Un equipo está construyendo un modelo de machine learning para predecir el riesgo de enfermedad cardíaca. El conjunto de datos incluye características de entrada (edad, colesterol, presión arterial, tabaquismo, ejercicio) y una etiqueta que indica si cada paciente tiene enfermedad cardíaca. ¿Qué enfoque de ML es apropiado?

El aprendizaje supervisado es el enfoque apropiado porque el equipo tiene características de entrada (edad, colesterol, presión arterial, tabaquismo, ejercicio) y una etiqueta de salida conocida (presencia o ausencia de enfermedad cardíaca). Esto permite al modelo aprender un mapeo entre las entradas y las salidas correctas. El aprendizaje no supervisado se usa cuando no hay etiquetas. El aprendizaje por refuerzo implica un agente que aprende a tomar decisiones a través de recompensas y castigos, lo cual no aplica aquí. El aprendizaje semi-supervisado se usa cuando solo una parte de los datos está etiquetada, pero el problema describe un conjunto de datos con etiquetas completas.