Pros Contra Regresio虂n 1

Al abordar cualquier tipo de problema de Machine Learning hay muchos algoritmos para elegir, pero hay algo que debemos tener claro y es que ning煤n algoritmo es el mejor para todos los problemas, cada uno de ellos cuentan con sus algunos pros y sus contras, lo cual no sirve como gu铆a para seleccionar el m谩s adecuado.

Aunque recuerda que el rendimiento de los diferentes algoritmos de Machine Learning depende en gran medida del tama帽o y la estructura de los datos.

aprende f谩cilmente inteligencia artificial - newsletter

Esta entrada te servir谩 de gran ayuda para seleccionar el mejor algoritmo de Machine Learning para problemas de regresi贸n.

Regresi贸n Lineal

Definici贸n

Entrenar la mejor l铆nea a trav茅s de todos los puntos de datos. Este algoritmo puede ser Regresi贸n Lineal Simple, en donde se realiza la predicci贸n con una sola variable, Regresi贸n Lineal M煤ltiple, en donde se crea un modelo para la relaci贸n entre m煤ltiples variables de entradas independientes y la Regresi贸n Polinomial en el que el modelo se convierte en una combinaci贸n no lineal de las variables caracter铆sticas.

Ventajas

  • F谩cil de entender y explicar, lo que puede ser muy valioso para las decisiones de negocios.
  • Es r谩pido de modelar y es particularmente 煤til cuando la relaci贸n a modelar no es extremadamente compleja y no tiene mucha informaci贸n.
  • Es menos propenso al sobreajuste.

Desventajas

  • No se puede modelar relaciones complejas.
  • No se pueden capturar relaciones no lineales sin transformar la entrada, por lo que tienes que trabajar duro para que se ajuste a funciones no lineales.
  • Puede sufrir con valores at铆picos.

Son 煤tiles

  • Dar un primer vistazo a un conjunto de datos.
  • Cuando se tiene datos num茅ricos con muchas caracter铆sticas.
  • Realizar predicci贸n econom茅tricas.
  • Modelando las respuestas de marketing.

Pros Contra Regresio虂n 2

Vectores de Soporte Regresi贸n

Definici贸n

Se basa en la construcci贸n de un hiperplano 贸ptimo en forma de superficie de decisi贸n, de modo que el margen de separaci贸n entre las dos clases en los datos se ampl铆a al m谩ximo. Los vectores de soporte hacen referencia a un peque帽o subconjunto de las observaciones de entrenamiento que se utilizan como soporte para la ubicaci贸n 贸ptima de la superficie de decisi贸n.

Ventajas

  • Se pueden modelar relaciones complejas, no lineales.
  • Robusto al ruido, esto se debe a que maximizan los m谩rgenes.

Desventajas

  • Necesidad de seleccionar una buena funci贸n de kernel.
  • Los par谩metros del modelo son dif铆ciles de interpretar.
  • Requiere memoria significativa y poder de procesamiento.
  • Cuando se tiene muchos datos toma demasiado tiempo para entrenar.

Son 煤tiles

  • Clasificaci贸n de texto e im谩genes.
  • Reconocimiento de escritura a mano.

Pros Contra Regresio虂n 3

脕rboles de Decisi贸n Regresi贸n

Definici贸n

Dado un conjunto de datos se fabrican diagramas de construcci贸n l贸gicas, que sirven para representar y categorizar una serie de condiciones que ocurren de forma sucesiva, para la resoluci贸n de un problema.

Ventajas

  • Muy f谩cil de interpretar y entender.
  • R谩pido.
  • Robusto al ruido y valores perdidos.
  • Preciso
  • Excelente para aprender relaciones complejas, altamente no lineales. Por lo general, pueden lograr un rendimiento bastante alto, mejor que la regresi贸n polinomial.

Desventajas

  • Los 谩rboles complejos son dif铆ciles de interpretar.
  • Es posible la duplicaci贸n dentro del mismo sub谩rbol.
  • En ocasiones no es utilizado por ser un algoritmo tan sencillo y no tan poderoso para datos complejos.

Son 煤tiles

  • Diagn贸stico m茅dico.
  • An谩lisis de riesgo crediticio.

Pros Contra Regresio虂n 4

Bosques Aleatorios Regresi贸n

Definici贸n

Es una combinaci贸n 谩rboles de decisi贸n tal que cada 谩rbol depende de los valores de un vectores aleatorio probado indpendientemente y con la misma distribuci贸n para cada uno de estos.

Ventajas

  • Puede trabajar en paralelo.
  • Rara vez se sobreajusta.
  • Maneja autom谩ticamente los valores perdidos.
  • No es necesario transformar ninguna variable.
  • No hay necesidad de ajustar par谩metros.
  • Puede ser utilizado por casi cualquier persona con excelentes resultados.

Desventajas

  • Dif铆cil de interpretar.
  • M谩s d茅bil en la regresi贸n al estimar valores en los extremos de la distribuci贸n de los valores de respuesta.
  • Parcialmente en problemas multiclase hacia clases m谩s frecuentes.

Son 煤tiles

  • Para casi cualquier problema de Machine Learning.
  • Bioinform谩tica.

Pros Contra Regresio虂n 5

Estos son solo algunas ventajas de desventajas de los algoritmos de Machine Learning para regresi贸n, esta informaci贸n te puede ser bastante 煤til al momento de desarrollar tus proyectos.

Deja un comentario

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