Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 88 vistas

    Algoritmos de Maximizacion de Esperanza

    Cargado por

    Carolina Aravena
    El documento presenta una sesión presencial sobre algoritmos de maximización de esperanzas. Incluye conceptos clave de máquinas de soporte vectorial como buscar maximizar el margen de separación entre clases y soporte vectorial. También cubre estimación por máxima verosimilitud, algoritmo EM, modelado de mezclas gaussianas para agrupamiento no supervisado e imputación de datos faltantes usando EM.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Algoritmos de Maximizacion de Esperanza

    Cargado por

    Carolina Aravena
    88 vistas29 páginas
    El documento presenta una sesión presencial sobre algoritmos de maximización de esperanzas. Incluye conceptos clave de máquinas de soporte vectorial como buscar maximizar el margen de separación entre clases y soporte vectorial. También cubre estimación por máxima verosimilitud, algoritmo EM, modelado de mezclas gaussianas para agrupamiento no supervisado e imputación de datos faltantes usando EM.

    Descripción original:

    algoritmos de maximizacion de esperanza

    Título original

    algoritmos de maximizacion de esperanza

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento presenta una sesión presencial sobre algoritmos de maximización de esperanzas. Incluye conceptos clave de máquinas de soporte vectorial como buscar maximizar el margen de separación entre clases y soporte vectorial. También cubre estimación por máxima verosimilitud, algoritmo EM, modelado de mezclas gaussianas para agrupamiento no supervisado e imputación de datos faltantes usando EM.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    88 vistas29 páginas

    Algoritmos de Maximizacion de Esperanza

    Cargado por

    Carolina Aravena
    El documento presenta una sesión presencial sobre algoritmos de maximización de esperanzas. Incluye conceptos clave de máquinas de soporte vectorial como buscar maximizar el margen de separación entre clases y soporte vectorial. También cubre estimación por máxima verosimilitud, algoritmo EM, modelado de mezclas gaussianas para agrupamiento no supervisado e imputación de datos faltantes usando EM.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 29

    Algoritmo Maximización

    de esperanzas _
    Sesión Presencial 2
    Itinerario

    Activación de conceptos Desarrollo Desafío Panel de discusión


    Activación de conceptos
    ¿Cuál es el principio de clasificación para SVM?

    ● Implementamos un clasificador discriminante que se base en la combinación lineal de


    parámetros.
    ● Implementamos un clasificador generativo que encuentre las clases en función a la
    distribución conjunta.
    ● Buscamos maximizar el margen donde es posible separar las clases.
    ¿Qué significa "Soporte Vectorial"
    en máquinas de Soporte Vectorial?
    ● Observaciones que permiten establecer los límites positivos y negativos del margen.
    ● Observaciones que se posicionan dentro de la clase opuesta.
    ● Observaciones inferidas a partir del clasificador lineal.
    ¿Cuál es una de las principales desventajas de SVM?

    ● SVM es un modelo de caja negra.


    ● SVM es sensible a la escala de los atributos.
    ● SVM es ineficiente en espacios N-dimensionales.
    ¿Cuál es el objetivo del kernelizar?

    ● Estimar la probabilidad de clase de una observación.


    ● Reducir la dimensionalidad de la matriz de atributos.
    ● Re-expresar la matriz de atributos en un nuevo espacio que permita la separación.
    ¿Cuál es el efecto de C y Gamma?

    ● C penaliza el costo y Gamma determina el ancho del kernel cuando es lineal.


    ● C determina el ancho del kernel y Gamma penaliza la función de costo.
    ● C penaliza el costo y Gamma determina el ancho del kernel cuando es radial basis function.
    Estimación por Máxima Verosimilitud
    Estimación por Maximización de Esperanzas
    El proceso algorítmico
    EM en una imagen
    Modelo de mezcla de Gaussianas

    Objetivo:
    Generar una aproximación informada sobre el número óptimo de grupos en una matriz de atributos,
    dado que no tenemos información sobre los grupos.

    Implementación con sklearn


    Identificando óptimo de clusters
    Criterios de información

    Origen: Desviación del modelo respecto a los datos "verdaderos"


    (A/B)IC: Logverosimilitud penalizada

    Criterio de información de Akaike

    Criterio de información Bayesiano


    Implementación en sklearn
    Densidades inferidas
    Clasificación de densidades
    Mezcla probabilística
    Efecto de la covarianza
    Covarianza full
    Covarianza diag
    Detección de anomalías
    Otras aplicaciones
    Imputación de datos perdidos
    (Little y Rubin, 1997)

    Por defecto la comunidad de Machine Learning no trabaja muy bien con datos perdidos. Sus
    estrategias incluyen:
    ● Imputación por moda y media
    ● Interpolación de datos

    Problema: Puede replicar sesgos subyacentes de los datos →

    Estrategia EM → Completar de forma iterativa la logverosimilitud de los datos no observados.


    ● Iterar el proceso de generación K veces
    ● Estimar un modelo en cada proceso de generación de datos y resumir los puntos estimados.
    ● EM es más conveniente dado que preserva la relación entre los datos.
    Modelación concomitante de clases latentes
    (Rabe-Hesketh y Skrondal, 2004)

    ● Híbrido entre un modelo de mezclas gaussianas y un modelo generalizado multinomial.


    ● Permite identificar la probabilidad de pertenencia a una de las densidades inferidas en
    función de un conjunto de covariables.
    ● ¿Por qué no etiquetar las observaciones con ?

    Ignoramos la existencia de una mezcla de


    probabilidades generadas para cada una observación
    /* Desafío */
    Panel de discusión
    www.desafiolatam.com

    También podría gustarte