Diferencia entre aprendizaje automático y análisis predictivo
El aprendizaje automático es un área en informática, que está creciendo a pasos agigantados en estos días. El progreso reciente en las tecnologías de hardware que resultó en un aumento masivo en el poder computacional como GPU (unidades de procesamiento gráfico) y el avance en las redes neuronales, el aprendizaje automático se ha convertido en una palabra de moda. Esencialmente, usando técnicas de aprendizaje automático, podemos construir algoritmos para extraer datos y ver información oculta importante de ellos. El análisis predictivo también es una parte del dominio de aprendizaje automático que se limita a predecir el resultado futuro de los datos basados en patrones anteriores. Si bien el análisis predictivo se ha utilizado desde hace más de dos décadas, principalmente en el sector bancario y financiero, la aplicación del aprendizaje automático ha cobrado importancia en los últimos tiempos con algoritmos como la detección de objetos a partir de imágenes, clasificación de textos y sistemas de recomendación.
Aprendizaje automático
El aprendizaje automático utiliza internamente los fundamentos de estadística, matemática y ciencias de la computación para construir lógica para algoritmos que pueden hacer clasificación, predicción y optimización tanto en tiempo real como en modo por lotes. La clasificación y la regresión son dos clases principales de un problema en el aprendizaje automático. Comprendamos tanto el aprendizaje automático como el análisis predictivo en detalle.
Clasificación
Bajo estos segmentos de un problema, tendemos a clasificar un objeto en función de sus diversas propiedades en una o más clases. Por ejemplo, clasificar a un cliente del banco como elegible para un préstamo hipotecario o no según su historial crediticio. Por lo general, tendríamos datos transaccionales disponibles para el cliente, como su edad, ingresos, formación académica, su experiencia laboral, industria en la que trabaja, número de dependientes, gastos mensuales, préstamos anteriores, si los hay, su patrón de gastos, historial crediticio, etc. . y en base a esta información, tenderíamos a calcular si se le debería otorgar un préstamo o no.
Hay muchos algoritmos estándar de aprendizaje automático que se utilizan para resolver el problema de clasificación. La regresión logística es uno de esos métodos, probablemente el más utilizado y el más conocido, también el más antiguo. Además de eso, también tenemos algunos de los modelos más avanzados y complicados que van desde el árbol de decisión hasta el bosque aleatorio, AdaBoost, XP Boost, máquinas de vectores de soporte, bayeta ingenua y red neuronal. Desde los últimos años, el aprendizaje profundo está a la vanguardia. Por lo general, la red neuronal y el aprendizaje profundo se utilizan para clasificar las imágenes. Si hay cientos de miles de imágenes de gatos y perros y desea escribir un código que pueda separar automáticamente las imágenes de gatos y perros, puede optar por métodos de aprendizaje profundo como una red neuronal convolucional. Antorcha, café, sensor de flujo, etc. son algunas de las bibliotecas populares en Python para hacer un aprendizaje profundo.
Para medir la precisión de los modelos de regresión, se utilizan métricas como tasa de falsos positivos, tasa de falsos negativos, sensibilidad, etc.
Regresión
La regresión es otra clase de problemas en el aprendizaje automático donde tratamos de predecir el valor continuo de una variable en lugar de una clase a diferencia de los problemas de clasificación. Las técnicas de regresión generalmente se usan para predecir el precio de las acciones de una acción, el precio de venta de una casa o automóvil, la demanda de un determinado artículo, etc. Cuando las propiedades de series temporales también entran en juego, los problemas de regresión se vuelven muy interesantes de resolver. La regresión lineal con el mínimo cuadrado ordinario es uno de los algoritmos clásicos de aprendizaje automático en este dominio. Para el patrón basado en series de tiempo, se utilizan ARIMA, promedio móvil exponencial, promedio móvil ponderado y promedio móvil simple.
Para medir la precisión de los modelos de regresión, se utilizan métricas como error cuadrático medio, error cuadrático medio absoluto, error cuadrático de medida raíz, etc.
