Aprendizaje supervisado

Cada ejemplo de entrenamiento le dice al algoritmo qué salida se desea para una entrada. Una función de pérdida convierte los errores de predicción en una cantidad que el procedimiento de entrenamiento puede optimizar. La elección de la pérdida da forma al aprendizaje; la métrica utilizada para juzgar el flujo de trabajo final puede ser diferente. Las etiquetas pueden provenir de mediciones, resultados posteriores o anotaciones. Examine los desacuerdos y los casos ambiguos en lugar de asumir que todas las respuestas registradas son correctas. Si la etiqueta captura un antiguo proceso de decisión, el modelo puede reproducir las limitaciones de ese proceso. Divida los datos para que coincidan con cómo el modelo encontrará nuevos casos. Las divisiones aleatorias de filas pueden filtrar información cuando registros repetidos describen el mismo tema. Por lo general, las previsiones necesitan una evaluación que respete el tiempo. Ajuste los pasos de preprocesamiento solo en la partición de entrenamiento antes de aplicarlos a los ejemplos de validación y prueba. Después de la capacitación, inspeccione el rendimiento para conocer las clases y condiciones de operación relevantes. El desequilibrio de clases puede hacer que la precisión general sea engañosa. Decida cómo se deben manejar las entradas inciertas o desconocidas y conserve una ruta para corregir etiquetas y revisar errores sistemáticos.