Machine Learning / Inteligencia Artificial
Pros y Contras de los Modelos de Clasificación
22 de diciembre de 2020 / Machine-Learning / IA, Inteligencia Artificial, Machine-Learning, Modelos de Clasificación
Un resumen con los pros y contras que conlleva cada modelo de clasificación
Bosques aleatorios para regresión
Regresión con bosques aleatorios Bosques aleatorios Versión mejorada del árbol de regresión ya que es capaz de utilizar miles de árboles de regresión para obtener una mejor predicción. Pasos a
Árboles de decisión para Regresión Lineal
CART -> Classification and Regressión Tree Una vez ejecutamos nuestro algoritmo árbol de decisión, el conjunto de datos de las variables independientes quedará dividido en segmentos. Básicamente se fija en
Regresión con máquina de soporte vectorial
Regresión con máquina de soporte vectorial SVR Sirven tanto para regresiones lineales como no lineales. La idea es ajustar una calle, he intentar mantener cuántas más obvervaciones posibles del conjunto
Regresión Lineal Multiple
Restriciones de la Regresión Lineal Linealidad Homoceadasticidad Normalidad Multivariable Independencia de los errores Ausencia de multicolinealidad. El modelo es incapaz de distinguir los efectos de una variable dummy. Variable Dummy
Regresión Lineal Simple
Vamos a intentar predecir y crear un modelo lineal, regresión lineal simple. Buscará todas las rectas posibles y nos dirá cuál es la recta que más se acerca la distancia
Modelos de predicción y clasificación Machine-Learning
Machine Learning cuenta con distintos modelos ya sea para la predicción de datos como para la clasificación de estos. Os dejamos los modelos principales: Regresión. Regresión Lineal Simple Regresión Lineal
PreProcesado de Datos
Introducción Tenemos una serie de datos, ya observados, la idea es suministrar estos datos al machine-learning y la máquina va intentar aprender rasgos y patrones a partir de las variables