Los algoritmos supervisados son un conjunto de métodos dentro del aprendizaje automático (machine learning) donde el modelo se entrena utilizando un conjunto de datos etiquetados. Esto significa que cada ejemplo de entrenamiento incluye tanto las entradas (características) como la salida correcta (etiqueta o valor objetivo). El objetivo principal es aprender una función que pueda predecir las salidas para nuevos datos de entrada, minimizando la diferencia entre la predicción y el valor real.
Esta categoría de algoritmos es fundamental en la ciencia de datos porque permite resolver problemas específicos como la clasificación (asignar categorías) y la regresión (predecir valores numéricos). Su eficacia depende directamente de la calidad y cantidad de los datos etiquetados disponibles, lo que los convierte en la opción más común cuando se dispone de un "conocimiento previo" claro sobre los datos.
Definición y concepto
El aprendizaje supervisado constituye el paradigma más extendido dentro del campo del aprendizaje automático. Se define como el proceso mediante el cual un modelo aprende a mapear una entrada específica a una salida deseada, basándose en ejemplos previos. A diferencia de otros enfoques donde el modelo debe descubrir patrones ocultos por sí mismo, aquí la respuesta correcta ya está presente en los datos. El algoritmo ajusta sus parámetros internos para que, al recibir una nueva observación, su predicción se aproxime lo más posible a la verdad conocida.
Variables: características y etiquetas
La estructura de datos en este tipo de aprendizaje se divide en dos componentes fundamentales: las variables independientes y la variable dependiente. Las variables independientes, conocidas técnicamente como características o atributos, son las entradas que el modelo analiza. Por ejemplo, en un sistema de clasificación de correos electrónicos, las características podrían ser la longitud del asunto, la presencia de palabras clave como "oferta" o "urgente", o el remitente. Estas variables explican el fenómeno que se intenta predecir.
La variable dependiente, denominada etiqueta o objetivo, es la salida que el modelo intenta predecir. En el caso anterior, la etiqueta sería simplemente "Spam" o "No Spam". La relación matemática que el algoritmo busca aprender puede expresarse como una función que mapea las características hacia la etiqueta:
f(X)=YDonde X representa el vector de características y Y la etiqueta correspondiente. La precisión de esta función determina la calidad del modelo.
Entrenamiento y prueba
Para que el modelo no memorice los datos por defecto, el conjunto de datos disponible se divide típicamente en dos subconjuntos: el conjunto de entrenamiento y el conjunto de prueba. El conjunto de entrenamiento contiene la mayor parte de los datos etiquetados y se utiliza para ajustar los parámetros del modelo. Durante esta fase, el algoritmo "ve" tanto la entrada como la salida correcta, calculando cuánto se equivoca y corrigiendo su función interna. Es el periodo de estudio activo del modelo.
El conjunto de prueba, por su parte, actúa como un examen final. Estos datos permanecen ocultos durante el entrenamiento, lo que permite evaluar cómo se comporta el modelo frente a información nueva. Si el modelo rinde bien en el entrenamiento pero falla en la prueba, se dice que está "sobreajustado", es decir, ha memorizado el ruido en lugar de aprender la regla general. Esta distinción es crítica para validar la utilidad real del algoritmo.
Dato curioso: La división clásica de datos suele ser 80% para entrenamiento y 20% para prueba, aunque en conjuntos pequeños se utiliza la validación cruzada para maximizar la información disponible.
El objetivo: minimizar el error de generalización
El fin último del aprendizaje supervisado no es simplemente acertar en los datos que ya ha visto, sino minimizar el error de generalización. La generalización es la capacidad del modelo de mantener un buen rendimiento en datos no vistos anteriormente. Un modelo que solo funciona con los datos de entrenamiento tiene poca utilidad práctica, ya que el mundo real ofrece constantemente nuevas entradas.
Matemáticamente, se busca minimizar una función de pérdida que mide la diferencia entre la predicción del modelo y la etiqueta verdadera. El error de generalización se estima a través del rendimiento en el conjunto de prueba, sirviendo como proxy del comportamiento futuro del algoritmo. La búsqueda de este equilibrio entre complejidad del modelo y precisión es el núcleo de la ingeniería de características y selección de modelos.
¿Cómo funcionan los algoritmos supervisados paso a paso?
