ANÁLISIS DE DESEMPEÑO DE ALGORITMOS DE REGRESIÓN USANDO SCIKIT-LEARN

Resumen

El aprendizaje automático y el aprendizaje profundo son actualmente áreas
de investigación extremadamente activas, ya que permiten proyecciones y
estimaciones de variables basadas en datos históricos y la ejecución de algoritmos
matemáticos; estos algoritmos están especializados para realizar
regresiones, clasificación, predicción u otras aplicaciones donde se utilizan
grandes volúmenes de datos y se requieren decisiones con un alto margen de precisión
[1]. La gran cantidad de datos disponibles en la actualidad brinda grandes oportunidades
y el potencial transformador de diferentes sectores como medicina, banca,
ingeniería, deportes, entre otros; pero también presentan grandes desafíos en el uso
efectivo de la información, ya que un análisis deficiente o erróneo de los datos conduce
a una toma de decisiones equivocada. A medida que los datos crecen, el aprendizaje
profundo toma un papel protagonista en el análisis y solución de problemas con un
alto grado de complejidad que en un entorno natural no son fáciles de resolver porque
presentan matices que solo con el uso de algoritmos de aprendizaje profundo se pueden
observar. [2]. Las mejoras en el poder computacional, los grandes volúmenes de
información, el almacenamiento rápido de datos y la paralelización han contribuido
al análisis y la predicción de Big Data en áreas como la predicción de precios, el análisis
de imágenes médicas, el control del tráfico e incluso el estudio del rendimiento del
equipo de fútbol, entre muchas otras. Con todo lo anterior, se da una idea de la importancia
actual de esta área de la ciencia y lo pertinente que es trabajar en este tema [3].