El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència

HOME

L'aprenentatge supervisat és una tècnica d'aprenentatge automàtic on un model és entrenat utilitzant un conjunt de dades etiquetades. Això significa que cada exemple d'entrenament està associat amb una etiqueta o resultat desitjat. L'objectiu és que el model aprengui a predir l'etiqueta per a noves dades no etiquetades.

Introducció a l'Aprenentatge Supervisat

L'aprenentatge supervisat es basa en la idea de construir un model que pugui predir una sortida a partir d'una entrada. Aquest procés implica els següents passos:

Recollida de Dades: Obtenir un conjunt de dades etiquetades.
Preprocessament de Dades: Netejar i preparar les dades per a l'entrenament.
Divisió de Dades: Dividir les dades en conjunts d'entrenament i prova.
Entrenament del Model: Utilitzar el conjunt d'entrenament per ajustar el model.
Avaluació del Model: Mesurar el rendiment del model utilitzant el conjunt de prova.
Predicció: Utilitzar el model entrenat per fer prediccions sobre noves dades.

Tipus de Problemes Supervisats

Els problemes d'aprenentatge supervisat es poden dividir en dues categories principals:

Regressió: Predir un valor numèric continu.
- Exemple: Predir el preu d'una casa basant-se en les seves característiques.
Classificació: Assignar una etiqueta a una entrada.
- Exemple: Classificar correus electrònics com a "spam" o "no spam".

Algorismes d'Aprenentatge Supervisat

Hi ha diversos algorismes utilitzats en l'aprenentatge supervisat. Alguns dels més comuns són:

Regressió Lineal: Utilitzat per a problemes de regressió.
Regressió Logística: Utilitzat per a problemes de classificació binària.
K-Nearest Neighbors (KNN): Utilitzat tant per a regressió com per a classificació.
Àrbre de Decisió: Utilitzat tant per a regressió com per a classificació.
Random Forest: Una combinació d'arbres de decisió per millorar la precisió.
Support Vector Machines (SVM): Utilitzat principalment per a classificació.
Naive Bayes: Utilitzat per a classificació basada en probabilitats.

Exemple Pràctic: Regressió Lineal

A continuació, veurem un exemple pràctic de com implementar una regressió lineal en R.

Pas 1: Carregar les Llibreries Necessàries

# Carregar les llibreries necessàries
library(ggplot2)
library(caTools)

Pas 2: Carregar i Visualitzar les Dades

# Carregar el conjunt de dades
data <- read.csv("house_prices.csv")

# Visualitzar les primeres files del conjunt de dades
head(data)

Pas 3: Dividir les Dades en Entrenament i Prova

# Dividir les dades en entrenament i prova
set.seed(123)  # Per a la reproduïbilitat
split <- sample.split(data$Price, SplitRatio = 0.7)
train_data <- subset(data, split == TRUE)
test_data <- subset(data, split == FALSE)

Pas 4: Entrenar el Model de Regressió Lineal

# Entrenar el model de regressió lineal
model <- lm(Price ~ ., data = train_data)

# Resum del model
summary(model)

Pas 5: Avaluar el Model

# Predir els valors del conjunt de prova
predictions <- predict(model, newdata = test_data)

# Calcular l'error quadràtic mitjà (MSE)
mse <- mean((test_data$Price - predictions)^2)
print(paste("Mean Squared Error:", mse))

Pas 6: Visualitzar els Resultats

# Visualitzar les prediccions vs els valors reals
ggplot(test_data, aes(x = Price, y = predictions)) +
  geom_point() +
  geom_abline(slope = 1, intercept = 0, color = "red") +
  labs(title = "Prediccions vs Valors Reals",
       x = "Valors Reals",
       y = "Prediccions")

Exercicis Pràctics

Exercici 1: Regressió Logística

Carrega un conjunt de dades de classificació (per exemple, el conjunt de dades iris).
Divideix les dades en conjunts d'entrenament i prova.
Entrena un model de regressió logística per predir l'espècie de les flors.
Avalua el model utilitzant una matriu de confusió.

Exercici 2: Àrbre de Decisió

Carrega un conjunt de dades de classificació (per exemple, el conjunt de dades iris).
Divideix les dades en conjunts d'entrenament i prova.
Entrena un model d'arbre de decisió per predir l'espècie de les flors.
Visualitza l'arbre de decisió i interpreta els resultats.

Solucions

Solució a l'Exercici 1

# Carregar les llibreries necessàries
library(caTools)
library(caret)

# Carregar el conjunt de dades
data(iris)

# Dividir les dades en entrenament i prova
set.seed(123)
split <- sample.split(iris$Species, SplitRatio = 0.7)
train_data <- subset(iris, split == TRUE)
test_data <- subset(iris, split == FALSE)

# Entrenar el model de regressió logística
model <- train(Species ~ ., data = train_data, method = "glm", family = "binomial")

# Predir els valors del conjunt de prova
predictions <- predict(model, newdata = test_data)

# Matriu de confusió
confusionMatrix(predictions, test_data$Species)

Solució a l'Exercici 2

# Carregar les llibreries necessàries
library(caTools)
library(rpart)
library(rpart.plot)

# Carregar el conjunt de dades
data(iris)

# Dividir les dades en entrenament i prova
set.seed(123)
split <- sample.split(iris$Species, SplitRatio = 0.7)
train_data <- subset(iris, split == TRUE)
test_data <- subset(iris, split == FALSE)

# Entrenar el model d'arbre de decisió
model <- rpart(Species ~ ., data = train_data, method = "class")

# Visualitzar l'arbre de decisió
rpart.plot(model)

# Predir els valors del conjunt de prova
predictions <- predict(model, newdata = test_data, type = "class")

# Matriu de confusió
confusionMatrix(predictions, test_data$Species)

Conclusió

En aquesta secció, hem après els conceptes bàsics de l'aprenentatge supervisat, incloent-hi els tipus de problemes i els algorismes més comuns. També hem vist un exemple pràctic de com implementar una regressió lineal en R i hem proporcionat exercicis pràctics per reforçar els conceptes apresos. En la següent secció, explorarem l'aprenentatge no supervisat, que és una altra tècnica important en l'aprenentatge automàtic.

Aprenentatge Supervisat

Continguts

Introducció a l'Aprenentatge Supervisat

Tipus de Problemes Supervisats

Algorismes d'Aprenentatge Supervisat

Exemple Pràctic: Regressió Lineal

Pas 1: Carregar les Llibreries Necessàries

Pas 2: Carregar i Visualitzar les Dades

Pas 3: Dividir les Dades en Entrenament i Prova

Pas 4: Entrenar el Model de Regressió Lineal

Pas 5: Avaluar el Model

Pas 6: Visualitzar els Resultats

Exercicis Pràctics

Exercici 1: Regressió Logística

Exercici 2: Àrbre de Decisió

Solucions

Solució a l'Exercici 1

Solució a l'Exercici 2

Conclusió

Programació en R: De Principiant a Avançat

Mòdul 1: Introducció a R

Mòdul 2: Manipulació de Dades

Mòdul 3: Visualització de Dades

Mòdul 4: Anàlisi Estadística

Mòdul 5: Gestió Avançada de Dades

Mòdul 6: Conceptes Avançats de Programació

Mòdul 7: Aprenentatge Automàtic amb R

Mòdul 8: Temes Especialitzats

Mòdul 9: Projecte i Estudis de Cas