{"id":5616,"date":"2020-09-21T14:23:47","date_gmt":"2020-09-21T17:23:47","guid":{"rendered":"https:\/\/tatic.net\/como-elegir-el-algoritmo-ideal-para-el-aprendizaje-automatico\/"},"modified":"2021-02-18T15:13:32","modified_gmt":"2021-02-18T18:13:32","slug":"como-elegir-el-algoritmo-ideal-para-el-aprendizaje-automatico","status":"publish","type":"post","link":"https:\/\/tatic.net\/es\/blog\/como-elegir-el-algoritmo-ideal-para-el-aprendizaje-automatico\/","title":{"rendered":"C\u00f3mo elegir el algoritmo ideal para el aprendizaje autom\u00e1tico"},"content":{"rendered":"

El momento de elegir el algoritmo <\/span>que se aplicar\u00e1<\/span> en un proyecto de Machine Learning es decisivo en la calidad de los pron\u00f3sticos y en la selecci\u00f3n de estrategias.<\/span><\/h4>\n

En un proceso de Machine Learning, la definici\u00f3n de la <\/span>t\u00e9cnica<\/b> utilizada est\u00e1 relacionada con el <\/span>objetivo<\/b> deseado. Una vez establecido este objetivo, asociamos la t\u00e9cnica de Machine Learning m\u00e1s adecuada y, posteriormente, nos enfrentamos al reto de <\/span>seleccionar el algoritmo o conjunto de algoritmos que ofrezcan el mejor resultado<\/b> para el an\u00e1lisis predictivo<\/a><\/span>.<\/span><\/p>\n

En este art\u00edculo, <\/span>explicaremos <\/span>algunos aspectos relacionados con este proceso de elecci\u00f3n.<\/span><\/p>\n

El valor de evaluar los datos disponibles<\/h4>\n

Para elegir con \u00e9xito el algoritmo que mejor se adapta a las necesidades del proyecto, es importante evaluar qu\u00e9 datos y tipos de datos tenemos disponibles<\/a><\/span>. De esta forma, la informaci\u00f3n incluida en el modelo ser\u00e1 procesada de manera eficiente y los resultados en la matriz de pron\u00f3stico ser\u00e1n realmente \u00fatiles para la toma de decisiones y para el negocio.<\/p>\n

La importancia de las m\u00e9tricas de desempe\u00f1o<\/strong><\/h4>\n

Existen varias m\u00e9tricas para evaluar el rendimiento predictivo de un algoritmo de aprendizaje autom\u00e1tico, y cada algoritmo debe evaluarse con la m\u00e9trica adecuada<\/strong> para ello.<\/p>\n

Por ejemplo, para los algoritmos de regresi\u00f3n, que implican la combinaci\u00f3n de \u00edndices hist\u00f3ricos que var\u00edan de uno a otro, la m\u00e9trica apropiada es el error cuadr\u00e1tico medio (RMSE). Para tareas de clasificaci\u00f3n binaria, que se usa para predecir a cu\u00e1l de dos categor\u00edas pertenece una determinada instancia de datos, la evaluaci\u00f3n se desarrolla a partir de la matriz de confusi\u00f3n. \u00a0<\/p>\n

Un ejemplo de evaluaci\u00f3n de algoritmos: la matriz de confusi\u00f3n<\/h4>\n

Cuando tenemos un algoritmo de clasificaci\u00f3n binaria, tenemos en la pr\u00e1ctica un conjunto de posibilidades de <\/span>tipificaci\u00f3n, en<\/span> el que cada categor\u00eda posible es un n\u00famero entero de 0 o 1. El resultado de aplicar este algoritmo <\/span>entrega la capacidad de predecir nuevas instancias (datos )<\/span>. Por ejemplo, reconocer algo como \u00abpositivo\u00bb o \u00abnegativo\u00bb, como si un correo electr\u00f3nico es spam o no, si un paciente tiene una enfermedad en particular o no, etc.<\/span><\/p>\n

La matriz de confusi\u00f3n mide el rendimiento del aprendizaje autom\u00e1tico evaluando los aciertos y errores del algoritmo de forma ponderada, de acuerdo con su impacto en los procesos en los que se <\/span>utilizan<\/span>, por ejemplo, los procesos de decisi\u00f3n empresarial. En otras palabras, se mide el impacto real del rendimiento del aprendizaje autom\u00e1tico en su contexto de aplicaci\u00f3n.<\/span><\/p>\n

La matriz de confusi\u00f3n nos muestra cuatro grupos, basados \u200b\u200ben respuestas y predicciones conocidas. Estos grupos son: positivos reales, predicciones negativas correctas, falsos positivos y predicciones negativas incorrectas.<\/p>\n

Con eso, podemos obtener las m\u00e9tricas t\u00edpicas que se utilizan para evaluar los algoritmos de Machine Learning<\/strong>, que son:<\/p>\n