Scribd
Cargar
208 vistas1 página

Big Data Con Python 2 9

Este documento trata sobre técnicas de minería de datos y clasificación. Se describen métodos de clustering como k-medias y EM, así como reglas de asociación y predicción numérica usando árboles de regresión. También cubre clasificación usando tablas de decisión, árboles de decisión, reglas de clasificación, aprendizaje de instancias, máquinas de vectores de soporte y redes neuronales. Finalmente, introduce lógica borrosa y algoritmos genéticos.

Cargado por

Poe
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
208 vistas1 página

Big Data Con Python 2 9

Este documento trata sobre técnicas de minería de datos y clasificación. Se describen métodos de clustering como k-medias y EM, así como reglas de asociación y predicción numérica usando árboles de regresión. También cubre clasificación usando tablas de decisión, árboles de decisión, reglas de clasificación, aprendizaje de instancias, máquinas de vectores de soporte y redes neuronales. Finalmente, introduce lógica borrosa y algoritmos genéticos.

Cargado por

Poe
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 1

Ciencia de datos

5.2 Algoritmos de clasificación .................................. 185


5.2.1 Detección de valores atípicos............................................186
5.2.2 LDA, Linear Discriminant Analysis ....................................195
5.2.3 Clasificadores probabilísticos ...........................................200
5.2.3.1 Naive bayesiano ....................................................................................... 201
5.2.3.2 Redes bayesianas ..................................................................................... 202

Capítulo 6
Técnicas de minería de datos ......................205
6.1 Técnicas de minería de datos .............................. 205
6.2 Clustering ................................................................ 207
6.2.1 Clustering numérico (k-medias)........................................209
6.2.2 Clustering conceptual (COBWEB) .................... 210
6.2.3 Clustering probabilístico (EM) ..........................................214
6.3 Reglas de asociación ............................................. 217
6.4 Predicción numérica ............................................. 220
6.4.1 Predicción no lineal con árboles de regresión ................220
6.4.2 Estimador de núcleos.........................................................225
6.4.2.1 Aplicación a problemas multivariantes ................................................ 228
6.4.2.2 Aplicación a problemas de clasificación ............................................... 229
6.5 Clasificación ........................................................... 231
6.5.1 Tabla de decisión ................................................................231
6.5.2 Árboles de decisión ............................................................233
6.5.3 Reglas de clasificación .......................................................245
6.5.4 Clasificación bayesiana ......................................................251
6.5.5 Aprendizaje basado en ejemplares ..................................257
6.5.5.1 Algoritmo de los k-vecinos más próximos........................................... 258
6.5.5.2 Algoritmo k-estrella................................................................................. 260
6.5.5.3 Probabilidad de transformación para los atributos permitidos........ 261
6.5.5.4 Combinación de atributos ...................................................................... 262
6.5.5.5 Selección de los parámetros aleatorios ................................................. 262
6.5.5.6 Clasificación de un ejemplo ................................................................... 264
6.5.6 Máquinas de vectores de soporte (SVM) ........................265
6.5.6.1 SVM lineal................................................................................................. 266
6.5.6.2 SVM lineal de margen blando (soft margin) ......................................... 270
6.5.6.3 SVM no lineal. Funciones kernel ............................................................ 272
6.5.6.4 Clasificación multiclase .......................................................................... 276
6.5.7 Redes de neuronas .............................................................277
6.5.7.1 Estructura de las redes de neuronas ..................................................... 278
6.5.7.2 Proceso de entrenamiento (retropropagación) .................................... 279
6.5.8 Lógica borrosa (fuzzy logic) ...............................................281
6.5.9 Técnicas genéticas: algoritmos genéticos
(genetic algorithms) ....................................................................282

10
E-Books & Papers for Statisticians

También podría gustarte