Ya hemos visto la diferencia de los algoritmos que tenemos que utilizar en Machine Learning si tenemos datos etiquetados o no, ahora veremos la diferencia de estos algoritmos basados en el formato de sus salidas, para este caso existen dos tipos populares de m茅todos de Machine Learning y es el de clasificaci贸n y regresi贸n.

Comprender la diferencia ente la clasificaci贸n y la regresi贸n es 煤til para comprender los algoritmos relacionado con ellos.

Curso Te贸rico-Pr谩ctico: Machine Learning para no programadores

Diferencia entre algoritmos de clasificaci贸n y regresi贸nAlgoritmos de Clasificaci贸n

Los algoritmos de clasificaci贸n se usan cuando el resultado deseado es una etiqueta discreta, en otras palabras, son 煤tiles cuando la respuesta al problema cae dentro de un conjunto finito de resultados posibles.

aprende f谩cilmente inteligencia artificial - newsletter

En el caso de que el modelo entrenado es para predecir cualquiera de las dos clases objetivos, verdadero o falso, por ejemplo, se le conoce como clasificaci贸n binaria. Algunos ejemplos de esto son: predecir si un alumno aprobar谩 o no, predecir si un cliente comprar谩 un producto nuevo o no.

Por su parte, si tenemos que predecir m谩s de dos clases objetivos, se le conoce como clasificaci贸n multicategor铆a.聽Un ejemplo de esto es predecir qu茅 asignaturas un alumno tendr谩 las m谩s clasificaciones. Este tipo de clasificaci贸n es 煤til para la segmentaci贸n del cliente, la categorizaci贸n de im谩genes y audio y an谩lisis de texto para optimizar el sentiento del cliente.

Diferencia entre algoritmos de clasificaci贸n y regresi贸nAlgoritmos de Regresi贸n

Por otro lado, la regresi贸n es 煤til para predecir productos que son continuos, eso significa que la respuesta a su pregunta se presenta mediante una cantidad que puede determinarse de manera flexible en funci贸n de las entradas del modelo en lugar de limitarse a un conjunto de etiquetas. En algunos casos, el valor predicho se puede usar para identificar la relaci贸n lineal entre los atributos.

La regresi贸n lineal es el ejemplo m谩s popular de un algoritmo de regresi贸n, aunque a menudo se subestima debido a su relativa simplicidad, es un m茅todo versatil que se puede usar para predecir los precios de la vivienda, la probabilidad de que los clientes se desvi茅n o los ingresos que un cliente generar谩.

Veamos un ejemplo de esto con un mismo conjunto de datos pero con diferentes objetivos. Supongamos que tenemos los datos de todas las peliculas que has visto y que a su vez te han gustado, con esta informaci贸n queremos determinar lo siguiente:

Curso Te贸rico-Pr谩ctico:Generaci麓贸n de Texto con Inteligencia Artificial
  • Si una nueva pel铆cula que est谩 saliendo en los cines te va a gustar o no.
  • En caso de que si te guste la nueva pel铆cula, 驴cu谩ntas veces la ver谩s?.

驴Ya haz podido determinar cu谩l es el problema de clasificaci贸n y cu谩l es el de regresi贸n?

Para la primera pregunta, si una nueva pel铆cula que est谩 saliendo en los cines te va a gustar o no, la soluci贸n a este problema sera de tipo clasificaci贸n, ya que estamos clasificando las cosas seg煤n sus pertenencias, s铆 o no, me gusta o no. En este caso, el problema es una clasificaci贸n binaria en que la que tenemos que predecir si la salida pertenece a la clase 1 (s铆) o clase 2 (no).

Para la segunda pregunta, en caso de si te guste la nueva pel铆cula, 驴cu谩ntas veces la ver谩s?, este problema es de encontrar el recuento, es decir debemos predecir un valor, por lo tanto es un problema de regresi贸n, ya que podr铆a ser 5 veces, 6 veces o 10 veces, todo depende de los datos de entrada.

Como pueden ver, elegir un algoritmo es un paso cr铆tico en el proceso de Machine Learning, por lo que es importante que realmente se adapte al caso de uso del problema en cuesti贸n.

8 comentarios en “Diferencia entre algoritmos de clasificaci贸n y regresi贸n”

  1. Hola. Primero, gracias por la informacion que brindas es muchsimo mas comprensible. Me preguntaba si tiene ejemplos de aplicacion de algoritmos de clasificacicon…. Saludos y gracias nuevamemnte.

Deja un comentario

Tu direcci贸n de correo electr贸nico no ser谩 publicada.