algoritmos

Si bien este tutorial está dedicado a las técnicas de aprendizaje automático con Python, nos moveremos a los algoritmos muy pronto. Pero antes de que podamos comenzar a centrarnos en técnicas y algoritmos, averigüemos si son lo mismo.

Una técnica es una forma de resolver un problema. Esto es bastante genérico como un término. Pero cuando decimos que tenemos un algoritmo queremos decir que tenemos una entrada y deseamos cierta salida de ella. Hemos definido claramente los pasos a seguir para llegar allí. Haremos lo posible para decir que un algoritmo puede usar múltiples técnicas para llegar a la salida.

Ahora que hemos distinguido entre las dos, veamos más sobre las técnicas de aprendizaje automático.

Técnicas de aprendizaje automático con Python

Las Técnicas de aprendizaje de la máquina de Python son 4 tipos, discutámoslas:

a. Regresión de aprendizaje automático

El diccionario le dirá que retroceder es regresar a un estado anterior, que a menudo está menos desarrollado. En los libros de estadísticas, encontrará que la regresión es una medida de cómo la media de una variable y los valores correspondientes de otros valores se relacionan entre sí. Pero hablemos de ello cómo lo verá.

Técnicas de aprendizaje de la máquina de Python – Regresión de aprendizaje de la máquina

i. Regresando a la media

Francis Galton, medio primo de Charles Darwin, observó los tamaños de los guisantes dulces durante generaciones. Lo que concluyó fue que dejar que la naturaleza haga su trabajo dará como resultado una gama de tamaños. Pero si criamos los guisantes de manera selectiva para el tamaño, lo hacen para los más grandes. Con la naturaleza en el volante, incluso los guisantes más grandes comienzan a producir descendientes más pequeños con el tiempo. Tenemos un tamaño determinado para los guisantes que varía, pero podemos asignar estos valores a una línea o curva específica.

ii. Otro ejemplo: Monkeys and Stocks

En 1973, Burton Malkiel, profesor de la Universidad de Princeton, presentó una reclamación en su libro. A Random Walk Down Wall Street, que fue un éxito de ventas, insistió en que un mono con los ojos vendados podría hacer un trabajo igualmente bueno como expertos en la selección de una cartera lanzando dardos en las páginas financieras de un periódico. En tales competiciones de selección de valores, los monos han vencido a los profesionales. Pero esto fue por una o dos veces. Con suficientes eventos, el rendimiento de los monos disminuye; regresa a la media.

Técnicas de aprendizaje de la máquina de Python – Monos y stocks

iii.

En esta gráfica, la línea se ajusta mejor a todos los datos marcados por los puntos. Usando esta línea, podemos predecir qué valores encontraremos para x = 70 (con un grado de incertidumbre).

Técnicas de aprendizaje automático con Python – Qué es la regresión del aprendizaje automático

Como técnica de aprendizaje automático, La regresión encuentra su fundamento en el aprendizaje supervisado. Lo usamos para predecir un objetivo continuo y numérico y comienza trabajando en los valores de conjunto de datos que ya conocemos. Compara los valores conocidos y predichos y etiqueta la diferencia entre los valores esperados y predichos como error / residual.

iv. Tipos de regresión en el aprendizaje automático

Generalmente observamos dos tipos de regresión-

• Regresión lineal: cuando podemos denotar la relación entre un objetivo y un predictor en una línea recta, utilizamos la regresión lineal-

y = P1x + P2 + e

• Regresión no lineal: cuando observamos una relación no lineal entre un objetivo y un predictor, no podemos denotarlo como una línea recta.

b. Clasificación de aprendizaje automático

i. ¿Qué es la Clasificación de aprendizaje automático?

