Machine Learning

Árboles de Decisión (1) Un árbol de decisión es una herramienta conceptual utilizada en diferentes disciplinas, desde la computación hasta la economía. Por convención, se representa gráficamente como se muestra en la Figura 1, con el nodo raíz en la parte superior, y abajo las ramas hacia otros nodos intermedios, llamados nodos hijo. Los nodos terminales son llamados nodos hoja, y corresponden a las decisiones. Figura 1. Ejemplo de árbol de decisión de figuras geométricas de 0 a 4 lados. En el ejemplo de la Figura 1 se presenta un árbol de decisión binario, donde se asumen sólo 3 característica: f1 = número de lados, f2 = todos los lados son iguales (si/no), y f3 = la medida de alguno de sus ángulos es 90° (si/no). La manera de clasificar un conjunto de características es recorriendo el árbol desde la raíz. Por ejemplo, el conjunto x = {4, si, no} corresponde a un rombo: cuatro lados, todos iguales, y uno de sus ángulos no es recto. Sigue... Referencias R...

Una neurona es un sistema que tiene varias entradas y una salida. Las entradas pueden ser binarias o numéricas, enteras o reales. Las salidas generalmente son binarias, aunque pueden extenderse para formar redes difusas. Estas neuronas artificiales se forman simplemente por un sumador ponderado. Cada una de las entradas se multiplica por un valor diferente llamado "peso". A cada entrada, entonces le corresponde un peso dentro de la neurona. La neurona tiene pesos y al llegar una entrada se multiplica por su peso correspondiente. Así, la entrada e1 se multiplica por el peso p1 , la entrada e2 se multiplica por el peso p2 .... y así sucesivamente. La suma resultante de estas multiplicaciones genera un valor determinado por estas entradas y salidas, y puede ser tan alto como las operaciones aritméticas realizadas dentro de la neurona lo permitan. A este valor, digamos v , se le aplica un umbral u (threshold en inglés). Y si el valor v de la neurona es mayor que el umbra...

Muchas son las aplicaciones que se tienen de las redes neuronales, entre ellas la clasificación de patrones, cuyo objetivo consiste en decidir si un conjunto de entradas a una neurona (o red neuronal), corresponde o no a un patrón determinado. Cuando una entidad de inteligencia artificial neuronal tiene pocas entradas posibles, es fácil tomarlas en cuenta a todas, y una implementación con una simple expresión lógica cubriría toda la gama de datos para generar sus correspondientes salidas, sin dejar lugar a incertidumbre. Sin embargo, cuando las entradas son demasiadas como para considerarlas independientemente, es es posible tomar en cuenta cada una de una manera independiente. Los pesos o ponderaciones de una neurona, los cuales están ligados a cada una de las entradas, se deben elegir cuidadosamente, dando un valor más alto a aquellos ligados a las entradas que nos brindan mayor información para tomar la decisión final. Es aquí donde se puede aplicar fuertemente la estadística, c...