Diferentes modelos de aprendizaje no supervisado

Los modelos de aprendizaje automático se dividen en tres familias: el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo. Siendo posiblemente el más utilizado el aprendizaje no supervisado. Principalmente debido a que no necesita datos etiquetados con para el proceso de entrenamiento, como es requerido en aprendizaje supervisado. A continuación, vamos a ver los diferentes tipos de modelos de aprendizaje no supervisado existentes, siendo estos el análisis de clúster, los modelos generadores y las reglas de asociación.

Aprendizaje no supervisados

En aprendizaje no supervisado, a diferencia del supervisado, no existe un valor correcto que replicar durante el entrenamiento de los modelos. Tampoco en producción. Por lo que no existe una medida del error que minimizar, cómo puede ser el caso del error cuadrático medio de los modelos de regresión o la precisión en los modelos de clasificación. Ya en este contexto no se puede extender el concepto de predicción correcta o incorrecta, como sucede en aprendizaje supervisado.

Al implementar un modelo de aprendizaje no supervisado lo que realmente se busca es identificar los patrones existentes en los datos. Únicamente con la información disponible en los propios datos, sin ninguna otra indicación adicional.

Así el objetivo de los modelos no supervisados será descubrir grupos de datos similares entre sí, reproducir una distribución de datos de entrada o identificar patrones en las muestras. Lo que hace con algunos de los siguientes modelos de aprendizaje no supervisado.

Análisis de clúster (Clustering analysis)

Uno de los tipos de modelos más populares en aprendizaje no supervisado es el análisis de clúster (también conocido como análisis de grupos o, simplemente, clustering). Los algoritmos detrás de estos modelos se basan en la suposición de que es posible agrupar las muestras en base a sus similitudes. Para las cuales se puede emplear diferentes métricas de distancia, como puede ser el caso de la distancia euclídea. Entendiéndose como medida de similitud entre dos registros el valor inverso de la métrica.

Así los registros pertenecientes a un clúster son aquellos cuya distancia entre sí es mínima en comparación con el resto. Esto es, con los elementos que no pertenecen a este. Lo que implica que el clúster contiene registros cuya similitud entre sí es máxima en comparación con el resto de los datos.

Los tipos de agrupamientos más populares en análisis de clúster son: agrupamiento basado en centroide (por ejemplo, k-means), agrupamiento jerárquico y agrupamiento basado en densidad (por ejemplo, DBSCAN).

Modelo generador (Generative model)

Otro tipo de modelo ampliamente utilizado dentro del aprendizaje no supervisado son los modelos generadores. En los que se busca modelar una distribución paramétrica que genere los datos observados. Buscando para ello los parámetros de esta distribución que minimicen la distancia entre la distribución candidata y el proceso de generación de datos. Una vez obtenidos los parámetros es posible estimar la probabilidad de que cada uno de los registros hayan sido generados por cada una de las distribuciones. Indicando de esta manera si pertenecen o no a cada uno de los clústeres.

Entre los modelos de este tipo es posible destacar los modelos de mezcla, como es el caso de los Modelos de Mezcla Gaussiana (GMM, Gaussian Mixture Model).

Reglas de asociación (Association rules)

Finalmente, se pueden citar los modelos basados en el descubrimiento de reglas de asociación (Association Rules). A lo que también se le conoce como análisis de la cesta de la compra (Market Basket Analysis) ya que surgieron en este entorno. Siendo unos tipos de análisis extremadamente importantes dentro de la minería de datos.

En estos análisis se busca identificar reglas las cuales predicen la probabilidad de que se observe un consecuente después de observar un antecedente en un registro. Lo que se suele denotar A => B, donde A es el antecedente y B el consecuente. Pudiendo ser tanto el antecedente como el consecuente un elemento o un conjunto de elementos.

Para obtener las reglas se suele partir de una colección de transacciones con diferentes elementos. La importancia de las reglas generalmente se mide en base al soporte, la probabilidad de observar el antecede y consecuente en los registros, y confianza, la probabilidad de observar el consecuente una vez observado el antecedente. Siendo importante notar que el sentido de la regla lo define el valor de la confianza.

Algunos de los algoritmos más utilizados para obtener las reglas de asociación son Apriori y Eclat.

Conclusiones

En esta ocasión hemos visto los diferentes tipos de modelos de aprendizaje no supervisado que existen. Es importante diferenciar el análisis de clúster, de los modelos generativos y las reglas de asociación. Ya que cada utiliza unos supuestos diferentes e identifican diferentes patrones en los conjuntos de datos.

Imagen de chenspec en Pixabay