Introducción al Machine Learning con MATLAB. Erik Cuevas Jiménez

CAPÍTULO 7. Métodos unidos

       7.1. Árboles de decisión

       7.2. Algoritmo CART

       7.3. Árboles de decisión para clasificación

       7.4. Árboles de decisión para regresión

       7.5. Funciones de MATLAB para árboles de decisión

       7.6. El método Bootstrap

       Referencias

       CAPÍTULO 8. Reconocimiento de objetos

       8.1. Comparación en imágenes a escala de grises

       8.2. Distancia entre patrones

       8.3. Distancia y correlación

       8.4. La correlación cruzada normalizada

       8.5. Coeficiente de correlación

       8.6. Reconocimiento de patrones usando el coeficiente de correlación

       8.7. Comparación de imágenes binarias

       8.7.1. La transformación de distancia

       8.7.2. El algoritmo de Chamfer

       8.8. Índice de relación de Chamfer

       Referencias

       CAPÍTULO 9. Estadística inferencial

       9.1. Introducción

       9.2. Distribución de muestreo

       9.2.1. Distribución normal

       9.2.2. Distribución t

       9.3. Estimación de parámetros

       9.3.1. Estimación por intervalos

       9.4. Pruebas de hipótesis

       Referencias

       CAPÍTULO 10. Evaluación del desempeño

       10.1. Introducción

       10.2. Ajustes sobre las predicciones de un clasificador

       10.2.1. Tipos de errores

       10.2.2. Matriz de confusión

       10.3. Métricas para clasificadores

       10.3.1. Exactitud (ACC)

       10.3.2. Razón de falsos positivos (FPR)

       10.3.3. Sensibilidad (VPR)

       10.3.4. Especificidad (SPC)

       10.3.5. Precisión

       10.3.6. F1

       10.3.7. F2

       10.4. Curva ROC

       10.5. El balance entre el sesgo y la varianza

       10.6. Evaluación de modelos

       10.6.1. Técnicas comunes de validación cruzada

       10.7. Métricas de error en regresores lineales

       Referencias

      PRÓLOGO

      Durante muchos años, los humanos hemos buscado detalles estructurales en la información, tales como reglas o patrones con los que describir, con precisión, la manera en cómo funcionan los sistemas importantes que nos rodean, sean estos sistemas agrícolas, biológicos, físicos, financieros, etc. Estos detalles estructurales de la información permiten comprender mejor un sistema, predecir con precisión su comportamiento futuro y, en última instancia, manipularlo. Sin embargo, el proceso de encontrar la estructura adecuada que parece describir un sistema dado no ha sido históricamente una tarea sencilla. Todavía, en el pasado reciente, los datos disponibles que registran alguna característica emitida por un sistema han sido un elemento extremadamente escaso. Además, la capacidad para calcular, para probar varios métodos y verificar cuál presenta un mejor funcionamiento se ha limitado a lo que se podía lograr con calculadoras o equipos con escasos recursos informáticos. Ambos factores limitaron la gama de problemas que, en el pasado, se pudieron investigar y los forzaron, inevitablemente, a utilizar enfoques filosóficos y/o visuales para la extracción de conocimiento a partir de la información. Hoy, sin embargo, se tiene un mundo inundado de datos, y tenemos un poder informático impresionante al alcance de la mano. Bajo estas condiciones, se puede actualmente abordar una gran gama