Machine Learning Introducción, Diapositivas de Economía

¡Descarga Machine Learning Introducción y más Diapositivas en PDF de Economía solo en Docsity!

INTRODUCCIÓN

MÉTODOS NO SUPERVISADOS

ALDO LEZAMA BENAVIDES

FEBRERO 2024

SEGMENTACION DE CLIENTES DE UNA ENTIDAD FINANCIERA

Clientes Alto Valor Clientes Medio Valor Clientes Bajo Valor CLUSTERING

Genero Edad Color Cabello Color Ojos Color Piel Sonrie M 10 Rubio Azul Blanco S F 35 Negro Marrón Trigueño N F 39 Marrón Negro Trigueño N M 40 Blanco Negro Trigueño N M 48 Blanco Negro Trigueño N F 53 Rubio Verde Blanco S F 65 Blanco Negro Oscura S F 19 Negro Marrón Trigueño S F 24 Rubio Negro Blanco S

¿Cuál va ser nuestro criterio de agrupamiento?

ALGORITMO DE K-MEANS

ALGORITMO DE K-MEANS Definimos 3 centroides de manera aleatoria

ALGORITMO DE K-MEANS Al definir los centroides se forman los segmentos ¿Son los adecuados?

ALGORITMO DE K-MEANS El ajuste se va graduando según el criterio de distancia utilizado, en este caso distancia euclidiana

ALGORITMO DE K-MEANS El ajuste se va graduando según el criterio de distancia utilizado, en este caso distancia euclidiana

DISTANCIA ENTRE DOS PUNTOS 𝑥 1 𝑥 2 𝑦 1 𝑦 2 A (^) B C 𝑑𝑒 𝑑𝑒 2 = 𝐴𝐵 2

• 𝐵𝐶 2 𝑑𝑒 = 𝐴𝐵 2
• 𝐵𝐶 2 𝑑𝑒 = (𝑥 2 − 𝑥 1 )^2 +(𝑦 2 − 𝑦 1 )^2 ● Si dos puntos están cerca la una de la otra, podría haber posibilidades que fueran similares 𝑑𝑚 Euclidiana 𝑑𝑚 = 𝐴𝐵 + 𝐵𝐶 𝑑𝑚 = 𝑥 2 − 𝑥 1 + |𝑦 2 − 𝑦 1 | Manhattan

NÚMERO ÓPTIMO DE CLUSTERES ● En este método, calculamos la distancia promedio de los elementos al centroide, con el incremento en el número de centroides, la distancia promedio entre los elementos y su centroide decrece ● Nosotros usamos múltiples valores de K y lo graficamos, aquí buscamos el valor de K donde la pendiente decrece y las distancias medias se nivelan Clúster óptimo Otros métodos para validar el valor de K, incluye el coeficiente de silueta donde el valor más alto es considerado wss K

K-MEANS: Desventajas

• El modelador necesita definir el número de clúster
• Sólo se maneja data numérica dado que utiliza el criterio de distancia
• Depende de los valores iniciales con las que empieza el algoritmo
• Posibilidad de obtener óptimos locales y no globales
• El resultado se ve afectado por valores outliers

INTRODUCCIÓN

MÉTODOS SUPERVISADOS

ALDO LEZAMA BENAVIDES

FEBRERO 2024

TIPOS DE APRENDIZAJE

APRENDIZAJE SUPERVISADO Cuando se habla de este tipo de machine learning es porque se trata de dotar a las máquinas de información previa para que ellos, en el futuro, tengan ejemplos y puedan ampliar su conocimiento. Se suele realizar por medio de etiquetas, de forma que al programar las máquinas le pasamos cualquier elemento debidamente etiquetado, para que luego ellas puedan seguir etiquetando más fotografías sin necesidad de que interceda ningún humano. Por ejemplo, podemos pasarle imágenes de coches, de edificios o señales de tráfico, indicándoles de qué se trata en cada caso. Con todos esos ejemplos, las máquinas van generando su propio bagaje de conocimiento para, más adelante, poder seguir asignando etiquetas al reconocer un coche, un edificio o una señal de tráfico.