Clasificación no supervisada

Supervisado VS no supervisado

   A continuación se detalla una breve descripción de ambos tipos de aprendizaje, más adelante se comenta el principal problema en el entrenamiento de redes de neuronas artificiales: el sobreajuste.

Aprendizaje supervisado

• necesita un profesor que mida el funcionamiento del sistema
• maneja información de error o de control
• esta información se emplea para guiar al sistema. Hay varios algoritmos que establecen cómo se realiza esta retroalimentación, el más conocido o empleado es el backtracking

Aprendizaje no supervisado

• no utiliza información externa
• reajuste automático de los parámetros
• autoorganización de la información

Aprendizaje y entrenamiento

   Cuando se está entrenando una red es imprescindible establecer una condición de parada óptima que minimice el error pero evitando, en todo momento, el sobreajuste (overfitting). que se produce cuando una red es incapaz de generalizar para casos nuevos.

   Para evitar que esto ocurra se recomienda dividir el conjunto de ejemplos disponibles:

• Conjunto de entrenamiento: usado para ajustar el valor de los pesos de la red
• Conjunto de validación: usado para medir la eficacia de la red. Debe ser:
     -Significativo (debe contener ejemplos pertenecientes a todas las clases establecidas)
     -Representativo (debe guardar la relación existente entre los ejemplos del conjunto de entrenamiento)