Introducción al Machine Learning con MATLAB. Erik Cuevas Jiménez
href="#u15164f21-be45-565b-a1d0-49c7ff4bc5c5">CAPÍTULO 7. Métodos unidos
7.3. Árboles de decisión para clasificación
7.4. Árboles de decisión para regresión
7.5. Funciones de MATLAB para árboles de decisión
CAPÍTULO 8. Reconocimiento de objetos
8.1. Comparación en imágenes a escala de grises
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
CAPÍTULO 9. Estadística inferencial
9.3.1. Estimación por intervalos
CAPÍTULO 10. Evaluación del desempeño
10.2. Ajustes sobre las predicciones de un clasificador
10.3. Métricas para clasificadores
10.3.2. Razón de falsos positivos (FPR)
10.5. El balance entre el sesgo y la varianza
10.6.1. Técnicas comunes de validación cruzada
10.7. Métricas de error en regresores lineales
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