Gonzalo Castillo
El aprendizaje no supervisado es una técnica de aprendizaje automático (ML, por sus siglas en inglés) que se utiliza para analizar datos sin la guía de un conjunto de datos previamente etiquetado.
Para entenderlo mejor, es posible establecer algunas distinciones con el aprendizaje supervisado. En este último, por ejemplo, se proporciona un conjunto de datos etiquetado para entrenar un modelo.
Es ahí donde se observa la principal diferencia, ya que en el aprendizaje no supervisado el modelo debe encontrar patrones y relaciones en los datos por sí solo.
Además, algo importante a la hora de hablar de aprendizaje no supervisado es la técnica de clustering, un aspecto central en esta materia. El clustering tiene que ver con la agrupación de datos similares en grupos, mejor llamados clusters.
El objetivo del clustering es dividir un conjunto de datos en grupos homogéneos para que la información dentro de cada grupo sea lo más similar posible.
Tipos de aprendizaje no supervisado
Tal como mencionamos, el aprendizaje no supervisado es una técnica de aprendizaje automático que tiene por objetivo descubrir patrones ocultos en los datos sin la necesidad de que estos estén etiquetados.
En este apartado mencionaremos los tipos de aprendizaje no supervisado:
Clustering
Es uno de los más populares y consiste en una agrupación jerárquica de datos que son similares en función de sus características.
Reducción de dimensionalidad
Realiza una compresión de la información, al disminuir la cantidad de variables que componen los datos.
En otras palabras, se trata de un proceso que tiene por objetivo reducir el número de variables aleatorias del conjunto de datos que se consideren. La manera de lograr esto es a través de un número conjuntos de variables principales.
Detección de anomalías
Mediante este proceso, aquellos datos que son diferentes al resto se detectan y se aíslan para evaluar si se trata de errores o patrones ocultos.
Ventajas del aprendizaje M2M y su aplicación práctica
El aprendizaje de maquina a máquina (M2M, por sus siglas en inglés) es una variante del aprendizaje automático que tiene que ver con el desarrollo de agentes inteligentes que pueden aprender y tomar decisiones de manera autónoma.
Entre las principales ventajas de este tipo de aprendizaje destaca la reducción del costo humano en la toma de decisiones. Esto se debe a que ya no es necesario que haya una persona dirigiendo la actividad de las máquinas, las cuales pueden actuar por sí mismas.
iPor otro lado, al tratarse de una tecnología de inteligencia artificial, existe una clara mejora en la precisión y calidad de las decisiones.
Técnicas de aprendizaje no supervisado y tipos de algoritmos de agrupación en clústeres
Existen varios tipos de algoritmos de agrupación en clústeres que se utilizan en el aprendizaje no supervisado. En este apartado, nos encargaremos de mencionar los más conocidos.
K-means
Se trata de uno de los métodos de aprendizaje de clustering más populares y su funcionamiento se basa en la agrupación de datos en un número K de grupos.
K es un número que está previamente definido por el usuario. De esa manera, el algoritmo de K-means minimiza la suma de los cuadrados de las distancias de cada punto de datos al centro del cluster.
Clustering jerárquico
Se trata de un método de minería de datos que consiste en la agrupación de los mismos acordes a la distancia de cada uno. Uno de los objetivos de este método es que los datos que se encuentran dentro de un cluster sean lo más similares entre sí.
Existen dos tipos de clustering jerárquico: el aglomerativo y el divisivo. En el caso del clustering jerárquico aglomerativo, cada punto de datos se considera un cluster y luego se van agrupando en clusters más grandes según su similitud.
Por otra parte, en el clustering jerárquico divisivo, se comienza con un solo cluster que contiene todos los puntos de datos y luego se van dividiendo en clusters más pequeños.
DBSCAN
DBSCAN es otra de las técnicas de clustering más populares que existen. Consiste en una agrupación espacial de aplicaciones con ruido en la que se tiene en cuenta la densidad.
Su principal objetivo es encontrar clusters cuyas formas sean arbitrarias. Mediante su algoritmo, DBSCAN agrupa los puntos de datos que están cerca unos de otros en el espacio, y entiende que los puntos que están más alejados son ruidos.
Mean shift
Por último, debemos mencionar a Mean Shift, que comparte con K-Means la característica de ser iterativo. Una de sus utilidades es la de encontrar áreas densas de puntos de datos.
Está basado principalmente en el centroide por lo que su principal función es la de encontrar los puntos centrales de cada uno de los clusters.
Mejores casos de uso para el aprendizaje no supervisado
Antes de comenzar a describir cuáles son los mejores casos de uso para el aprendizaje no supervisado, hay que decir que por lo general es utilizado para tareas más complejas que el aprendizaje supervisado.
Algunas de las aplicaciones del aprendizaje no supervisado son la segmentación de conjuntos de datos por características compartidas, la detección de anomalías que no encajan en ninguno de los grupos y la simplificación de data sets mediante la suma de variables que tengan atributos similares.
Esta técnica de aprendizaje automático supervisado sirve para el análisis de mercado, porque permite descubrir patrones de compra u otro tipo de comportamientos que el consumidor pueda tener. Asimismo, es utilizada en la segmentación de clientes, ya que ofrece la posibilidad de agruparlos según sus características y encontrar relaciones entre ellos.
