Matemáticas y ciencia de datos para la toma de decisiones

[pic 1]

Ramsés Alejandro Romero Haro - A01746522

Actividad 7: Investigación sobre aprendizaje automático.

Mayo 8, 2022

Matemáticas y ciencia de datos para la toma de decisiones.

Grupo: 800

Clasificación: Comparación de clasificadores.

Para empezar a entender estas clasificaciones, tenemos que saber y ver que son datos sintéticos. Y que el objetivo de este ejemplo es ilustrar la naturaleza de los límites de decisión de diferentes clasificadores. Pero por lo que entendí de esta comparación de los clasificadores es que se tiene que tener cuidado con los datos que veas, ya que la intuición puede llegar a afectar en la toma de decisiones que te podría llevar a tener un resultado malo.

Este da como resultado gráficos que muestran puntos de entrenamiento en colores sólidos y puntos de prueba semitransparentes, y la parte inferior derecha muestra la precisión de la clasificación en el conjunto de prueba.

Y lo mejor de este algoritmo es su simpleza a la hora de mostrar resultados.

Y por lo que entendí de este algoritmo es que lo podría hasta utilizar en temas de la escuela, como en trabajos que se me pidan hacer, y va muy de la mano con lo que me gusta hacer, que casi siempre es irme a los límites para poder tener un panorama más amplio de lo que voy a hablar o investigar, y ya que este ilustra y explica los límites de decisión de lo que se está evaluando, se me haría más fácil ya solo programar lo que esté buscando en python y en lugar de yo tener que clasificar cada uno de los valores y ver los límites de decisión que me tardaría horas y horas haciéndolo, este programa me ayudaría a hacerlo en cuestión de segundos cuando ya esté hecho.[pic 2]

Gracias a esto me podría ahorrar mucho tiempo y dinero dependiendo de lo que esté haciendo.

Agrupamiento: Aprendizaje en línea de un diccionario de partes de caras.

[pic 3]

Este ejemplo es de lo más sencillo que encontré y por esa misma razón lo elegí, ya que este ejemplo utiliza gran conjunto de datos de caras para aprender un conjunto de parches de imágenes de 20 x 20 que constituyen las caras. Pero por lo que tengo entendido hasta aquí es que este programa no tiene que hacer análisis a fuerza de caras. Ya que desde el punto de vista de la programación podemos ver que es interesante porque muestra cómo usar la API en línea de scikit-learn, para así procesar un conjunto de datos muy grandes por fragmentos, y como se dice un conjunto de datos muy grande, yo creo que puede ir más allá de las caras sin salirse del tema principal que en este caso serían imágenes.

Y ya en la parte del funcionamiento como tal del código y de cómo implementarlo es que cargamos una imagen a la vez y extraemos aleatoriamente 50 parches de esta imagen. Una vez que hemos acumulado 500 de estos parches (utilizando 10 imágenes), ejecutamos el partial_fil método del objeto KMeans en línea, MiniBatchKMeans. Y la configuración detallada de MiniBatchKMeans nos permite ver que algunos clústeres se reasignan durante las llamadas sucesivas para ajuste parcial. Esto se debe a que la cantidad de parches que representan se ha vuelto demasiado baja y es mejor elegir un nuevo grupo aleatorio.

Esto me da a entender que si tienes un gran número de datos y tienes la facilidad para la programación, este programa como tal sería de mucha ayuda solo si es que tienes como repito, un gran número de datos que quieras procesar y entender de mejor manera.

Árboles de decisión: Entendiendo la estructura del árbol de decisiones.

Este también por ser uno de los más sencillos es que lo agarré, porque no voy a mentir en que por pura naturaleza creo que yo y todos los humanos en general tendemos a elegir la opción más fácil de ejecutar, pero bueno, va la explicación de lo que llegué a entender de este algoritmo de árboles de decisión.

Y es que la estructura de árboles de decisión puede analizar para obtener más información sobre la relación entre las características y el objetivo a predecir. Que más adelante te ponen paso a paso lo que tendrías que seguir e ir escribiendo para que tu código salga bien, pero creo que por el momento eso no es lo de mayor importancia aquí, sino lo que yo entendí de cómo es que va el código. Que desde mi punto de vista termina siendo como un mapa mental, que de arriba para abajo te va a ir conectado y analizando todos los datos que metiste con anterioridad, para que tu solamente tienes que ver ese mapa mental que aquí llaman como árbol de decisión y tomar futuras decisiones conforme a lo que puedas llegar a interpretar de este árbol. [pic 4]

...