Aprendizaje Supervisado con ejemplos!

Introducción al Aprendizaje Supervisado en Machine Learning

Conceptos Básicos

• El aprendizaje supervisado es uno de los grupos más importantes en machine learning, junto con el aprendizaje no supervisado y el aprendizaje por refuerzo.

• Se introducen los conceptos de inputs (entradas) y outputs (salidas), que son fundamentales para la predicción y clasificación en este tipo de aprendizaje.

Inputs y Outputs

• En el aprendizaje supervisado, se conoce la respuesta o output deseado. Los inputs se representan como "x" y los outputs como "y".

• En estadística, las variables independientes son las características (x), mientras que la variable dependiente es el output (y).

Ejemplos Prácticos

• Un ejemplo clásico es la clasificación de correos electrónicos como spam o no spam, donde las características del correo son los inputs.

• Otro ejemplo común es la clasificación de imágenes para identificar si un animal es un perro o un gato.

Predicción en Aprendizaje Supervisado

Problema de Predicción

• Se utiliza un conjunto de datos sobre precios de casas, donde se relacionan características como tamaño con su precio.

• Al graficar estos datos en un plano cartesiano, se busca identificar patrones que permitan predecir precios basados en el tamaño.

Modelos Predictivos

• Un data scientist puede utilizar modelos como regresión lineal simple para hacer predicciones sobre precios desconocidos.

• La calidad del modelo se evalúa comparando diferentes ajustes a los datos; un mejor ajuste indica una mejor capacidad predictiva.

Clasificación en Aprendizaje Supervisado

Problema de Clasificación

• Se retoma el ejemplo del correo electrónico para clasificarlo como spam o no spam basado en su tamaño.

• Se propone crear una gráfica donde se representen tamaños con valores binarios: 1 para spam y 0 para no spam.

Umbral de Clasificación

• Se discuten diferentes opciones para establecer un umbral (T), determinando qué correos clasificar como spam.

• La regresión logística puede ser utilizada para encontrar ese umbral óptimo, permitiendo clasificaciones más precisas entre categorías limitadas.

Conclusiones sobre Aprendizaje Supervisado

Resumen Final

• Se han explorado los conceptos clave del input y output dentro del contexto del aprendizaje supervisado, así como ejemplos prácticos tanto de predicción como clasificación.