La selección de éstas, sin embargo, no es una tarea sencilla.
La adición de muchos parámetros irrelevantes hace más difícil la clasificación para todos los métodos.
Los parámetros característicos que describen a los objetos deben ser discriminatorios para la clasificación.
[5] El aprendizaje semi-supervisado[6] surge como consecuencia de la dificultad que se tiene para obtener los datos etiquetados requeridos por los métodos no supervisados, ya que estos deben ser etiquetados por un experto de forma manual convirtiéndose en un trabajo pesado.
Para ello, debe escoger en primer lugar, la opción que considere más oportuna para lograr su objetivo.
Una vez hecho, el agente en cuestión recibe información de retroalimentación del entorno sobre su desempeño.
El aprendizaje por refuerzo conlleva pues, una fuerte carga de ensayo y error.
Este algoritmo se utiliza en la clasificación de imágenes o para clasificar y aprender simultáneamente.
En estos casos se buscan modelos de densidad más sofisticados.
Los datos son mapeados donde se busca la máxima separación entre clases.