El aprendizaje supervisado sigue una secuencia lógica que transforma datos crudos en predicciones precisas. No es un proceso mágico, sino un flujo de trabajo estructurado donde cada etapa reduce la incertidumbre del modelo. Comprender este flujo es esencial para evitar errores comunes como el sobreajuste o la selección errónea de características.
Preparación de los datos
Todo comienza con la recolección de datos etiquetados. Cada ejemplo consiste en una entrada (características) y una salida conocida (etiqueta). Sin embargo, los datos rara vez llegan limpios. El preprocesamiento es crítico: se manejan los valores faltantes mediante imputación o eliminación, y se aplican técnicas de normalización para que las escalas de las variables sean comparables. Si una variable va de 0 a 1000 y otra de 0 a 1, el modelo podría dar más peso a la primera simplemente por su magnitud, no por su relevancia.
Una vez limpios, los datos se dividen en tres conjuntos: entrenamiento, validación y prueba. El conjunto de entrenamiento alimenta al modelo; el de validación ajusta los hiperparámetros; y el de prueba ofrece una medida final del rendimiento, actuando casi como un "examen final" donde el modelo ve los datos por primera vez.
Entrenamiento y función de pérdida
El corazón del algoritmo es el entrenamiento, donde el modelo ajusta sus parámetros internos para minimizar el error. Aquí entra en juego la función de pérdida (o loss function), que cuantifica la diferencia entre la predicción del modelo y el valor real. El objetivo es encontrar los parámetros que hagan esta diferencia lo más pequeña posible.
Debate actual: La elección de la función de pérdida puede cambiar drásticamente el comportamiento del modelo. Una pérdida cuadrática castiga mucho los errores grandes, mientras que una pérdida absoluta es más robusta a valores atípicos.
Para modelos lineales, una función de pérdida común es el Error Cuadrático Medio (MSE). Se calcula como:
MSE=n1i=1∑n(yi−y^i)2Donde yi es el valor real y y^i es la predicción. El algoritmo utiliza técnicas como el descenso de gradiente para ajustar los parámetros paso a paso, moviéndose en la dirección que reduce más rápidamente el valor de la función de pérdida. Este proceso se repite durante múltiples iteraciones (épocas) hasta que el modelo converge, es decir, deja de mejorar significativamente.
Evaluación final
Tras el entrenamiento, el modelo se evalúa con el conjunto de prueba. Las métricas varían según el problema: precisión y recall para clasificación, o el coeficiente R2 para regresión. Esta evaluación revela si el modelo ha aprendido patrones generales o simplemente memorizó los datos de entrenamiento. La transparencia en este flujo permite a los científicos de datos diagnosticar fallos y seleccionar el modelo más adecuado para la tarea específica.
Tipos principales de algoritmos supervisados
Los algoritmos supervisados se dividen según la naturaleza de la variable objetivo. Si el resultado es un número continuo, hablamos de regresión; si pertenece a una categoría específica, es clasificación. Esta distinción define la métrica de error y la arquitectura del modelo.
Regresión: Predecir valores continuos
La Regresión Lineal es el punto de partida. Asume una relación lineal entre las entradas y la salida, minimizando la suma de los cuadrados de los residuos. Es rápida e interpretable, pero frágil ante valores atípicos.
Dato curioso: Aunque se llama "lineal", puede modelar curvas si se elevan las variables a potencias (ej. x2), manteniendo la linealidad respecto a los coeficientes.
Clasificación: Asignar etiquetas discretas
La Regresión Logística, pese a su nombre, clasifica. Usa una función sigmoide para comprimir la salida entre 0 y 1, interpretándola como probabilidad. Es el estándar para problemas binarios por su eficiencia.
Los Árboles de Decisión dividen el espacio de datos mediante preguntas secuenciales. Son intuitivos y manejan bien las interacciones no lineales, pero tienden a sobreajustar si no se podan. Los Bosques Aleatorios corrigen esto entrenando cientos de árboles y promediando sus votos, reduciendo la varianza sin perder mucha precisión.
Las Máquinas de Soporte Vectoriales (SVM) buscan el hiperplano que maximiza el margen entre clases. Son potentes en espacios de alta dimensión, aunque su entrenamiento es costoso con grandes conjuntos de datos. K-Vecinos Más Cercanos (KNN) es un método "perezoso": clasifica un punto según la mayoría de sus vecinos más próximos. No tiene fase de entrenamiento explícita, lo que hace lenta la predicción.
