El Machine Learning puede parecer complicado al principio con muchos algoritmos matemáticos, que parece un océano por la inmensidad que hay. La mayoría de los problemas que se buscan resolver se pueden resolver con algunos algoritmos "simples". Como profesora particular, voy a ayudarte a comprenderlo.
¿Qué algoritmos elegir, cuándo aplicarlos y qué parámetros tener en cuenta?
Es importante saber qué algoritmos elegir, cuándo aplicarlos, qué parámetros tener en cuenta y cómo probarlos. Aquí se trata de ofrecer una solución simple y práctica cuando ante la inmensidad de algoritmos de machine learning y nadar para sobrevivir al océano.
Una idea fundamental para empezar es que NO todos los algoritmos pueden usarse para cualquier problema y para cualquier tipo de datos. Elegir el modelo adecuado es crucial para el éxito.
Los modelos de aprendizaje automático predictivos trabajan con conjuntos de datos variados que difieren de diferentes tipos de datos y características, según el objetivo final del caso de uso. Por lo que la selección del modelo depende de cuál sea el objetivo a lograr. Por ejemplo, si lo que se busca es una respuesta dicotómica (dos únicas opciones son posibles, por ejp. si/no) una regresión logística sería un algoritmo básico que funciona y que es bastante sencillo de explicar a negocio. Mientras que si el dato que se busca es una respuesta de tipo continuo (por ejemplo, el precio que tendrá un bien o producto) se deberá aplicar una regresión lineal en su lugar.
Otro punto a tener en cuenta es el volumen de datos. Aquí entran algoritmos como las redes neuronales que funcionan bien con grandes conjuntos de datos y muchas variables o características diferentes. El algoritmo del SVM puede manejar variables limitadas. Por lo que hay que tener en cuenta el tamaño de los datos a la hora de elegir un algoritmo de machine learning.
¿Qué es un algoritmo de machine learning?
Los algoritmos de machine learning examinan datos para reconocer patrones y responder hipótesis que nos planteamos.
Las personas generamos (cada día) ingentes cantidades de datos, y son de muchos tipos. Por ejemplo, fotos de Instagram, comentarios en Facebook o Twitter, o contenido en cualquier red social, pero también qué aplicaciones descargamos en el móvil, cuánto tiempo la usamos, si somos clientes de Netflix o cualquier plataforma, que películas o series nos gusta más, cuando lo vemos. Vamos, que pueden tener muchos origines. Los algoritmos de aprendizaje automático convierten estos datos en información útil para la automatización, personalización y predicciones complejas.
Eso sí, un punto clave para el éxito de un caso de uso aplicado al Business, es que los algoritmos se especializan en tareas específicas según las características de los datos y los requisitos del proyecto. Esto es, un modelo no puede abarcar dos tareas, esto es, si un modelo predice los errores de la televisión para fútbol, no se podrá usar ese mismo algoritmo para predecir los errores cuando se dan las noticias. Son tareas extremadamente específicas, eso sí, cuanto más concreta sea la tarea mayor será el éxito predictivo y menor el error.
Los pasos para elegir el correcto algoritmo y tener éxito en un caso de uso
Bueno, tener claro los pasos es importante, porque el orden es clave, así como tener presente en la mente todos los pasos y sus implicaciones. Como estamos en la inmensidad del océano, hay que tener claro cuál es la brújula que nos orientará (o el GPS si eres de los modernos):
Definir el problema (Objetivo) >> Entender los datos >> Construir el modelo >> Evaluar el modelo >> Desarrollar y mantener el modelo >> Comunicar los resultados
Hay 3 tipos de algoritmos principalmente que se deben tener en cuenta a la hora de analizar el objetivo y empezar a desarrollar toda la cadena, que son:
- Aprendizaje supervisado: Modelo entrenado con datos etiquetados para predecir o clasificar.
- Aprendizaje no supervisado: Modelo sin datos etiquetados, descubre y busca patrones.
- Aprendizaje por refuerzo: El modelo aprende tomando acciones en un entorno, maximizando recompensas.
Algoritmos sencillos que dan éxito en los casos de uso de negocio
Ahora vamos a profundizar concretamente en dos algoritmos muy usados dentro del machine learning, concretamente en el aprendizaje supervisado.
Hablamos de la diferencia entre regresión lineal y logística, que habíamos mencionado antes. La primera se usa para variables continuas y la segunda para variables de tipo dicotómico o binario.
Por ejemplo, si el objetivo de un caso de uso es predecir la demanda de un producto, se usaría la regresión lineal. Aunque si el objetivo del caso de uso de negocio es predecir si una persona comprará o no un determinado producto, entonces se usaría la regresión logística.
Veamos gráficamente como se representa, siendo el gráfico de la izquierda la regresión lineal y el de la derecha la regresión logística:
La regresión lineal es un método que modela la relación entre dos variables continuas, como predecir el valor de una variable (Y) en función de otra (X) mediante una línea recta. Este algoritmo funciona bien con miles de variables o características, aunque es inestable si las son redundantes.
La regresión logística es un método que se utiliza para predecir la probabilidad de pertenencia a una categoría binaria, como sí/no. Convierte la salida en una escala logística para realizar predicciones de clasificación. Cuidado con el uso de este algoritmo confundirlo con uno cuya finalidad sea de clasificación
Conclusión
Seleccionar el algoritmo de machine learning adecuado para el Caso de Uso puede impactar enormemente el éxito de tu proyecto. Sigue estos consejos del artículo para elegir un algoritmo que se ajuste a tus necesidades y objetivos. El algoritmo correcto puede maximizar el éxito en machine learning y, por tanto, la cuenta de resultados en cualquier negocio.
Esta artículo da unas pinceladas de los algoritmos más sencillos y útiles que se usan en machine learning para la toma de decisiones. Elegir el modelo adecuado es crucial, ya que no todos los algoritmos son adecuados para todos los problemas.
Recuerda que si te ha gustado este artículo y te has quedado con ganas de profundizar más, si tienes un mar de dudas o no te quieres ahogar en el océano del machine learning, puedo ayudarte y ser tu salvavidas para entender cada algoritmo optimizando su gestión con programación.
