ıllı Internet y Tecnologías de la Información (2018)

internet, Hosting, dominios, seo, antivirus, banco de imágenes, páginas web, tiendas online

[Enciclopedia Online Gratuita] Diccionario de Internet y Tecnologías de la Información y la Comunicación (TIC):

ıllı Clasificador (matemáticas) wiki: info, historia y vídeos

videos internet

salud  Clasificador (matemáticas) 


El término clasificador se usa en referencia al algoritmo usado para asignar un factor entrante no etiquetado en una categoría específica famosa. Dicho algoritmo, deja puesto que, ordenar o bien contar con por clases elementos entrantes, desde cierta información característica de estos.


Una forma de incorporar un clasificador es escoger un conjunto de ejemplos etiquetados y intentar delimitar una regla que deje asignar una etiqueta a cualquier otro dato de entrada.


En ocasiones, el término clasificador asimismo es empleado para referirse a la función matemática que incorpora el algoritmo de clasificación.


Para la implementación de un clasificador es preciso tener en consideración una serie de peculiaridades específicas. La selección de estas, no obstante, no es una labor fácil.


La adición de muchos factores intrascendentes hace más bastante difícil la clasificación para todos y cada uno de los métodos. Además de esto, conforme vamos agregando más información se marchan acrecentando las dimensiones del espacio, hecho que supone que la optimización sea poco a poco más bastante difícil.


La finalidad de esta fase es edificar un conjunto/grupo a fin de que los objetos que se han clasificado como determinados, sean conocidos/identificados. Los factores propios que describen a los objetos han de ser discriminatorios para la clasificación.


Conjunto de entrenamiento


El conjunto de adiestramiento debe contener una lista de objetos con tipos conocidos. Idealmente este conjunto de adiestramiento debería contener muchos ejemplos, así, se incluirían objetos comunes y no comunes.


Para crear el conjunto de adiestramiento se requiere una fuente de objetos clasificados de forma cierta.


Aprendizaje supervisado


El aprendizaje supervisado es una técnica de aprendizaje artificial que realiza una función matemática (hipótesis) desde datos de adiestramiento anteriormente etiquetados. Donde el usuario con unos datos de adiestramiento en una máquina puede inferir entre un conjunto de datos de entrada a que clase pertenecen los datos de salida.


Aprendizaje no supervisado


Los algoritmos en aprendizaje no supervisado no disponen de un conjunto de adiestramiento que deje conocer las etiquetas de los datos, así, se hace preciso el empleo de técnicas de agrupamiento que procuran edificar estas etiquetas.


Este sistema de agrupamiento (o bien clustering) tiene como finalidad clasificar los objetos en conjuntos semejantes que los que estén en exactamente el mismo sean muy semejantes entre sí, al tiempo que el grado de similitud entre conjuntos diferentes sea bajo.


Aun de esta manera, uno de los inconvenientes que presenta este procedimiento es la toma de resoluciones en el momento de elegir un patrón entre todos y cada uno de los proporcionados.


Aprendizaje semi-supervisado


El aprendizaje semi-supervisado brota a consecuencia de la complejidad que se tiene para conseguir los datos etiquetados requeridos por los métodos no supervisados, puesto que estos han de ser etiquetados por un especialista de forma manual transformándose en un trabajo pesado.


Este aprendizaje es una combinación del aprendizaje supervisado y no supervisado. Pues asignar etiquetas o bien clases de datos puede ser realmente costoso, el aprendizaje semi-supervisado recurre a la opción de emplear al unísono una compilación limitada de datos etiquetados y un conjunto más extenso de datos no etiquetados, mejorando de este modo la construcción de los modelos.


En este procedimiento, se tiene que tomar en consideración que no siempre y en todo momento los datos no etiquetados son de ayuda al proceso de aprendizaje. En general se acepta que los datos no etiquetados prosiguen exactamente la misma distribución que los etiquetados a fin de que el empleo de datos sin etiquetar sea útil.


