Inteligencia Artificial

Técnicas de Machine Learning

Las técnicas de Machine Learning se dividen en dos grandes grupos, el aprendizaje supervisado y el aprendizaje no supervisado.

Dentro del aprendizaje supervisado, encontramos modelos de clasificación y modelos de regresión.

En los modelos de clasificación lo que se pretende es clasificar diferentes categorías.

En el ejemplo de la imagen, tenemos una serie de personas, de las cuales tenemos su peso y altura, y queremos clasificarlas en adultos o niños.

Lo que va a hacer un modelo de clasificación es aprender dónde están estos puntos y crear un clasificador que, para nuevos datos de entrada, consiga segmentarlos correctamente.

Por otro lado, los modelos de regresión lo que intentan es predecir el valor de una variable que es continua.

En la imagen tenemos un ejemplo, en el que se intenta predecir el beneficio en función de la inversión que se ha realizado.

Tenemos unos datos de entrenamiento, y lo que se hace es buscar una función que represente esos datos y consiga generalizarla correctamente para datos nuevos.

El aprendizaje no supervisado se basa principalmente en algoritmos de agrupación o clustering, en el que los datos no tienen etiquetas, no sabemos a qué categoría pertenecen.

Lo que hace el algoritmo es intentar buscar agrupaciones en los datos, de forma que cree grupos con características parecidas.

En el ejemplo de la imagen podemos ver que se agrupan los puntos de la misma forma que en la clasificación, no sabemos si se trata de adultos o niños, sino que es el propio algoritmo el que va a identificar que hay dos grupos, y tenemos que ser nosotros los que interpretemos los resultados.

Algoritmos de Machine Learning

Existen muchos algoritmos de Machine Learning, desde los más básicos a otros más complejos. Podemos destacar algunos como los siguientes:

• Regresión lineal
• Regresión logística
• Árboles de decisión
• Random Forest
• XGBoost
• Gradient Boosting
• Isolation Forest
• Redes neuronales
• Support Vector Machines
• K-Means

Cómo desarrollar un modelo

La idea de definir un modelo la definir en 6 pasos:

· Entender y definir el problema:

• Saber cuál es el público objetivo y qué variable se quiere predecir.
• Saber qué datos se tienen disponibles y si estarán disponibles a la hora de ejecutar el modelo.
• Saber qué tipo de problema es, si es un problema de regresión, clasificación o agrupación.
• Sobre todo, saber si vamos a poder darle una aplicación. Por ejemplo, si queremos hacer un modelo para predecir las fugas de los clientes, ese modelo tiene que tener una aplicación, que puede ser llamar a los clientes más propensos a irse. Pero si el modelo nos informa, pero no se toma ninguna, puede que no sirva para nada.

· Recopilar los datos y conocer su disponibilidad.

Podemos encontrar datos históricos muy ricos y muy variados, pero si esos datos no se replican el futuro no vamos a poder ejecutar un modelo que hayamos entrenado con esos datos.

· Preparar los datos.

Es en lo que más se tarda, ya que un científico de datos puede emplear en torno al 80% su tiempo en limpiar y preparar los datos, porque siempre va a haber valores que falten, valores atípicos, va a tener que transformar variables, etcétera.

· Dividir los datos en entrenamiento, validación y test:

• Con el entrenamiento se va a entrenar el modelo para que aprenda.
• Con la validación va a mejorar modelo.
• Finalmente se evalúa el modelo haciendo la prueba final con un conjunto de tests.

· Entrenar uno o varios modelos.

· Medir el desempeño de estos modelos y elegir el mejor.

Ciclo de un modelo de Machine Learning

En la imagen vemos el ciclo de un modelo de Machine Learning.

En este modelo tenemos nuestros datos ya limpios, y vamos a entrenar un modelo que va a tener ciertos parámetros.

La primera predicción que va a realizar un modelo va a tener un error grande, vamos a tener siempre una función de error que vamos a querer optimizar.

Con ese error vamos a actualizar los parámetros y vamos a volver a predecir. De esta forma, el error se va a ir minimizando en cada ciclo, y vamos a acabar teniendo un modelo con parámetros óptimos, que idealmente, va a funcionar muy bien con el conjunto de test.