Algunos de los algoritmos para el análisis predictivo más usados
Regresión lineal
Consiste
básicamente en una línea recta que muestra el “mejor encaje” de todos
los puntos de los valores numéricos. También se llama el método de los mínimos cuadrados
porque calcula la suma de las distancias al cuadrado entre los puntos
que representan los datos y los puntos de la línea que genera el modelo.
Así, la mejor estimación será la que minimice estas distancias.
Lo
bueno es que es fácil de entender y se ve claramente el porqué de esa
línea. No obstante, tiende al overfitting, siendo peligrosos los valores
extremos. Aparte, es demasiado simple para capturar relaciones
complejas entre variables.
Regresión logística
Es una adaptación de la regresión lineal
a problemas de clasificación (booleanos, grupos…), utilizando el
método de máxima verosimilitud para saber cuál es la probabilidad de que
ocurra algo en cada punto determinado.
También es fácil de entender, pero, igualmente, tiene las desventajas de ser demasiado simple y de tender al overfitting.
El árbol de decisión
Es un gráfico que usa un método de ramificación basado en construcciones lógicas. Los árboles de decisión
comienzan con el conjunto de datos completo y se van descomponiendo en
distintas ramas en función de una serie de condiciones que se van
seleccionando hasta llegar a la resolución del problema
Es muy fácil de entender e implementar, aunque resultan demasiado simples y poco poderosos para datos complejos.
Bosques aleatorios (Random forest)
Toma la media de muchos árboles de decisión
hechos con muestras de los datos. Como se basa en muestras, cada árbol
por separado es más débil que uno completo, pero la suma de todos logra
unos resultados mejores.
Tiende a dar modelos de alta calidad, pero es difícil entender el porqué de las predicciones.
Potenciación del gradiente (Gradient Boosting)
Hace como el modelo anterior, pero usando árboles de decisión incluso más débiles. Luego, optimiza la muestra de datos utilizados en cada paso.
Tiene
un alto desempeño, pero cualquier pequeño cambio en el conjunto de
datos puede generar cambios radicales en el modelo, por no hablar de que
es muy difícil comprender las predicciones.
Redes neuronales
Imitando
el comportamiento del cerebro, son unidades (“neuronas”)
interconectadas en varias capas que pasan mensajes de unas a otras. Se
utilizan cuando no se conoce la naturaleza exacta de la relación entre
los valores de entrada y de salida.
Pueden resolver tareas
extremadamente complejas como reconocimiento de imágenes, pero son muy
lentas, requieren mucha potencia y sus resultados son predicciones casi
imposibles de comprender.
K-vecinos más cercanos (k-NN o Nearest Neighbor)
Es un algoritmo de agrupamiento (clutering) no jerárquico, de los más utilizados, aunque no el único. Mediante métodos estadísticos
de reconocimiento de patrones, se calcula la distancia de un dato a los
vecinos más cercanos del conjunto de entrenamiento. El resultado está
basado en la probabilidad de que un elemento pertenezca a la clase.
El mayor problema que tiene es que funciona mal con muestras pequeñas.
Clasificador bayesiano ingenuo (Naïve Bayes)
Este
algoritmo asume que la presencia o ausencia de una característica no
está relacionada con la presencia o ausencia de cualquier otra. De este
modo, cada una de las características del conjunto contribuye de forma
independiente a la probabilidad de que el conjunto sea un objeto
concreto.
Lo bueno es que solo requieren una pequeña cantidad de
datos, aunque a menudo falla a la hora de producir una buena estimación
de las probabilidades de clase correctas.
Algoritmos de reducción de dimensionalidad
Estos
algoritmos no son predictivos como tal. Se utilizan para reducir el
número de variables a analizar encontrando las que realmente son
relevantes para el análisis. Por ello, muchas veces se utilizan junto a
los algoritmos anteriores, especialmente en conjuntos de datos muy
grandes.
-https://www.datahack.es/algoritmos-analisis-predictivo/
No hay comentarios:
Publicar un comentario