La clasificación es una técnica de minería de datos que nos permite predecir la pertenencia a grupos para las instancias de datos. Esto utiliza datos etiquetados de antemano y cae bajo aprendizaje supervisado. Esto significa que entrenamos datos y esperamos predecir su futuro. Por “predicción”, queremos decir que clasificamos los datos en las clases a las que pueden pertenecer. Tenemos dos tipos de atributos disponibles:

• Atributo de salida: Aka Dependiente del atributo.
• Atributo de entrada: Aka: atributo independiente.

ii. Métodos de clasificación

• Inducción del árbol de decisión: construimos un árbol de decisión de la clase etiquetada tuplas . Esto tiene nodos internos, ramas y nodos de hoja. Los nodos internos denotan la prueba en un atributo, las ramas, el resultado de la prueba y los nodos de hoja, la etiqueta de clase. Los dos pasos involucrados son el aprendizaje y la prueba, y estos son rápidos.
• Clasificación basada en reglas: esta clasificación se basa en un conjunto de reglas IF-THEN. Una regla se denota como-

IF condición ENTONCES conclusión

• Clasificación por Backpropagation- El aprendizaje de redes neuronales, a menudo llamado aprendizaje conexionista, crea conexiones. Backpropagation es un algoritmo de aprendizaje de redes neuronales, uno de los más populares. Procesa iterativamente los datos y compara el valor objetivo con los resultados para aprender.
• Aprendices perezosos: en un enfoque de aprendiz perezoso, la máquina almacena la tupla de entrenamiento y espera una tupla de prueba. Esto apoya el aprendizaje incremental. Esto contrasta con el enfoque de aprendizaje temprano.

iii. Ejemplo de clasificación ML

Tomemos un ejemplo. Considera que estamos aquí para enseñarte sobre diferentes tipos de códigos. Le presentamos los códigos de barras de la ITF, códigos de barras del código 93, códigos QR, aztecas y matrices de datos, entre otros. Una vez que haya leído la mayoría de los ejemplos, ahora es su turno de identificar el tipo de código que es cuando le mostramos uno. Esto es aprendizaje supervisado y usamos partes de los ejemplos de ambos, entrenamiento y pruebas.
Observe cómo algunas estrellas de cada tipo terminan en el otro lado de la curva.

Técnicas de aprendizaje automático con Python – Ejemplo de clasificación ML

c. Clustering

Clustering es una clasificación no supervisada. Este es un análisis exploratorio de datos sin datos etiquetados disponibles. Con la agrupación en clúster, separamos los datos sin etiquetar en conjuntos finitos y discretos de estructuras de datos que son naturales y ocultas. Observamos dos tipos de agrupación en clúster:

• Hard Clustering: un objeto pertenece a un solo agrupamiento.
• Soft Clustering: un objeto puede pertenecer a múltiples agrupaciones.

En el agrupamiento, primero seleccionamos las características y luego diseñamos la agrupación. Algoritmo y luego validar los clusters. Finalmente, interpretamos los resultados.
a. Ejemplo
Recuerde el ejemplo en la sección b.iii. Podrías agrupar estos códigos juntos. El código QR, Aztec y Data Matrix estarían en un grupo, podríamos llamar a estos códigos 2D. Los códigos de barras de la ITF y los códigos de barras del Código 39 se agruparían en una categoría de “Códigos 1D”. Así es como se ve un clúster:

Técnicas de aprendizaje automático con Python – Clustering

d. Detección de anomalías

Una anomalía es algo que se desvía de su curso esperado. Con el aprendizaje automático, a veces, es posible que deseamos detectar un valor atípico. Un ejemplo sería detectar un relleno de dentista 85 empastes por hora. Esto equivale a 42 segundos por paciente. Otra sería encontrar una factura de dentista en particular solo los jueves. Estas situaciones generan sospechas y la detección de anomalías es una excelente manera de resaltar estas anomalías, ya que no es algo que estemos buscando específicamente.

Por lo tanto, todo esto fue sobre Técnicas de aprendizaje automático con Python. Espero que les guste nuestra explicación.

Conclusión

Por lo tanto, en este tutorial, aprendimos cuatro técnicas de aprendizaje automático con Python: regresión, clasificación, agrupación y detección de anomalías. Además, si tiene alguna consulta, no dude en preguntar en el cuadro de comentarios.

También puede consultar –

• Python ML – Aplicación
• Python ML – Algoritmo [19659053] 4 Técnicas de aprendizaje automático con Python se publicó originalmente en Hacia la ciencia de datos en Medio, donde las personas continúan la conversación resaltando y respondiendo a esta historia.