Analítica predictiva
Hay algunas áreas de superposición entre el aprendizaje automático y el análisis predictivo. Si bien las técnicas comunes como la regresión logística y lineal se encuentran tanto en el aprendizaje automático como en el análisis predictivo, los algoritmos avanzados como un árbol de decisión, un bosque aleatorio, etc. son esencialmente aprendizaje automático. Bajo el análisis predictivo, el objetivo de los problemas sigue siendo muy estrecho donde la intención es calcular el valor de una variable en particular en un momento futuro. El análisis predictivo está muy cargado de estadísticas, mientras que el aprendizaje automático es más una mezcla de estadísticas, programación y matemáticas. Un analista predictivo típico pasa su tiempo calculando t cuadrado, f estadística, Innova, chi-cuadrado o mínimo cuadrado ordinario. Preguntas como si los datos se distribuyen normalmente o están sesgados, si se usa la distribución t de Student o si se usa la curva de campanas, si se toma alfa al 5% o 10%, les molesta todo el tiempo. Buscan al diablo en detalles. Un ingeniero de aprendizaje automático no se molesta con muchos de estos problemas. Su dolor de cabeza es completamente diferente, se encuentran atrapados en la mejora de la precisión, la minimización de la tasa de falsos positivos, el manejo atípico, la normalización del rango o la validación de k veces.
Un analista predictivo utiliza principalmente herramientas como Excel. El escenario o la búsqueda de objetivos son sus favoritos. De vez en cuando usan VBA o micros y apenas escriben código largo. Un ingeniero de aprendizaje automático pasa todo su tiempo escribiendo código complicado más allá de la comprensión común, utiliza herramientas como R, Python, Saas. La programación es su trabajo principal, la corrección de errores y las pruebas en los diferentes paisajes son una rutina diaria.
Estas diferencias también traen una gran diferencia en su demanda y salario. Si bien los analistas predictivos lo son ayer, el aprendizaje automático es el futuro. Un ingeniero de aprendizaje automático o un científico de datos típico (como se le llama en la actualidad) reciben un 60-80% más que un ingeniero de software típico o un analista predictivo para ese asunto y son el impulsor clave en el mundo de la tecnología actual. Uber, Amazon y ahora los autos sin conductor también son posibles solo por ellos.
Comparación directa entre el aprendizaje automático y el análisis predictivo (infografía)
A continuación se muestran las 7 principales comparaciones entre el aprendizaje automático y el análisis predictivo
Tabla comparativa de Machine Learning vs Predictive Analytics
A continuación se muestra la explicación detallada de Machine Learning vs Predictive Analytics
| Aprendizaje automático | Analítica predictiva |
| Es un término general que abarca varios subcampos, incluido el análisis predictivo. | Se puede tratar como un subcampo del aprendizaje automático. |
| Muy orientado a la codificación. | Mayormente orientado al software estándar donde un usuario no necesita codificar mucho |
| Se considera que se genera a partir de la informática, es decir, la informática se puede tratar como el padre aquí. | Las estadísticas se pueden tratar como padre aquí. |
| Es la tecnología del mañana. | Es tan ayer. |
| Es una máquina dominada por muchas técnicas que son difíciles de entender pero que funcionan a la perfección como el aprendizaje profundo. | Está dominado por el usuario con técnicas que deben ser intuitivas para que un usuario las entienda e implemente. |
| Se utilizan herramientas como R, Python, SaaS. | Se utilizan Excel, SPSS, Minitab. |
| Es muy amplio y se expande continuamente. | Tiene un alcance y una aplicación muy limitados. |
Conclusión: aprendizaje automático versus análisis predictivo
De la discusión anterior sobre el aprendizaje automático y el análisis predictivo, está claro que el análisis predictivo es básicamente un subcampo del aprendizaje automático. El aprendizaje automático es más versátil y es capaz de resolver una amplia gama de problemas.
Artículo recomendado
Esta ha sido una guía para el aprendizaje automático versus el análisis predictivo, su significado, comparación directa, diferencias clave, tabla de comparación y conclusión. También puede consultar los siguientes artículos para obtener más información:
- Aprenda Big Data Vs Machine Learning
- Diferencia entre ciencia de datos versus aprendizaje automático
- Comparación entre análisis predictivo vs ciencia de datos
- Data Analytics Vs Predictive Analytics - Cuál es útil