¿Qué significa aprendizaje supervisado?
El aprendizaje supervisado, a diferencia del aprendizaje no supervisado, es un enfoque del machine learning (ML) que utiliza conjuntos de datos etiquetados y resultados correctos para entrenar algoritmos de aprendizaje sobre cómo clasificar datos o predecir un resultado.
El aprendizaje supervisado es útil para agrupar datos en categorías específicas (clasificación) y comprender la relación entre variables con el fin de hacer predicciones (regresión).
Se utiliza para ofrecer recomendaciones de productos, segmentar clientes en función de sus datos, diagnosticar enfermedades basándose en síntomas previos y realizar muchas otras tareas.
Definición de aprendizaje supervisado
El aprendizaje supervisado permite a las máquinas clasificar objetos, problemas o situaciones basándose en los datos relacionados que se les suministran. Las máquinas reciben datos como características, patrones, dimensiones, color y altura de objetos, personas o situaciones de forma repetitiva hasta que son capaces de realizar clasificaciones precisas.
Durante el aprendizaje supervisado, una máquina recibe datos, conocidos como datos de entrenamiento, en función de los cuales realiza la clasificación. Por ejemplo, si se pide a un sistema que clasifique fruta, se le darían datos de entrenamiento como el color, las formas, la dimensión y el tamaño. A partir de estos datos, será capaz de clasificar la fruta.
Normalmente, un sistema requiere múltiples iteraciones de este proceso para poder realizar una clasificación precisa. Dado que las clasificaciones en la vida real, como la detección de fraudes con tarjetas de crédito y la clasificación de enfermedades, son tareas complejas, las máquinas necesitan datos adecuados y varias iteraciones de sesiones de aprendizaje para alcanzar capacidades razonables.