‘Ž‡–À±…‹…‘†‡‰‡‹‡”Àƒ Figura. 5. Ejemplo de regresión lineal Cuando hablamos de agrupar un conjunto de datos existentes de los que desconocemos las características que comparten y queremos encontrar las relaciones entre estos datos, nos referimos a algoritmos de clustering (Fig. 6), de tipo supervisado y no supervisado. Este tipo de métodos crean puntos centrales y jerarquías para identificar grupos y buscar características comunes por cercanía. Destacamos K-Medias y Detección de anomalías. El objetivo de K-Medias es agrupar puntos de datos similares sin etiquetar y descubrir patrones subyacentes. Para lograr este objetivo, este busca un número fijo (k) de clusters en el conjunto de datos. La letra k hace referencia al número de centroides que definimos, el centroide representa el centro del cluster. En otras palabras, el algoritmo k-medias identifica k número de centroides y coloca los datos en su cluster más cercano, manteniendo los centroides lo más pequeños posible. Por otro lado, la Detección de anomalías tiene como función detectar si un dato escapa a los rangos de normalidad del resto de los datos. El tratamiento de los datos anómalos debe hacerse con cuidado, ya que en ocasiones se podrá descartar (cuando son errores de medición) y en otras será información importante (malfuncionamiento de algún componente). Un dato anómalo puede desplazar el centroide de un cluster hacia su posición o modificar notablemente la tendencia de una recta de regresión. Figura. 6. Ejemplo de clustering Cuando el sistema trata de etiquetar un conjunto de datos basándose en sus características para clasificarlos dentro de una categoría estamos hablando de algoritmos de clasificación. Para este tipo de algoritmos existen muchos modelos útiles que podemos usar entre los que destacamos: redes neuronales, K vecinos más cercanos, arboles de decisión, bosques aleatorios, máquina de vectores de soporte (SVM) y Naive Bayes. 5ϰ
Bol_tec_ing_16
To see the actual publication please follow the link above