Machine Learning

mapa mental de machine learning

Comienza Ya. Es Gratis
ó regístrate con tu dirección de correo electrónico
Machine Learning por Mind Map: Machine Learning

1. Cómo seleccionar la métrica de evaluación correcta para los modelos de aprendizaje automático

1.1. Cada modelo de aprendizaje automático intenta resolver un problema con un objetivo diferente utilizando un conjunto de datos diferente

1.1.1. Generalmente, las respuestas a la siguiente pregunta nos ayudan a elegir la métrica apropiada:

1.1.1.1. Tipo de tarea: ¿Regresión? ¿Clasificación?

1.1.1.2. Objetivo de negocio?

1.1.1.3. ¿Cuál es la distribución de la variable objetivo?

2. Selección de métricas de evaluación correcta para modelos de Machine Learning

2.1. principales métricas de clasificación:

2.1.1. Matriz de confusión o error

2.1.2. Precisión

2.1.3. Recall o sensibilidad o TPR (Tasa positiva real)

2.1.4. Especificidad o TNR (Tasa negativa real)

2.1.5. F1-Score

2.1.6. Área bajo la curva de funcionamiento del receptor (ROC) (AUC)

2.1.7. Pérdida logarítmica

3. "Aprendizaje no supervisado ó Aprendizaje automatico"

3.1. es una disciplina científica del ámbito de la Inteligencia Artificial que crea sistemas que aprenden automáticamente. Aprender en este contexto quiere decir identificar patrones complejos en millones de datos. La máquina que realmente aprende es un algoritmo

4. aprendizaje supervisado

4.1. es una técnica para deducir una función a partir de datos de entrenamiento. Los datos de entrenamiento consisten de pares de objetos (normalmente vectores): una componente del par son los datos de entrada y el otro, los resultados deseados.