¿Qué son los modelos de aprendizaje automático?

“Los modelos de aprendizaje automático son homogéneos para las funciones que predicen algunos resultados para una determinada entrada “.

Para generar el modelo ML, necesitamos:

1. Datos de muestra con el atributo de destino proporcionado.
2. Algoritmo ML elegido de acuerdo con la naturaleza del atributo objetivo.

Proceso:

• Ingrese el conjunto de datos de entrenamiento.
• Deje que el algoritmo de aprendizaje automático se ejecute en los datos. [El algoritmo ahora aprende y captura el patrón en los datos]
• Ajuste los parámetros para controlar el aprendizaje del algoritmo. [Para facilitar la precisión]
• Después de que el algoritmo termina de aprender, el modelo finalmente se construye.

Ahora, cuando llega un nuevo conjunto de datos para la predicción, se pasa al modelo. El modelo que se construye al aprender los datos de muestra anteriores, por lo tanto, predice el resultado.

Por ejemplo: considere que tenemos que predecir cuál es el precio de la casa

1. Los datos de la muestra contendrán el atributo como área, número de habitaciones, tipo y también valor para PRECIO [atributo objetivo, que tenemos que predecir para nuevos datos en el futuro] .
2. Elegiremos el algoritmo de regresión lineal (y = mx + c) como el atributo objetivo “Precio” es numérico .

El algoritmo aprenderá de los datos y capturará el patrón de que, para tales áreas, no. De habitaciones y tipos, el precio será este.

Ahora, cuando llegan nuevos datos para la predicción, se envían directamente al modelo que indicará cuál será el precio de la casa. [como ha aprendido de los datos de muestra anteriores]

PD: puede generar un nuevo modelo con el mismo algoritmo y un conjunto de datos diferente (o) un algoritmo diferente y el mismo conjunto de datos para lograr la precisión / mejor predicción.

¿Alguna vez has comprado un piso? El constructor le habría mostrado un modelo plano. No es para vivir, sino una aproximación cercana de cómo se vería un departamento amueblado.

El modelo analítico intenta construir un sistema, un sistema falso, que puede aproximarse a un escenario complejo del mundo real. El mundo real tiene muchos factores influyentes. Por ejemplo, para predecir la lluvia en Bangalore, puedo ver los efectos causales, como la dirección del viento, la temperatura, etc. y construir una gran simulación … Este es un modelo muy complejo para predecir la lluvia. Sin embargo, también puedo construir un modelo que diga Probabilidad de lluvia en Bangalore, dado el hecho de que llovió en Andhra Pradesh, hace unos días, y la época del año es noviembre. Esto va a ser simple aproximadamente a fenómenos complejos. Tal modelo se puede construir con datos históricos pasados.

Un dicho popular del Dr. Box es: Todos los modelos están equivocados. Pero algunos son útiles.

En el escenario empresarial, como ejemplo, las personas crean modelos para predecir a qué clientes apuntar con qué oferta, qué clientes muestran signos de abandono, qué activos o máquinas necesitan mantenimiento, qué música recomendar a un usuario, qué transacciones parecen fraudulentas y etc. … Todos estos modelos se basan en la disponibilidad de datos pasados. Bajo toda esta mentira, las medidas de similitud, ya sean directas o indirectas …

Espero que esto haya ayudado.

Un modelo es algo creado por el proceso de capacitación. Estos son básicamente nuestros algoritmos de aprendizaje automático, por ejemplo, modelo de árbol de decisión, bosque aleatorio. Estos algoritmos se usan para la predicción.