Please enable JavaScript.

Coggle requires JavaScript to display documents.

Tipos de algoritmos, Blancas Reyes Luis Javier 1774078 …

- - - - Objetos Outlier
      - Detección de anomalías
      - Objetos anómalos
        
        Valores de atributos
        
        Valores esperados
        
        Desviaciones
    - - Aproximaciones utilizadas en Análisis no Supervisados
      - Encontrar estructuras
      - Colección de datos
        
        Sin clasificar
        
        Sin etiquetar
    - - Modificar parámetros internos
      - Necesidad de supervisión
      - Arquitectura sencilla
    - - Se utilizan para encontrar hechos
      - Ocurren en común dentro de conjuntos de datos
      - Deben ocurrir ciertas condiciones para que se produzca otra condición
    - - Minería de patrones
      - Ocurren frecuentemente
      - Aplicaciones de patrones de llamadas telefónicas y flujos de navegación en la web
      - Estructuras de ADN y genes
    - - Fases
        
        Entrenamiento
        
        Selección de algoritmo y entrenamiento
        
        Selección y extracción de caracteristicas
        
        Decisión
        
        Obtención de datos y procesos
- - - - Se estima correspondencia
      - Las clases pueden solapar
      - Determinar conjunto de temas
    - - Clases disjuntas
      - Se estima una función
  - - - Se miran los k casos cercanos
      - Si todos son de misma clase, el nuevo caso se clasifica en la misma
      - De lo contrario se calcula la distancia media por clase
      - Clasificación
        
        Circular (1 NN)
        
        Cuadrada (7 NN)
        
        Poliédrica (Partición 1 NN)
    - - Algoritmo Clustering
        
        Dividir ejemplos en k conjuntos y calcular la media
        
        Resignar cada ejemplo al conjunto medio mas cercano
        
        Calcular puntos medios de k conjuntos
        
        Repetir pasos 2 y 3 hasta que no varíen
      - Paso 2
        
        Recodificar ejemplos
        
        Y distancias a centros y normalizar
      - Paso 3
        
        Aplicar el algoritmo anterior con un perceptron de k elementos
        
        Partición hiperesférica con 4 centros
        
        Se convierte en partición lineal
        
        Espacio de 4 dimensiones
    - - Primera
        
        Clasificador lineal sencillo
        
        Precede una transformación de espacio
        
        A través de un núcleo da potencia expresiva
      - Segunda
        
        El clasificador lineal saca la línea
        
        En más dimensiones el hiperplano divide las dos clases
        
        Los tres puntos más próximos a la frontera deben estar lo más distante posible
    - - Algoritmo divide y vencerás
      - Procedimiento
        
        Si todos los elementos S son de la misma clase el subárbol se cierra
        
        Se elige condición de partición siguiendo un criterio de partición
        
        Se crea el nodo raíz con todos los ejemplos
        
        El problema se subdivide en dos subárboles
    - - Procedimientos
        
        Asignar los ejemplos a su centro más cercano
        
        Si hay centros con diferentes ejemplos de clase, se borra el centro y se crean centros de acuerdo a las clases existentes
        
        Inicializar primer centro en la medida de ejemplos
    - - Entradas (Dispararán y no dispararán)
      - Señal o ausencia se combinan con el resto de señales de disparo
      - Inspirado en la estructura del cerebro (Neuronas y conexiones)
      - Salidas instantaneas
    - - Logisticas
        
        Predicen la probabilidad
        
        Variables categóricas
        
        Entrada independiente
      - Árboles
        
        Predice el valor
        
        Creación de modelos predictivos
        
        Variables de destino continuas
        
        Variables categóricas
      - Lineales
        
        Predicen valores de variables y varias entradas independientes