También puede ser muy útil para la detección de fraudes por su capacidad de identificar patrones anormales en las transacciones.
Entrenamiento sin etiquetar para desarrollar características útiles
Tal como hemos descrito hasta ahora, una de las características de este tipo de aprendizaje automático es que sus algoritmos se entrenan con datos no etiquetados. Esto hace que la configuración sea fácil.
En el aprendizaje no supervisado, los nuevos datos son analizados con el objetivo de establecer conexiones significativas entre las entradas y las salidas predeterminadas. De esta manera se pueden detectar patrones y categorizar los datos.
Como consecuencia del entrenamiento sin etiquetar, hay ciertas características útiles que tiene este método, como por ejemplo la posibilidad de agrupar artículos de noticias en diferentes segmentos según de que se trate cada uno.
Además, esto permite acceder a funciones más complejas como la comprensión del significado y del sentido de un artículo determinado mediante el procesamiento del lenguaje natural.
En resumen, el aprendizaje no supervisado puede reconocer ciertos patrones, detectar algunas anomalías y agrupar de forma automática los datos en diferentes categorías.
Preprocesamiento de los datos para el modelado no supervisado
Si bien es común que el procesamiento de datos sea subestimado, es un aspecto esencial en el modelado no supervisado. Se trata de un proceso mediante el cual se transforman los datos en bruto a un formato más adecuado y más sencillo de comprender para el algoritmo.
Eso permite identificar y corregir datos faltantes, errores o inconsistencias que puedan afectar la precisión de los resultados.
Recordemos que el hecho de que los datos de entrada sean relevantes y de calidad constituye una característica necesaria para la obtención de predicciones precisas en las cuales se pueda confiar.
Algunas de las técnicas más comunes de preprocesamiento de datos incluyen la normalización, la eliminación de valores atípicos, la selección de variables relevantes y la reducción de la dimensionalidad.
Mejorar la precisión de otros algoritmos de aprendizaje mediante el preprocesamiento
El preprocesamiento de los datos también puede ayudar a mejorar la precisión de los algoritmos utilizados en el aprendizaje no supervisado.
Esto se puede observar de forma clara cuando los datos no están normalizados. En esos casos, ciertas características tendrán un peso mayor que otras en la modelación, lo cual puede afectar la precisión.
Esto es a causa de los ruidos, los valores atípicos y nulos y otras anomalías que posean los datos en bruto y que puedan tener un efecto negativo sobre el rendimiento del modelo.
Comparación entre los resultados y análisis de tendencias en modelos estadísticos
La estadística y el ML son dos fenómenos que se relacionan entre sí. Esto se debe, por un lado, a que la estadística es un elemento esencial para el correcto análisis de los datos.
A través de la estadística, es posible visualizar los datos con el objetivo de encontrar patrones que no se habían notado, construir modelos de datos, analizar datos brutos e inferir resultados.
Por otra parte, a través del machine learning, es posible encontrar patrones y tendencias en los modelos estadísticos, de modo que con la información recabada se puedan tomar decisiones basadas en los datos.
Algo que es muy utilizado por las empresas es lo que se conoce como análisis de series temporales. Se trata de una técnica de estadística que permite analizar datos que varían a lo largo del tiempo.
Estos datos pueden ser tanto la venta de un producto como el precio cambiante de las acciones en un mercado.
De ese modo, a través del ML se puede acceder a un correcto análisis de las tendencias que se encuentran en esas estadísticas, así como también comparar los resultados de los datos para tener más herramientas a la hora de tomar una decisión.
Además, el machine learning ofrece la posibilidad de mejorar el análisis de series temporales a través de la predicción. Esto se debe a que cuenta con la capacidad de anticipar un comportamiento futuro basándose en patrones y tendencias de datos históricos.
Con una técnica de aprendizaje automático se tendrá también la oportunidad de encontrar patrones ocultos en las tendencias que no pueden ser percibidos, en muchas ocasiones, por humanos.
Metodología para elegir la técnica correcta, según la necesidad
Elegir la técnica correcta de aprendizaje automático es una tarea importante debido a que la elección dependerá mucho de la tarea a realizar. Como mencionamos anteriormente, por su característica de contar con datos no etiquetados, el aprendizaje no supervisado se utiliza mayormente para tareas complejas.
Rendimiento
Para elegir la técnica adecuada, es necesario tener en cuenta algunos factores como por ejemplo el rendimiento. Este último se relaciona con la calidad de los resultados que arroja un modelo.
Explicabilidad de los resultados
Pero no es lo único a tener en cuenta, ya que no siempre es el rendimiento lo que debe motivar nuestra decisión. Otro factor a considerar es la explicabilidad de los resultados, es decir, que sea posible argumentarlos. De nada sirve tener buenos datos si los datos que requiere no son demasiado difíciles de expresar o interpretar.
A su vez, antes de elegir, es importante tener en cuenta la complejidad del modelo de aprendizaje no supervisado, el tamaño del conjunto de los datos y la dimensionalidad.
