Problemas de pronóstico: en el pronóstico, hay varios tipos particulares de problemas de pronóstico clásicos. La formulación de tales problemas de manera uniforme permite la comparación de los diversos métodos ofrecidos por diferentes disciplinas.
Los pacientes actúan como objetos. Los signos caracterizan los resultados de los exámenes, los síntomas de la enfermedad y los métodos de tratamiento utilizados. Ejemplos de signos binarios: género, dolor de cabeza, debilidad. El signo ordinal es la severidad de la condición (satisfactoria, moderada, severa, extremadamente severa). Signos cuantitativos: edad, pulso, presión arterial, contenido de hemoglobina en la sangre, dosis del medicamento. La descripción sintomática del paciente es, de hecho, una historia clínica formalizada . Habiendo acumulado una cantidad suficiente de precedentes en forma electrónica, puede resolver varios problemas:
El valor de tales sistemas es que pueden analizar y generalizar instantáneamente una gran cantidad de precedentes, una posibilidad que no está disponible para un especialista médico.
Los signos son datos de exploración geológica. La presencia o ausencia de ciertas razas en el territorio de la región está codificada por rasgos binarios. Las propiedades fisicoquímicas de estas rocas se pueden describir tanto cuantitativa como cualitativamente. La muestra de entrenamiento está compuesta por precedentes de dos clases: áreas de yacimientos conocidos y áreas similares en las que no se encontró el fósil de interés. Al buscar minerales raros, la cantidad de objetos puede ser mucho menor que la cantidad de características. En esta situación, los métodos estadísticos clásicos no funcionan bien. El problema se resuelve buscando patrones en la matriz de datos existente. En el proceso de resolución, se identifican conjuntos cortos de características que tienen el mayor contenido de información: la capacidad de separar mejor las clases. Por analogía con un problema médico, podemos decir que se buscan “síndromes” de depósitos. Este es un subproducto importante del estudio, de considerable interés para geofísicos y geólogos.
Este problema lo resuelven los bancos al emitir préstamos. La necesidad de automatizar el proceso de préstamo surgió por primera vez durante el auge de las tarjetas de crédito de las décadas de 1960 y 1970. en Estados Unidos y otros países desarrollados. Los objetos en este caso son personas físicas o jurídicas que solicitan un préstamo. En el caso de personas físicas, la descripción indicativa consiste en un cuestionario llenado por el propio prestatario, y posiblemente información adicional que el banco recopile sobre él de sus propias fuentes. Ejemplos de signos binarios: género, presencia de teléfono. Signos nominales: lugar de residencia, profesión, empleador. Signos ordinales: educación, posición. Características cuantitativas: el monto del préstamo, la edad, la experiencia laboral, los ingresos familiares, el monto de las deudas en otros bancos. La muestra de capacitación está compuesta por prestatarios con un historial crediticio conocido. En el caso más simple, la toma de decisiones se reduce a clasificar a los prestatarios en dos clases: “buenos” y “malos”. Los préstamos se otorgan solo a prestatarios de primera clase. En un caso más complejo, se estima el número total de puntos (score (inglés) ) del prestatario, puntuados en un conjunto de características informativas. Cuanto más alto sea el puntaje, más confiable se considera al prestatario. De ahí el nombre de puntuación de crédito . En la etapa de entrenamiento se sintetizan y seleccionan las características informativas y se determina cuántos puntos asignar a cada característica para que el riesgo de tomar decisiones sea mínimo. La siguiente tarea es decidir qué condiciones emitir un préstamo: determinar la tasa de interés, el período de reembolso y otros parámetros del contrato de préstamo. Este problema también se puede resolver utilizando métodos de aprendizaje precedentes.
Resuelto por modernos supermercados y cadenas minoristas. Para una gestión eficaz de la red comercial, es necesario predecir los volúmenes de ventas de cada producto con una determinada cantidad de días de antelación. Sobre la base de estas previsiones, se llevan a cabo la planificación de compras, la gestión de surtido, la política de precios, la planificación de promociones (campañas publicitarias). La especificidad de la tarea es que la cantidad de bienes puede ser de decenas o incluso cientos de miles. Pronosticar y tomar decisiones para cada producto "manualmente" es simplemente impensable. Los datos iniciales para la previsión son series temporales de precios y volúmenes de ventas de mercancías y tiendas individuales. Las tecnologías modernas le permiten tomar estos datos directamente de las cajas registradoras. Para aumentar la precisión de los pronósticos, también es necesario tener en cuenta varios factores externos que afectan la demanda de los consumidores: inflación , condiciones climáticas, campañas publicitarias, condiciones sociodemográficas y actividad de los competidores. Según los objetivos del análisis, los bienes, las tiendas o pares de "tienda, bienes" actúan como objetos. Otra característica del problema es la asimetría de la función de pérdida. Si el pronóstico se hace con el propósito de planificar compras, entonces las pérdidas de un pronóstico subestimado son significativamente mayores que las pérdidas de uno sobreestimado.
En esta tarea, la capacidad de predecir bien se convierte más directamente en beneficio. Si un inversor espera que suba el precio de una acción, compra la acción con la esperanza de venderla más tarde a un precio más alto. Y, por el contrario, previendo una caída de los precios, el inversor vende acciones para luego volver a comprarlas a un precio más bajo. La tarea del inversionista-especulador es predecir correctamente la dirección del cambio de precio futuro: crecimiento o caída. Las estrategias comerciales automáticas son muy populares: algoritmos que toman decisiones comerciales sin intervención humana. El desarrollo de tal algoritmo es también una tarea de aprendizaje supervisado. Las situaciones, de hecho, los momentos del tiempo actúan como objetos. La descripción de un objeto es el historial completo de cambios en los precios y volúmenes de negociación, registrados hasta el momento actual. En el caso más simple, los objetos deben clasificarse en tres clases correspondientes a las posibles decisiones: comprar, vender o esperar. La muestra de entrenamiento para establecer estrategias comerciales son datos históricos sobre el movimiento de precios y volúmenes durante un cierto período de tiempo. El criterio de calidad en este problema difiere significativamente del funcional de error medio estándar, ya que el inversionista no está interesado en la precisión del pronóstico, sino en maximizar la ganancia final. El análisis técnico de intercambio moderno incluye cientos de estrategias comerciales paramétricas, cuyos parámetros generalmente se ajustan de acuerdo con el criterio de ganancia máxima en el intervalo de historial seleccionado.