Perfilado de sección

  • Profundizaremos en el aprendizaje supervisado aplicando algoritmos clásicos y robustos: Árboles de decisión, Random Forest y Máquinas de Soporte Vectorial (SVM). Estos modelos representan distintos enfoques matemáticos para separar y categorizar la información.

    Analizaremos la lógica jerárquica de los árboles de decisión y cómo el algoritmo Random Forest los combina para formar "ensambles", estabilizando la predicción y reduciendo el margen de error. Por otro lado, evaluaremos las SVM para trazar hiperplanos óptimos en espacios multidimensionales.

    La capacidad de clasificar estímulos con alta precisión es un requisito base para desarrollar sistemas que interactúen con su entorno. Cuando un agente reconoce variables discretas de forma autónoma, da el primer paso cognitivo hacia la comprensión estructural de su mundo.

    Video: ¿Qué es Random Forest? Explicación sencilla (Aprende IA)

    BOSQUES ALEATORIOS: Clasificación y Regresión

    • Entrenando un modelo de Bosque aleatorio || Random Forest en Python paso a paso 2022 URL
    • Actividad (Tarea):

      Descarga la base de datos de Diagnóstico de Cáncer de Mama: Breast Cancer Wisconsin (CSV). Utilizando scikit-learn en Colab, entrena un modelo de Random Forest y un modelo SVM sobre estos datos. Imprime un reporte de clasificación (classification_report) para comparar cuál de los dos obtuvo mejor F1-Score global.

    • Foro:

      Compara la interpretabilidad de un Árbol de Decisión simple (donde puedes leer las reglas) frente a la complejidad matemática de caja negra de un modelo Random Forest. ¿En qué industrias sacrificarías interpretabilidad por precisión?