Una comparación de algoritmos de aprendizaje automático en Python y R.

A comparison of machine learning algorithms in Python and R.

Esta lista de los algoritmos de aprendizaje automático más comúnmente utilizados en Python y R tiene como objetivo ayudar a los ingenieros principiantes y entusiastas a familiarizarse con los algoritmos más comúnmente utilizados.

Python y R son dos de los lenguajes de programación más utilizados para el aprendizaje automático. Ambos son de código abierto y altamente accesibles, pero donde Python es un lenguaje de propósito general, R es un lenguaje de programación estadístico. Esto lo hace ideal para varios roles y aplicaciones de datos, como la minería de datos.

Los dos lenguajes de programación también fomentan la reutilización, lo que significa que los ingenieros y entusiastas novatos del aprendizaje automático no tienen que escribir su código desde cero. Usarlos para construir proyectos consiste en integrar los módulos y algoritmos adecuados, todo lo que tienes que saber es dónde buscar. Para ayudarte, hemos compilado una lista de algunos de los algoritmos de aprendizaje automático más utilizados para Python y R. Asegúrate de marcar esta guía y consultarla cada vez que te quedes atascado.

• Búsqueda de similitud, Parte 5 Hashing sensible a la localidad (LSH)
• Moldeando el Futuro de la IA Una Encuesta Exhaustiva sobre Modelos de Pre-Entrenamiento Visión-Lenguaje y su Papel en Tareas Uni-Modales y Multi-Modales.
• Implemente un punto final de inferencia de ML sin servidor para modelos de lenguaje grandes utilizando FastAPI, AWS Lambda y AWS CDK.

1. Algoritmo de agrupamiento K-Means

Como su nombre indica, el aprendizaje automático se trata en última instancia de enseñar a los sistemas informáticos para que puedan funcionar de manera autónoma. Esto puede facilitarse a través del aprendizaje supervisado o no supervisado.

Una forma de realizar lo último es mediante el algoritmo de agrupamiento K-Means, que busca encontrar patrones en un conjunto de datos agrupando (clusterizando) puntos de datos similares.

En el lenguaje de programación R, el agrupamiento K-Means se realiza generalmente utilizando la función k-means. Desafortunadamente, Python no parece ofrecer una solución lista para usar que sea tan sencilla. El agrupamiento K-Means para Python generalmente se lleva a cabo utilizando la clase sklearn.cluster.KMeans de la biblioteca sci-kit-learn en conjunto con la biblioteca matplotlib.pyplot.

El algoritmo de agrupamiento K-Means es uno de los más ampliamente utilizados para el aprendizaje automático no supervisado, y es probable que te encuentres con él o necesites usarlo tarde o temprano. Por lo tanto, es uno de los primeros que debes aprender y dominar.

2. Árbol de decisión

El algoritmo de árbol de decisión es preferido por su accesibilidad y facilidad de uso. Es un algoritmo de aprendizaje automático supervisado que se utiliza principalmente para la clasificación. Por ejemplo, las empresas pueden utilizarlo para determinar cómo manejar a los clientes difíciles a través de chatbots.

El árbol de decisión enseña a las máquinas cómo tomar decisiones a partir de experiencias anteriores. Una de las razones por las que es tan popular entre los nuevos ingenieros de aprendizaje automático es porque puede modelarse y representarse visualmente como un gráfico o diagrama. Esta calidad lo hace atractivo para aquellos con habilidades de programación tradicionales.

Existen dos tipos principales de árboles de decisión:

• Árbol de decisión de variable continua: se refiere a los árboles de decisión con variables objetivo ilimitadas.
• Árbol de decisión de variable categórica: se refiere a los árboles de decisión con variables objetivo limitadas agrupadas.

Los paquetes y clases que más se preocupan por los árboles de decisión en el lenguaje de programación R incluyen:

• Conjuntos de datos
• caTools
• party
• dplyr
• magrittr

Nuevamente, tendrás que buscar módulos de Python externos para implementar este algoritmo. Al igual que con el algoritmo de agrupamiento K-Means, sci-kit-learn contiene una gran cantidad de módulos para árboles de decisión con sklearn.tree siendo el más relevante. También puedes usar el módulo Graphviz para representar gráficamente tu árbol de decisión de forma programática.

3. Análisis de regresión lineal

La regresión lineal es otro algoritmo de aprendizaje automático supervisado ampliamente utilizado. El objetivo del análisis de regresión lineal es deducir un resultado o valor en función de una variable o conjunto de variables.

Como la mayoría de los algoritmos, la mejor manera de visualizar esto es mediante un gráfico con dos ejes. El eje Y representa la variable dependiente, mientras que el X contiene la variable independiente. El objetivo del análisis de regresión lineal es formar o encontrar una relación entre estas dos variables.

