El objetivo del aprendizaje supervisado es construir un modelo que haga predicciones basadas en la evidencia en presencia de la incertidumbre. Un algoritmo de aprendizaje supervisado toma un conjunto conocido de datos de entrada y respuestas conocidas a los datos (salida) y entrena un modelo para generar predicciones razonables para la respuesta a nuevos datos. El aprendizaje supervisado utiliza técnicas de clasificación y regresión para desarrollar modelos de predicción. Las técnicas de clasificación predicen respuestas categóricas, por ejemplo, si un correo electrónico es genuino o no deseado, o si un tumor es canceroso o benigno. Los modelos de clasificación clasifican los datos de entrada en categorías. Las aplicaciones típicas incluyen imágenes médicas, reconocimiento de voz e imágenes y puntuación de créditos. Las técnicas de regresión predicen respuestas continuas, por ejemplo, cambios de temperatura o fluctuaciones en la demanda de energía. Las aplicaciones típicas incluyen la predicción de la carga eléctrica, riesgo, fraude, etc.

A lo largo de este libro se desarrollan la mayoría de las técnicas de aprendizaje supervisado para la clasificación desde un punto de vista metodológico y desde un punto de vista práctico con aplicaciones a través del software IBM SPSS STATISTICS. Se profundiza en al Análisis Discriminante, Árboles de decisión, Modelos Lineales Generalizados, Modelos de Elección Discreta, Modelo Logit Binario, Modelo Logit Multinomial, Modelo Probit Binario, Modelo Probit Multinomial, Modelos de datos de panel, Modelos Mixtos, Modelos logaritmo lineales y Modelos de Redes Neuronales..