análisis multivariante - machine learning...análisis multivariante - machine learning author 00r...

Aprendizaje automatizado (ML)Clasificación supervisada

Clasificación no supervisada

Análisis multivarianteMachine Learning

00R Team

2016-17

00R Team Análisis multivariante



1 Aprendizaje automatizado (ML)

2 Clasificación supervisada

3 Clasificación no supervisada




Aprendizaje automatizado (ML)




Definiciones

Conjunto de herramientas para transformar datos enconocimiento.Conjunto de técnicas que permitan a las máquinas aprender.Conjunto de algoritmos que permitan a la máquina adaptarse anuevos datos a partir del conocimiento obtenido de datosanteriores.




Pasos para aplicar ML

Recoger y almacenar datosExplorar y preparar los datosEntrenar al clasificador con nuestros datosEvaluar el desempeño del modeloMejorarlo si fuese necesario

Una vez completados estos pasos, nuestro modelo puede serimplementado en la clasificación de nuevos datos




Clasificación de los algoritmos

Clasificación supervisadaKNN, Random Forest, SVM, ANN, Naïve Bayes.

Clasificación no supervisadaK-means, clustering jerárquico




KNNSVMNaïve BayesRedes Neuronales artificiales

Clasificación supervisada





Figura 1





KNN





Introducción

K-Nearest Neighbours (Los k vecinos más próximos)Algoritmo de clasificación supervisadaBasado en distancias. Generalmente la distancia Euclídea

dist(p, q) =√

(p1 − q1)2 + (p2 − q2)2 + ... + (pn − qn)2





Figura 2





Figura 3





¿Cuántos vecinos?

Figura 400R Team Análisis multivariante




¿Cuántos vecinos?

No hay una única regla:

K = n12

Cross-Validation. . .





SVM





Introducción

Conjunto de datos etiquetadosConstrucción de un modeloDado un nuevo dato de etiqueta desconocidaModelo es capaz de predecir a que clase pertenece





Introducción

SVM busca un límite o frontera entre clases –> HiperplanoSepara las diferentes clases en regiones.

Figura 5





¿Qué hiperplano elijo?





Figura 7





Figura 8





Función kernel

Realiza una transformación sobre los datos para simplificar elaprendizaje

Tipos de funciones Kernel:

Polinomial: K(xi, xj) = (xixj)n

Perceptrón: K(xi, xj) = ‖xixj‖

Base radial Gaussiana: K(xi, xj) = e−(xi−xj)2

2σ2

Sigmoidal: K(xi, xj) = tanh(xi · xj −Θ)





Función kernel

Figura 10





Naïve Bayes





Probabilidad de un evento

P (X) = Casos favorablesCasos posibles

Probabilidad de que al tirar un dado salga un 3:

P (X = 3) = 16





Probabilidad condicionada

Probabilidad de que suceda un evento cuando ya ha sucedido otro:

P (Y | X)

Probabilidad de que Y tome un valor determinado cuando X ya hatomado uno.

Ejemplo: probabilidad de obtener un 10 entre dos dados cuando elprimero ha salido 4

P (Y = 10 | X = 4)





Teorema de Bayes

Basado en el Teorema de Bayes:

P (Y | X) = P (X | Y ) P (Y )P (X)





En castellano

P (posteriori) = P (probabilidad condicional) P (a priori)P (total)





Teorema de bayes

Ejemplo: determinar si jugaremos al tenis en función del tiempo.

Cielo Temperatura Humedad Viento Jugar

Soleado Calor Alta Si NoSoleado Calor Alta No SiSoleado Templado Baja Si SiNublado Frio Baja No SiNublado Calor Normal No SiNublado Frio Alta Si NoLLuvia Templado Alta No No





Probabilidades

¿Jugaremos al tenis (Y ) un día nublado, frío, con humedad alta ysin viento (X)?

P (Y = Si | Xv1,v2,v3,v4) =P (X | Y )vi · P (Y )

P (total)





La hora de la verdad

¿Jugaremos?

P (Y = Si | Xv1,v2,v3,v4) =2/4 · 1/4 · 1/4 · 1/4 · 4/7 = 0,024

0,024 + 0,21 = 0,103

P (Y = No | Xv1,v2,v3,v4) =1/3 · 1/3 · 3/3 · 2/3 · 3/7 = 0,21

0,024 + 0,21 = 0,897





Redes Neuronales artificiales





Introducción

Paradigma de aprendizaje automatizado inspirado en sistemasnerviosos biológicos





Introducción





Perceptrón

La unidad básica es el perceptrón





Componentes

N entradas, x1, ..., xnCada entrada con un peso x, x1, ..., xnUn nodo de entrada extra llamada bias (intercepto)Suma de las entradas ponderada por sus pesos:

y =∑

x0w0, ..., xnwn

Función de activación p.e.:

fa(x) = 1 si y > 0, fa(x) = −1 si x ≤ 0





Componentes

Figura 13





Red neuronal de internet.

Figura 14

Los nodos son routers y las sinapsis conexiones físicas de redes00R Team Análisis multivariante


Clasificación no supervisadaK-means





K-means




Clasificador no supervisado

No necesita datos etiquetados





Crea grupos internamente homogéneos





Etiqueta los grupos





Asigna nuevas observaciones al grupo de mayor similitud


Aprendizaje automatizado (ML)Clasificación supervisadaKNNSVMNaïve BayesRedes Neuronales artificiales


análisis multivariante - machine learning...análisis multivariante - machine learning author 00r...

Documents