Redes neuronales para predicciones

Veremos el concepto de implementación de modelos predictivos y predicciones utilizando redes neuronales. El análisis predictivo es una forma de análisis en el que trabajamos con datos históricos para construir modelos predictivos. Podemos utilizar varios algoritmos matemáticos, estadísticos y de redes neuronales para construir modelos predictivos. Identificar y capturar tendencias importantes a partir de los datos históricos y luego aplicar los modelos predictivos en los datos actuales para predecir eventos futuros o proporcionar sugerencias prácticas para obtener resultados óptimos. Cuando construimos modelos de análisis predictivo utilizando redes neuronales, se pueden clasificar en dos tipos diferentes, clasificación y regresión.

                             

Exploraremos las características esenciales de cada una de las categorías de modelos de análisis predictivo para comprender sus diferentes características e implementaciones. La predicción mediante el modelo de clasificación se basa en etiquetas de clase categóricas. Usando el modelo de clasificación, podemos predecir a que categoría pertenece cada dato de entrada,  tiene opciones de salida finitas, y no  están disponibles en un orden dado en particular. La predicción basada en la clasificación implica dos pasos diferentes. Primero construir el modelo clasificador. El segundo paso es utilizar el modelo para la clasificación.

La construcción del modelo clasificador  se conoce como fase de aprendizaje. En este paso, generalmente utilizamos un algoritmo de clasificación para construir el modelo clasificador. Después de construir el modelo, podemos comenzar a usar el modelo para la clasificación. Alimentamos con datos de prueba el modelo para estimar la precisión de las reglas de clasificación. En este paso en particular, realizamos dos análisis diferentes para identificar y segregar los atributos irrelevantes y relevantes. Realizamos un análisis de correlación para identificar los atributos relacionados seguido de un análisis de relevancia para segregar los atributos irrelevantes.

                                

Un modelo de regresión, a diferencia del modelo de clasificación, es esencialmente una metodología estadística que utilizamos a menudo para la predicción numérica. Generalmente utilizamos un modelo de regresión para predecir aquellos valores que son continuos a través de cantidades numéricas. Los valores predichos son típicamente infinitos y están ordenados. Podemos utilizar el análisis de regresión para modelar las relaciones entre una variable de respuesta y una o más variables predictoras. Los modelos de regresión son muy útiles para comprender la asociación entre los cambios en los valores predictores y los cambios en la media de respuesta. Los modelos de regresión pueden incluso ayudar a facilitar las predicciones basadas en los valores de los predictores.

                     

¿Cuáles son los diferentes mecanismos y algoritmos que podemos utilizar para construir modelos predictivos y facilitar las predicciones? Algunos de los mecanismos y algoritmos destacados que podemos utilizar para construir modelos predictivos incluyen la regresión lineal y las redes neuronales. La regresión lineal es la forma más simple de modelo de regresión que podemos usar para construir modelos predictivos con el supuesto de que existen relaciones entre las variables de entrada y salida. También podemos utilizar redes neuronales para construir modelos predictivos. 

La construcción de modelos y la predicción mediante redes neuronales  implican varios pasos iterativos. Comenzamos creando el modelo y usamos ciertos algoritmos y reglas para entrenar el modelo. Luego usamos el modelo en conjuntos de datos de prueba para verificar el nivel de precisión del modelo comparando los valores de salida con los valores reales. Y finalmente, después de haber alcanzado el nivel de precisión deseado, comenzamos a utilizar el modelo con datos actuales para sugerir acciones futuras basadas en los resultados. Aparte de los modelos lineales y las redes neuronales, existen otros algoritmos y métodos que podemos utilizar para construir modelos predictivos.

Algunos de los modelos predictivos destacados que se implementan comúnmente en la actualidad incluyen modelos lineales, árboles de decisión, máquinas de vectores de soporte o SVM y Naive Bayes. Veremos los cuatro modelos predictivos diferentes que acabamos de mencionar. 

Comenzaremos con el modelo lineal y los árboles de decisión. Los modelos lineales son uno de los algoritmos estadísticos más utilizados para construir modelos de relación entre dos variables diferentes. La primera variable se conoce generalmente como variable predictora y la segunda variable se conoce como variable de respuesta. El árbol de decisiones es una forma o tipo de gráfico. Usamos la representación gráfica del árbol de decisiones para representar posibilidades y resultados. Los nodos representan eventos, mientras que los bordes representan condiciones o reglas de decisión. SVM, que es la abreviatura de máquina de vectores de soporte, también se conoce como vectores de soporte.

Este modelo predictivo en particular se basa en la búsqueda de los puntos más cercanos. Es una forma de algoritmo de aprendizaje supervisado y se puede utilizar para construir modelos predictivos para clasificación y regresión. El algoritmo final del modelo predictivo, Naive Bayes, se usa comúnmente para problemas de clasificación. Naive Bayes se basa en el teorema de probabilidad de Bayes, que también se conoce como reglas de Bayes o ley de Bayes. Este algoritmo en particular se usa comúnmente para facilitar la clasificación de texto que involucra conjuntos de datos de entrenamiento de alta dimensión.  

Las redes neuronales brindan la capacidad de procesar datos históricos y actuales para estimar valores futuros. Identifican y extraen cualquier correlación compleja en patrones que estén ocultos en los datos. Los datos que se alimentan como entrada en la capa de entrada pueden tener formatos diversificados de fuentes diversificadas. Por ejemplo, la entrada pueden ser números, textos, imágenes, videos, audios, transmisión de datos, entre otros. Podemos usar los datos de entrada y dividirlos en conjuntos de datos de prueba y de entrenamiento. Usamos los conjuntos de datos de entrenamiento para entrenar la red, y usamos los conjuntos de datos de prueba para probar la precisión de la salida proporcionada por la red. La capa oculta es responsable de las tareas computacionales.

Y en términos de predicción, esta capa puede utilizar funciones de predicción para facilitar la predicción y transmitir los valores predichos a la capa de salida para proporcionar conocimientos útiles o sugerir cursos de acción futuros. Veremos cómo diseñar y construir modelos de predicción de redes neuronales, el proceso de diseño y construcción implica varios pasos iterativos que se repiten hasta que se produce el modelo deseado. El primer paso es identificar el problema o el escenario del caso de uso y, en consecuencia, construir el enunciado del problema o la descripción del caso.

Después de derivar la descripción del caso, podemos comenzar a analizar y revisar la descripción del caso para comprender el resultado esperado del diseño.