Primero, presentamos el algoritmo de aprendizaje de la máquina de vectores de soporte. De hecho, el algoritmo de la máquina de vectores de soporte se llama simplemente SVM. En términos generales, el algoritmo de máquina de vectores de soporte es un algoritmo de aprendizaje automático supervisado para problemas de clasificación o regresión. SVM aprende de un conjunto de datos, por lo que SVM puede clasificar cualquier dato nuevo. Además, funciona clasificando datos en diferentes categorías mediante búsquedas. Lo usamos para dividir el conjunto de datos de entrenamiento en varias categorías. Y hay muchos hiperplanos lineales de este tipo. SVM intenta maximizar la distancia entre clases, lo que se denomina maximización marginal. Los algoritmos de máquina de vectores de soporte se dividen en dos categorías. La primera categoría es SVM lineal. En SVM lineal, los datos de entrenamiento deben separar el clasificador mediante un hiperplano. El segundo es SVM no lineal. En SVM no lineal, no es posible utilizar hiperplanos para separar los datos de entrenamiento.
A continuación, le presentaremos el algoritmo de aprendizaje automático Apriori. Cabe señalar que se trata de un algoritmo de aprendizaje automático no supervisado. Lo usamos para generar reglas de asociación a partir de un conjunto de datos determinado. Las reglas de asociación significan que si ocurre el elemento A, el elemento B también ocurre con una cierta probabilidad. La mayoría de las reglas de asociación generadas están en el formato IF_THEN. El principio básico del algoritmo de aprendizaje automático Apriori es que si un conjunto de elementos aparece con frecuencia, todos los subconjuntos del conjunto de elementos también aparecen con frecuencia.
A continuación, le presentaremos el algoritmo de aprendizaje automático del árbol de decisión. Un árbol de decisión es en realidad una representación gráfica que utiliza un método de ramificación para ilustrar todos los resultados posibles de una decisión. En un árbol de decisión, los nodos internos representan pruebas de atributos. Porque cada rama del árbol representa el resultado de la prueba y el nodo hoja representa una etiqueta de clase específica, es decir, la decisión tomada después de calcular todos los atributos. Además, tenemos que representar la clasificación mediante una ruta desde el nodo raíz hasta el nodo hoja.
El algoritmo de aprendizaje automático de bosque aleatorio también es un algoritmo importante y es el algoritmo preferido para el aprendizaje automático. Utilizamos el método de ensacado para crear una secuencia de árboles de decisión con subconjuntos aleatorios de datos. Tenemos que entrenar el modelo varias veces con muestras aleatorias del conjunto de datos porque necesitamos obtener un buen rendimiento predictivo del algoritmo de bosque aleatorio. Además, en este enfoque de aprendizaje conjunto, tenemos que combinar los resultados de todos los árboles de decisión y hacer la predicción final. Además, obtenemos la predicción final sondeando los resultados de cada árbol de decisión.
Este artículo presenta los algoritmos de aprendizaje automático, incluido el algoritmo de aprendizaje automático de bosque aleatorio, el algoritmo de árbol de decisión, el algoritmo a priori y el algoritmo de máquina de vectores de soporte. Creo que después de leer este artículo, todos tendrán una comprensión más completa del aprendizaje automático. Finalmente, les deseo a todos un regreso exitoso.