Resultados del aprendizaje automático

Cuando planifique un abordaje para un problema de aprendizaje automático, comience con el objetivo en mente. Identifique el resultado que desea. El tipo de resultado que desea se relaciona de forma directa con el tipo de algoritmo que configurará el modelo de aprendizaje automático que usará.

Aquí, se describen los resultados frecuentes.

Resultado	Descripción
Regresión	En función de una o más variables de entrada, prediga la variable de resultado obtenida. La regresión estima cuánto impacto tienen dos variables cuantitativas entre sí. La regresión se puede utilizar para lo siguiente: - Realizar una predicción. Por ejemplo, en función de los patrones de crecimiento de un canal de YouTube, un algoritmo de regresión podría predecir el crecimiento en el número de suscriptores del propietario del canal. - Determinar si un valor sigue un patrón previsto. Por ejemplo, un investigador social podría encuestar a las personas que ganan diferentes salarios y pedirles que clasifiquen su felicidad y vean si hay una fuerte correlación entre el nivel salarial y la felicidad.
Clasificación	En función de una nueva instancia de datos, identificar la clase a la que pertenece. La meta puede ser colocar simplemente la instancia de datos en una clase o categoría predefinidas. Por ejemplo, el software de reconocimiento óptico de caracteres (OCR) puede utilizar la clasificación para clasificar un carácter como una letra conocida o desconocida.
Agrupación en clústeres	Sin ningún conocimiento previo de la estructura de un conjunto de datos, identifique los componentes que pertenecen a un grupo en común. Este resultado ayuda a revelar la composición y estructura de un conjunto determinado de datos. Cada clúster se caracteriza por un conjunto contenido de puntos de datos y un centroide de clúster. El centroide del clúster es básicamente la media (promedio) de todos los puntos de datos que contiene el clúster, en todas las características. Por ejemplo, los datos sobre la altura, el peso y la actividad física podrían usarse para agrupar a los miembros del plan de salud para que aquellos con mayor riesgo de enfermedad cardíaca puedan recibir intervenciones.

Nota: Es bastante común mezclar varios modos de aprendizaje y resultados en el curso de la realización de un flujo de trabajo de aprendizaje automático en particular. Por ejemplo, puede comenzar con un algoritmo no supervisado para seleccionar el conjunto mínimo de características necesarias (columnas) en el conjunto de datos de entrenamiento. A continuación, puede emplear un abordaje supervisado, como la regresión o la clasificación, para generar el modelo de aprendizaje automático real.