Este tipo de algoritmo predicen la relación entre dos variables, poniendo una línea recta continua a los datos. La línea suele calcularse con la función de costo del error cuadrático. La regresión lineal es uno de los tipos de análisis de regresión más populares.

Este tipo de algoritmo consiste en una línea recta que muestra el “mejor encaje” de todos los puntos de los valores numéricos. También se llama el método de los mínimos cuadrados porque calcula la suma de las distancias al cuadrado entre los puntos que representan los datos y los puntos de la línea que genera el modelo. Así, la mejor estimación será la que minimice estas distancias.

Este tipo de algoritmos por clasificación están basados en el teorema de Bayes y clasifican cada valor como independiente de cualquier otro, lo que permite predecir una clase o categoría en función de un conjunto dado de características, utilizando la probabilidad. A pesar de su simplicidad, el clasificador funciona sorprendentemente bien y se usa a menudo porque supera a los métodos de clasificación más sofisticados.

Sirven para categorizar datos no etiquetados, es decir, datos sin categorías definidas. El algoritmo funciona mediante la búsqueda de grupos dentro de los datos, con el número de grupos representados por la variable K. A continuación, funciona de manera iterativa para asignar cada punto de datos a uno de los K grupos según las características proporcionadas.

Un árbol de decisión es una estructura de árbol similar a un diagrama de flujo que utiliza un método de bifurcación para ilustrar cada resultado posible de una decisión. Cada nodo dentro del árbol representa una prueba en una variable específica, y cada rama es el resultado de esa prueba.

Una red neuronal artificial (RNA) comprende unidades dispuestas en una serie de capas, cada una de las cuales se conecta a las capas anexas. Estas se inspiran en los sistemas biológicos, como el cerebro, y en cómo procesan la información. Por lo tanto, son esencialmente un gran número de elementos de procesamiento interconectados, que trabajan en conjunto para resolver problemas específicos.

Estos algoritmos ejecutan datos a través de varias capas de algoritmos de redes neuronales, las cuales pasan a una representación simplificada de los datos a la siguiente capa. La mayoría funciona bien en conjuntos de datos que tienen hasta unos cientos de características o columnas. Sin embargo, un conjunto de datos no estructurado, como el de una imagen, tiene una cantidad tan grande de características que este proceso se vuelve engorroso. Los algoritmos de aprendizaje profundo aprenden progresivamente más sobre la imagen a medida que pasa por cada capa de red neuronal. Las primeras capas aprenden a detectar características de bajo nivel como los bordes, y las capas posteriores combinan las características de las capas anteriores en una representación holística.