Cómo utilizar análisis supervisados para entrenar modelos predictivos
Video: Viernes de QGIS: Creando áreas de entrenamiento y firmas espectrales para clasificación de imágenes
En análisis supervisados, tanto de entrada como de salida preferida son parte de los datos de entrenamiento. El modelo de análisis predictivo se presenta con los resultados correctos como parte de su proceso de aprendizaje. Tal aprendizaje supervisado asume ejemplos de pre-clasificados: el objetivo es conseguir que el modelo de aprender de la clasificación anteriormente conocido para que pueda etiquetar correctamente el siguiente punto de datos desconocidos sobre la base de lo que ha aprendido.
Cuando el entrenamiento del modelo es completa, una función matemática se deduce mediante el examen de los datos de entrenamiento. Esa función se utiliza para etiquetar nuevos puntos de datos.
Para que este método funcione correctamente, los datos de entrenamiento - junto con los datos de prueba - debe ser cuidadosamente seleccionado. El modelo entrenado debe ser capaz de predecir la etiqueta correcta para un nuevo punto de datos de forma rápida y precisa, basada en el tipo (s) de datos que el modelo ha visto en los datos de entrenamiento.
análisis supervisados ofrecen algunas ventajas:
El analista está a cargo del proceso.
El etiquetado se basa en las clasificaciones conocidas.
errores de etiquetado se pueden resolver fácilmente.
La otra cara de estas ventajas es un conjunto igualmente distinta de desventajas potenciales:
Cualquier error en la fase de entrenamiento se reforzarán más adelante.
La clasificación proporcionada por el analista no estén adecuadamente a toda la población.
El modelo puede ser incapaz de detectar las clases que se alejan del conjunto de entrenamiento inicial.
Video: Modelizacion de Especies afectadas por el Cambio Climático con ArcGIS
La suposición de que los grupos dentro de los datos no se superponen - y que se pueden separar fácilmente - puede no resultar válida.