Hay tanto que puedes hacer con tu modelo recién entrenada. Podrías importarlo a una aplicación de software que estés construyendo, desplegarlo en un back end web o subirlo y alojarlo en un servicio en la nube. Tu modelo entrenado está ahora listo para tomar nuevos datos y alimentar tus predicciones, también conocidas como resultados.
Estos resultados pueden parecer diferentes dependiendo del tipo de algoritmo con el que vayas. Si necesitas saber qué es algo, usa un algoritmo de clasificación, que viene en dos tipos. La clasificación binaria clasifica los datos entre dos categorías. La clasificación multiclase clasifica los datos entre… lo adivinó… múltiples categorías.
Cuando el resultado que buscas sea un número real, querrás usar un algoritmo de regresión. La regresión toma muchos datos diferentes con diferentes pesos de importancia y los analiza con datos históricos para proporcionar objetivamente un resultado final.
Tanto la regresión como la clasificación son tipos de algoritmos supervisados, lo que significa que hay que proporcionar datos y dirección intencionales para que la computadora aprenda. También hay algoritmos no supervisados que no requieren datos etiquetados o cualquier orientación sobre el tipo de resultado que estás buscando.
Una forma de algoritmos no supervisados es la agrupación. Se utiliza la agrupación cuando se quiere entender la estructura de los datos. Usted proporciona un conjunto de datos y deja que el algoritmo identifique las categorías dentro de ese conjunto. Por otro lado, la anomalía es un algoritmo no supervisado que se puede utilizar cuando los datos tienen un aspecto normal y uniforme, y se desea que el algoritmo saque cualquier cosa fuera de lo normal que no encaje con el resto de los datos.
Aunque los algoritmos supervisados son más comunes, es bueno jugar con cada tipo de algoritmo y utilizar el caso para comprender mejor la probabilidad y practicar la división y el entrenamiento de los datos de diferentes maneras. Cuanto más juegues con tus datos, mejor será tu comprensión de lo que puede lograr el aprendizaje de la máquina.
En última instancia, el aprendizaje de la máquina te ayuda a encontrar nuevas formas de hacer la vida más fácil para tus clientes y más fácil para ti mismo. No es necesario que los coches se conduzcan solos.