Si un aumento en la variable independiente causa un aumento en la variable dependiente (similar al crecimiento exponencial), esto se conoce como una relación positiva. Por otro lado, si el valor de la variable dependiente disminuye a medida que aumenta el valor de la variable independiente (similar al decaimiento exponencial), esto se conoce como una relación negativa.

Utilizamos una línea de mejor ajuste para determinar la relación, que puede representarse utilizando la ecuación lineal de pendiente-intersección y = mx + b.

Pero, ¿cómo facilitamos la regresión lineal en R y Python? Los paquetes más preocupados por el análisis de regresión lineal en el lenguaje de programación R son:

• ggplot2
• dplyr
• broom
• ggpubr

Los paquetes gg se utilizan para crear y trazar gráficos, mientras que dplyr y broom se utilizan para manipular y mostrar datos. sklearn.linear_model se puede utilizar para construir tu modelo de regresión lineal en Python. También puedes agregar NumPY para procesar matrices y matrices grandes.

4. Regresión Logística

Al igual que la regresión lineal, la regresión logística nos permite predecir el valor de una variable basada en otra (o en un conjunto de otras) variable(s). Sin embargo, en donde la regresión lineal utiliza valores métricos, la regresión logística utiliza variables discretas. Estas son variables dicotómicas que sólo pueden tener uno de dos valores (sí o no, 0 o 1, verdadero o falso, etc.).

En el mundo real, esto se puede utilizar para determinar la probabilidad de que una persona compre un producto (venta al por menor) o la probabilidad de que tenga una enfermedad (atención médica). Por ejemplo, podríamos utilizar la edad, la altura y el peso como variables independientes (x). Y el resultado binario sería la variable dependiente (y). Por lo tanto, x es el dominio de los números reales y y contiene valores discretos.

El objetivo de la regresión logística es estimar (predecir) la probabilidad de un resultado o evento. Debido a que los valores de y son binarios, no podemos utilizar una ecuación lineal y debemos utilizar una función de activación en su lugar.

La función sigmoide se utiliza para representar la regresión logística:

f(x) = L / 1+e^(-x)

o

y = 1/(1+e^-(a+b1x1+b2x2+b3x3+…))

Los paquetes y módulos de Python más relacionados con la regresión logística son:

• matplotlib.pyplot
• sklearn.linear_model
• sklearn.metrics

El procedimiento para generar regresiones logísticas con R es mucho más simple y puede hacerse utilizando la función glm().

5. Máquinas de Vectores de Soporte

Los algoritmos de máquinas de vectores de soporte (SVM) se utilizan principalmente para la clasificación, pero también se pueden utilizar para tareas basadas en la regresión. Las SVM son uno de los enfoques más simples para la clasificación.

En una SVM, el objeto que debe ser clasificado se representa como un punto en un espacio n-dimensional. Cada coordenada de este punto se llama su característica. Las SVM intentan clasificar un objeto dibujando primero un hiperplano para que todos los puntos de cada categoría estén en un lado u otro.

Aunque podría haber varios hiperplanos posibles, SVM intenta encontrar el que mejor separa las dos categorías. Principalmente logra esto encontrando la distancia máxima entre las categorías, conocida como el margen. Los puntos que tocan o caen directamente en el margen se llaman vectores de soporte.

Dado que SVM es un método de aprendizaje automático supervisado, requiere datos de entrenamiento. Puede implementar este algoritmo de aprendizaje automático en Python con el módulo SVM dedicado de sklearn. Las SVM en R se suelen manejar utilizando las funciones de contorno y trazado.

Conclusión

Muchos de estos algoritmos son un testimonio de lo mucho que depende el aprendizaje automático de la probabilidad y la estadística. Aunque R precede a la ingeniería moderna de aprendizaje automático, es relevante porque es un lenguaje de programación estadístico. Como tal, muchos de estos algoritmos se pueden construir o implementar fácilmente.

Python es un lenguaje de programación de propósito general multiparadigma, por lo que tiene una amplia gama de casos de uso. Sci-kit–learn es la biblioteca más confiable para los módulos de aprendizaje automático de Python. Si desea obtener más información sobre los algoritmos mencionados y otros más, visite el sitio web oficial de la biblioteca.

Nahla Davies es una desarrolladora de software y escritora técnica. Antes de dedicarse por completo a la escritura técnica, se desempeñó -entre otras cosas interesantes- como programadora principal en una organización de marca experiencial del Inc. 5,000 cuyos clientes incluyen Samsung, Time Warner, Netflix y Sony.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!