Comparativa técnica
| Algoritmo | Tipo de Salida | Complejidad Computacional | Mejor Uso |
|---|---|---|---|
| Regresión Lineal | Continua | Baja (O(n)) | Relaciones lineales simples, interpretación rápida |
| Regresión Logística | Discreta (Binaria) | Baja (O(n)) | Clasificación binaria, probabilidades calibradas |
| Árboles de Decisión | Ambas | Media (O(n log n)) | Interpretabilidad, datos no escalados |
| Bosques Aleatorios | Ambas | Alta (O(n * m)) | Robustez, reducción de sobreajuste |
| SVM | Discreta | Muy Alta (O(n² a n³)) | Alta dimensión, márgenes claros |
| KNN | Ambas | Alta en predicción (O(n)) | Pequeños conjuntos, fronteras complejas |
La elección depende del tamaño de los datos y la necesidad de interpretabilidad. Un modelo complejo no siempre gana a uno simple bien ajustado.
¿Qué métricas se usan para evaluar el rendimiento?
Evaluar un modelo de aprendizaje automático no es un proceso único; depende fundamentalmente de lo que el modelo intenta predecir. Las métricas cuantifican el error o el acierto, permitiendo comparar diferentes algoritmos o ajustar los parámetros de uno solo. Elegir la métrica equivocada puede llevar a un modelo que parece perfecto en papel pero falla catastróficamente en la práctica.
Métricas para problemas de regresión
En la regresión, el objetivo es predecir un valor continuo, como el precio de una casa o la temperatura futura. El Error Cuadrático Medio (MSE) es una de las métricas más comunes porque penaliza fuertemente los errores grandes. Se calcula promediando los cuadrados de las diferencias entre los valores predichos y los valores reales.
MSE=n1i=1∑n(yi−y^i)2El Error Absoluto Medio (MAE) ofrece una visión más sencilla: es la media de las diferencias absolutas. Es más robusto ante valores atípicos que el MSE, ya que no los eleva al cuadrado.
MAE=n1i=1∑n∣yi−y^i∣El Coeficiente de Determinación (R²) indica qué proporción de la variabilidad de la variable objetivo es explicada por el modelo. Un R² de 1 indica un ajuste perfecto, mientras que un R² de 0 significa que el modelo no es mejor que simplemente predecir la media de los datos.
Debate actual: Aunque el MSE es matemáticamente elegante, muchos expertos argumentan que el MAE es más interpretable para los stakeholders no técnicos, ya que expresa el error en las mismas unidades que la variable objetivo.
Métricas para problemas de clasificación
En la clasificación, las etiquetas son discretas (por ejemplo, "Correo" vs. "Correo Spam"). La Precisión mide qué fracción de las instancias clasificadas como positivas son realmente positivas. Es crucial cuando el coste de un falso positivo es alto.
El Recall (o Sensibilidad) mide qué fracción de las verdaderas instancias positivas fueron correctamente identificadas. Es vital cuando no se quiere perder ningún caso positivo.
El F1-Score es la media armónica de la Precisión y el Recall, ofreciendo un equilibrio entre ambas. Es especialmente útil cuando se tiene un conjunto de datos desbalanceado.
La Curva ROC-AUC evalúa el rendimiento del clasificador a través de todos los umbrales de decisión posibles. Un AUC de 1 indica un clasificador perfecto, mientras que un AUC de 0.5 sugiere un rendimiento similar al de una moneda al aire.
En el diagnóstico médico, la elección entre Precisión y Recall es crítica. Si se prueba una enfermedad rara y costosa de tratar, se prioriza el Recall para asegurar que pocos pacientes enfermos queden sin diagnóstico, aceptando más falsos positivos. Si la prueba es invasiva y dolorosa, se prioriza la Precisión para evitar someter a demasiados pacientes sanos al procedimiento. La consecuencia es directa: el contexto dicta la métrica.
Problemas comunes: sobreajuste y subajuste
El rendimiento de un modelo de aprendizaje supervisado depende de su capacidad para generalizar. Esto significa predecir con precisión datos que el modelo no ha visto durante el entrenamiento. El equilibrio fundamental se conoce como el compromiso sesgo-varianza. El error total se descompone en tres componentes: el sesgo, la varianza y el ruido irreducible. Una fórmula común para expresar este error cuadrático medio esperado es:
\text{Error} = \text{Sesgo}^2 + \text{Varianza} + \text{Ruido} \]\Un sesgo alto implica que el modelo hace suposiciones demasiado simples sobre los datos. Por otro lado, una varianza alta indica que el modelo es sensible a las fluctuaciones menores en el conjunto de entrenamiento. Encontrar el punto óptimo es el objetivo principal de la ingeniería de características y la selección de modelos.
