Tecnica Descriptiva

Técnica descriptiva:

Busca describir la relación encontrada en las bases de datos, genera segmentación o caracterización. Puede ser agrupamientos (Clustering), secuenciación y asociación. (Trabaja con datos nominales, si no lo son los transforma).

Clustering:

Técnica que busca encontrar el agrupamiento natural de los datos según sus semejanzas o patrones en común “Agrupación de datos”.

K-means:

Se utiliza para encontrar los K puntos más densos dentro de un conjunto de datos, donde primero se asigna la cantidad de grupos que quiero formar. Se generan centroides, estos comparan sus datos a su alrededor y se relacionan los datos más cercanos al centroide, generando diferentes grupos.

Asociación:

Busca encontrar asociaciones o correlaciones entre los elementos de la base de datos. Ej: diseño de catálogos y distribución de mercancías en tiendas.

Apriori:

Algoritmo de la regla de asociación, se basa en el conocimiento previo de los conjuntos frecuentes, esto sirve para reducir el espacio de búsqueda y aumentar la eficiencia.

Técnica predictiva:

Son técnicas de aprendizaje supervisados, trabaja con datos nominales y/o numéricos. Estima un valor posible para un conjunto de datos, pueden ser redes neuronales.

Redes neuronales:

Son múltiples capas e donde se procesa la información y se proporciona un resultado a través de los datos.

1ra capa-> Por donde entra la información.

1 o más capas medias -> Por donde se procesa la información.

Última capa de salida -> Proporciona resultados de la red.

Layer:

1 capa de procesamiento, y los datos se van clasificando según la importancia que tenga, así obteniendo resultados.

Multi Layer:

Más de 1 capa de procesamiento, y los datos se van clasificando según la importancia que tenga, así obteniendo resultados.

Arboles de decisiones:

Técnica de predicción que dada una base de datos se construye un diagrama de relaciones lógicas, que sirven para representar y categorizar una serie de condiciones que ocurren de forma sucesiva.

J48:

Genera valorización a los atributos y el más importante lo pone como rama principal, luego con los atributos que quedan hace lo mismo y los elige como sub-ramas y así sucesivamente hasta llegar a la clase.

SMV:

Máquinas de vectores de soportes construyen un hiperplano, conjunto de hiperplanos en un espacio de dimensiones muy alta. Una buena separación entre las clases permitirá una clasificación correcta.

SMO:

Agrega dimensionalidad al problema, hasta llegar a un hiperplano separador.

...