Modelos de clasificación en Machine Learning Training Ppt

Diapositiva 1

Esta diapositiva ofrece una descripción general de la regresión logística, que es una especie de enfoque de análisis de regresión que se emplea cuando la variable dependiente es discontinua: por ejemplo, 0 o 1, verdadero o falso, etc. La función Logit se utiliza en Regresión logística para evaluar la conexión entre la variable objetivo y las variables independientes.

Diapositiva 2

Esta diapositiva demuestra que KNN es un algoritmo simple que mantiene todas las instancias existentes y clasifica los nuevos casos en función de un voto mayoritario de sus k vecinos.

Notas del instructor:

KNN puede entenderse con una analogía de la vida real. Por ejemplo, si desea obtener más información sobre alguien, chatee con sus amigos y compañeros de trabajo.

Considere lo siguiente antes de decidirse por el algoritmo K vecinos más cercanos:

• KNN es costoso de calcular y llegar a
• Las variables deben normalizarse, o las variables de mayor rango harán que el algoritmo esté sesgado
• Los datos aún deben ser preprocesados

Diapositiva 3

Esta diapositiva indica que Naive Bayes es una técnica de aprendizaje automático probabilístico basada en el teorema de Bayes y se utiliza para una amplia gama de problemas de clasificación. Un modelo naive bayesiano es fácil de construir y funciona bien con conjuntos de datos masivos. Es fácil de usar y supera incluso a los algoritmos de clasificación más sofisticados.

Diapositiva 4

Esta diapositiva muestra que el algoritmo SVM es un proceso de clasificación en el que los datos sin procesar se muestran como puntos en un espacio n-dimensional (siendo n la cantidad de funciones que tiene). Luego, el valor de cada característica se asigna a una ubicación específica, lo que simplifica la categorización de los datos. Las líneas clasificadoras pueden dividir datos y representarlos en un gráfico.