El razonamiento deductivo y los árboles de decisión.
Contenidos
Las reglas que utilizan el razonamiento deductivo y los árboles de decisión pueden permitir que las máquinas y los algoritmos piensen lógicamente.
Así como el mundo médico tiene especialistas que han preferido formas de tratar el cuerpo, el mundo del aprendizaje automático tiene ramas especializadas con sus propias perspectivas y estilo de algoritmos preferido.
Los simbolistas, por ejemplo, manipulan símbolos y aprenden reglas para crear inteligencia artificial (IA).
Los simbolistas son la rama más antigua de la comunidad de IA; son racionalistas que ven los sentidos como poco confiables y, por lo tanto, creen que toda la inteligencia debe aprenderse a través de métodos lógicos.
Por esta razón, el algoritmo preferido de los simbolistas es la deducción inversa.
En términos generales, la deducción inversa crea reglas al vincular declaraciones separadas, como esta: si proporcionas dos declaraciones, como “Napoleón es humano” y “Por lo tanto, Napoleón es mortal”, el algoritmo puede llegar a declaraciones más amplias, como “Los humanos son mortales.”
Si bien este tipo de algoritmo es bueno para la extracción de datos y la clasificación de cantidades relativamente grandes de datos, como registros médicos, es costoso e ineficiente para bases de datos realmente masivas porque tiene que considerar todas las relaciones posibles entre todas las variables en los datos, lo que resulta en una complejidad exponencialmente creciente.
Por lo tanto, para que este trabajo sea menos complejo, puedes usar árboles de decisión para encontrar estas reglas.
Como su nombre lo indica, los árboles de decisión ramifican los datos en conjuntos más pequeños. Lo hacen básicamente jugando un juego de 20 preguntas, y cada pregunta o regla reduce aún más las opciones y posibilidades.
Por ejemplo, si deseas elaborar reglas para examinar los registros médicos, puedes utilizar un árbol de decisión. Comenzarías con todos los registros, pero luego, en los diversos puntos de ramificación en el árbol, los dividirías en grupos como “saludable”, “leucemia”, “cáncer de pulmón”, etc. El algoritmo de ML luego encontraría reglas adecuadas que también darían como resultado esta división.
Este método evita el sobreajuste al restringir el número de preguntas que hace el árbol de decisiones, de modo que solo se apliquen las reglas más aplicables y generales.
Los árboles de decisión se utilizan en softwares que realizan diagnósticos médicos al reducir los síntomas de alguien. También se utilizaron en una aplicación que podía predecir el resultado de las resoluciones de la Corte Suprema con una tasa de precisión del 75 por ciento; las predicciones de un panel de expertos humanos tenían una tasa de precisión de menos del 60 por ciento.
En la próxima página, veremos cómo lidiar con datos de un tipo más difícil y más humano, datos que son inciertos o incluso contradictorios.
[