Aprendizaje por refuerzo


El aprendizaje por refuerzo no trata de aprender desde un conjunto de ejemplos sino más bien por medio de la experiencia.


En esta clase de aprendizaje, el agente dispone de un conjunto de opciones libres para llegar a solucionar una determinada labor. Para esto, debe elegir primeramente, la opción que considere más oportuna para conseguir su objetivo. Una vez hecho, el agente en cuestión recibe información de retroalimentación del ambiente sobre su desempeño. Más tarde, dicha información pueda ser empleada para alterar su comportamiento. El aprendizaje por refuerzo acarrea puesto que, una fuerte carga de ensayo y fallo.


Clasificador Bayesiano


Es un clasificador basado en el aprendizaje que calcula la probabilidad de cada hipótesis de los datos y efectúa predicciones sobre estas. Querer la probabilidad es complejo, mas se facilita si se cree que los atributos son independientes dada la hipótesis: P(E1, E2, ...EN | H) = P(E1 | H) P(E2 | H) ... P(EN | H)


Por lo que la probabilidad de la hipótesis dada la patentiza puede estimarse como: P(H | E1, E2, ...EN) = P(Y también)


Clasificador Parzen


Se trata de un clasificador basado en la estimación no paramétrica, que en contraste a la paramétrica, donde se consigue la función de densidad de probabilidad estimando los factores ignotos de un modelo conocido, no se conoce el modelo. Esta técnica consiste esencialmente en alteraciones de la aproximación del histograma de una función de densidad de probabilidad ignota. Este algoritmo se emplea en la la clasificación de imágenes o bien para clasificar y aprender simultáneamente. El inconveniente de este clasificador es que tiene un tiempo de ejecución elevado.


Clasificador Backpropagation


En ciertos inconvenientes el empleo de modelos simples de densidad paramétrica o bien el empleo de modelos de histogramas no dan los resultados deseados. En estos casos se procuran modelos de densidad más complejos. Las redes neuronales son una técnica de aproximación paramétrica útil para edificar modelos de densidad.El modelo de red neuronal frecuente que usa este algoritmo consiste en una red con una capa de entrada con tantos nodos como entradas tengan, una capa oculta con un número de nodos variable que va a depender de las peculiaridades del inconveniente, y una capa de salida con tantos nodos como posibles salidas tenga.


Clasificador con PCA


El clasificador en cuestión usa el análisis de componentes primordiales (asimismo conocido como ACP o bien PCA) con el propósito de intentar reducir la dimensión de un conjunto de datos y encontrar las causas de su variabilidad para poder ordenarlas conforme su relevancia.


Máquinas de vectores de soporte "Support vector machine"


Una máquina de vectores de soporte usa una técnica que aprende de 2 clases diferentes de entrada. Como un clasificador de una sola clase, la descripción dada por los datos de los vectores de soporte realiza una frontera de resolución cerca de los datos de aprendizaje. Los datos son mapeados donde se busca la máxima separación entre clases.


La función de frontera tiene la misión de separar los datos en clases diferentes, cada una formando un agrupamiento.


Las aplicaciones de los clasificadores son amplísimas. Su empleo se extiende en medicina (análisis de prueba de drogas, análisis de datos de resonancia imantada), teléfonos móviles decodificación de la señal, corrección de fallos), la visión por PC (reconocimiento facial, seguimiento de objetivos, reconocimiento de voz, minería de datos (análisis de compras en supermercados, análisis de clientes del servicio al por menor), robótica, juegos de PC, secuenciación de procesos de fabricación o bien secuenciación temporal, entre otros muchos.


  ELIGE TU TEMA DE INTERÉS: 


autoayuda.es   Internet y Tecnologias 

Está aquí: Inicio > [ INTERNET ] > ıllı Clasificador (matemáticas) wiki: info, historia y vídeos

Las cookies nos permiten ofrecer nuestros servicios. Al utilizar nuestros servicios, aceptas el uso que hacemos de las cookies. Ver políticas