Aprender de los datos significa encontrar una relación útil y comprobar que funciona en ejemplos nuevos. Un resultado excelente sobre los datos ya vistos no basta.
Objetivos: identificar features y labels; distinguir regresión y clasificación; interpretar clustering y refuerzo; y seguir el flujo de un notebook con separación correcta entre entrenamiento y evaluación.
Conceptos clave
Una feature es una característica de entrada, como horas de uso o temperatura. Una label, target o variable objetivo es la respuesta conocida durante el entrenamiento supervisado, como duración de una reparación o tipo de avería. Una fila con entradas y respuesta forma un ejemplo.
El algoritmo ajusta parámetros usando los ejemplos. El modelo entrenado contiene lo aprendido. Inferencia es aplicar ese modelo a una nueva entrada; no implica volver a entrenarlo.
En regresión, la salida es numérica: horas estimadas de reparación. En clasificación, la salida es una clase: avería eléctrica, mecánica o de software. Dos clases constituyen clasificación binaria; más de dos, multiclase.
Aprendizaje supervisado y evaluación
Una regresión lineal sencilla calcula predicción = w × x + b. El peso w cambia la pendiente y el sesgo b desplaza la recta. La función de pérdida mide el error; el entrenamiento busca parámetros que lo reduzcan. Una pérdida cuadrática penaliza más los errores grandes.
La regresión logística, pese a su nombre, sirve para clasificación. En su versión binaria, una sigmoide transforma una puntuación en un valor entre 0 y 1. Un umbral convierte ese valor en una decisión. El umbral apropiado depende del costo de falsos positivos y falsos negativos; no es una ley fija de 0,5.
Reserva datos para evaluar generalización. Train ajusta; validation ayuda a elegir configuraciones; test estima el resultado final sin seguir afinando contra él. Si estandarizas, calcula media y desviación solo sobre entrenamiento y reutiliza esa transformación. Ajustarla usando todos los datos filtra información del test.
Accuracy es aciertos dividido por casos, pero puede engañar con clases desbalanceadas. Si 98 de 100 equipos están sanos, responder siempre «sano» alcanza 98% y detecta cero fallos. Precision responde cuántas alertas eran correctas; recall, cuántos fallos reales encontraste. F1 combina ambas. Overfitting es ajustarse demasiado a los ejemplos vistos y generalizar mal.
Clustering y aprendizaje por refuerzo
El aprendizaje no supervisado descubre estructura sin una etiqueta objetivo. Un clustering podría agrupar equipos por patrones de uso. La distancia y el escalado influyen: medir horas y voltios sin tratar sus escalas puede dominar los grupos. Un grupo matemático necesita interpretación; no trae un nombre de negocio garantizado.
En reinforcement learning, un agente observa un estado, selecciona una acción e interactúa con un entorno que devuelve consecuencias y recompensa. Una política guía las acciones. El objetivo es mejorar la recompensa acumulada, considerando resultados futuros. Explorar permite aprender; explotar usa lo que ya funciona. Un agente LLM que llama herramientas no está necesariamente entrenándose por refuerzo durante esa conversación.
Ejemplo paso a paso
En la demostración de Iris, cuatro medidas de sépalos y pétalos son las features y la especie es la etiqueta. Hay tres especies: es clasificación multiclase, aunque el algoritmo usado se llame regresión logística.
- Abre un notebook de Jupyter y reconoce sus celdas de código y Markdown. El kernel conserva variables; reiniciarlo y ejecutar en orden comprueba reproducibilidad.
- Inspecciona columnas y valores faltantes. Retira el identificador de fila y la especie de las entradas.
- Divide ejemplos en entrenamiento y prueba; una semilla fija hace reproducible la división, no garantiza calidad.
- Ajusta escalado y clasificador con entrenamiento. Transforma las entradas del test sin reajustar el escalador.
- Compara predicciones con etiquetas reservadas; transforma una flor nueva con el mismo escalador antes de inferir.
Un 100% en una partición pequeña no prueba perfección universal. Repite la evaluación con datos representativos y revisa los casos difíciles.
Errores frecuentes
- Evaluar solo con las filas utilizadas para entrenar.
- Confundir una variable numérica que codifica categorías con un problema de regresión.
- Suponer que todo punto atípico es fraude o toda agrupación es una clasificación supervisada.
- Ajustar el escalador o seleccionar features con información del test.
- Dar al modelo una columna calculada después del evento que pretende predecir.
Ejercicio de diagnóstico
De 200 equipos, 190 están sanos y 10 fallan. Un modelo predice «sano» para todos. Otro problema pide estimar horas de reparación. ¿Qué concluyes del primer modelo y qué tarea es la segunda?
Solución
El primero alcanza 190 / 200 = 95% de accuracy, pero su recall para fallos es 0 / 10 = 0%. No cumple la tarea de detectarlos. Estimar horas es regresión. Debes elegir métricas y evaluar cada objetivo por separado; una cifra global alta no sustituye el resultado de negocio.
Fuentes y repaso
Repasa Machine Learning Foundations y sus demostraciones en Oracle MyLearn. Explica por qué validar un formato fijo no necesita ML y por qué el nombre «regresión logística» no describe una salida continua.