Técnicas de mineria de datos
por Cristian Valdes
1. Arboles de decisión
1.1. Son diagramas lógicos que plantean, cuáles son las opciones de intervención posibles, se basan en la aplicación de un algoritmo clasificatorio que, a partir de un nodo, desarrolla ramas (decisiones) y determina el potencial resultado de cada una de ellas.
2. Reglas de asociación
2.1. Persigue la inferencia de silogismos del tipo si/entonces a partir de conjuntos de registros. Esta búsqueda de regularidades nos permite discriminar y conocer mejor a una muestra.
3. Redes bayesianas
3.1. Son representaciones gráficas de relaciones de dependencia probabilística entre distintas variables. Sirven para dar solución tanto a problemas descriptivos como predictivos.
3.1.1. .
4. Regresión
4.1. Toma como punto de partida una serie histórica a través de este método, se localizan regularidades dentro de los datos que permiten trazar una línea de evolución extrapolable al futuro.
4.1.1. .
5. Perceptron multiple: Se añaden una o más capas ocultas, generalmente una capa oculta es suficiente, se permiten entradas continua. Las funciones de activación son de tipo sigmoide (puede ser lineal en la capa de salida), su principal ventaja e innovación es su algoritmo de aprendizaje.
5.1. .
6. Clustering
6.1. Tiene como objetivo la segmentación de elementos que presentan alguna característica definitoria en común. En este caso, el algoritmo atiende a condiciones de cercanía o similitud para hacer su trabajo.
7. Redes neuronales
7.1. Las redes neuronales son modelos que, a través del aprendizaje automático, intentan llenar los vacíos de interpretación en un sistema. Para ello imitan, en cierto modo, las conexiones entre neuronas
7.1.1. Perceptron simple: consta de una red con una capa de salida de n neuronas y otra de salida con m neuronas, utiliza señales binarias, tanto de entrada como de salida de las neuronas y su función de activación es de tipo signo
7.1.1.1. .
7.1.2. Kohonen: realiza una tarea de clasificación, ya que la neurona de salida activada ante una entrada representa la clase a la que pertenece dicha información de entrada, por tanto, esta red es especialmente útil para establecer relaciones entre conjuntos de datos.
7.1.2.1. .