Sobreajuste y su impacto
El sobreajuste, o overfitting, ocurre cuando un modelo tiene una varianza alta. El algoritmo aprende no solo la señal subyacente, sino también el ruido y las excepciones específicas del conjunto de entrenamiento. Como resultado, el rendimiento en los datos de entrenamiento es excelente, pero cae drásticamente en los datos de prueba. Es como un estudiante que memoriza las respuestas del examen anterior en lugar de entender la teoría.
Este problema es común en modelos complejos, como los árboles de decisión profundos o las redes neuronales con muchas capas. Sin control, el modelo se vuelve rígido y pierde flexibilidad para adaptarse a nuevas observaciones. La consecuencia es directa: la predictividad futura disminuye.
Subajuste y simplicidad excesiva
El subajuste, o underfitting, sucede cuando el modelo presenta un sesgo alto. El algoritmo es demasiado simple para capturar la relación subyacente entre las variables independientes y la dependiente. Ni en los datos de entrenamiento ni en los de prueba obtiene buenos resultados. Un ejemplo claro es usar una regresión lineal simple para modelar una relación cuadrática compleja.
Esto indica que el modelo no ha aprendido suficientes patrones. A menudo se debe a una selección de características inadecuada o a un modelo demasiado básico para la complejidad de los datos. Corregir el subajuste suele ser más sencillo que corregir el sobreajuste, ya que implica aumentar la complejidad del modelo.
Técnicas de mitigación
Existen varias estrategias para equilibrar el sesgo y la varianza. La validación cruzada divide los datos en múltiples subconjuntos para evaluar el rendimiento del modelo de manera más robusta. Esto ayuda a detectar si el modelo está memorizando o generalizando correctamente.
La regularización añade una penalización a la función de pérdida para reducir la magnitud de los coeficientes. Los dos tipos más comunes son L1 (Lasso) y L2 (Ridge). La regularización L2 se expresa añadiendo el término:
\lambda \sum_{j=1}^{n} \beta_j^2 \]\donde λ es el parámetro de regularización y β son los coeficientes. Esto evita que ningún predictor domine excesivamente el modelo, reduciendo la varianza.
Dato curioso: La regularización L1 puede reducir algunos coeficientes exactamente a cero, actuando como una selección automática de características, algo que la L2 rara vez hace.
Otras técnicas incluyen la poda de árboles, que recorta las ramas menos significativas de un árbol de decisión para simplificarlo. El aumento de datos (data augmentation) es útil en el procesamiento de imágenes, donde se crean variaciones de las imágenes originales (giros, escalas) para enriquecer el conjunto de entrenamiento. Estas métodos ayudan a que el modelo vea más "mundo" sin necesidad de recopilar nuevos datos manualmente.
¿Cómo elegir el algoritmo adecuado para cada problema?
Seleccionar un algoritmo de aprendizaje supervisado no sigue una regla única, sino que depende de las restricciones específicas del problema y de la estructura de los datos. No existe un modelo universalmente superior; la elección correcta equilibra precisión, interpretabilidad y eficiencia computacional. Un error común es elegir el modelo más complejo sin evaluar si los datos lo justifican, lo que a menudo lleva al sobreajuste o a tiempos de entrenamiento innecesarios.
Factor 1: Tamaño del conjunto de datos
La cantidad de observaciones disponibles influye directamente en la complejidad del modelo que puede generalizar bien. Si se trabaja con un conjunto pequeño (por ejemplo, menos de mil filas), los modelos simples como la Regresión Lineal o la Regresión Logística suelen ser robustos porque tienen menos parámetros que ajustar. La complejidad excesiva en datos escasos hace que el modelo memorice el ruido en lugar de aprender la señal subyacente.
Por el contrario, cuando los datos son abundantes (decenas o cientos de miles de filas), los modelos basados en árboles, como el Bosque Aleatorio (Random Forest) o el Gradiente de Boosting, tienden a dominar. Estos algoritmos aprovechan la gran cantidad de información para dividir el espacio de características de manera más granular, capturando no linealidades que un modelo lineal podría pasar por alto.
Factor 2: Naturaleza de las características
La estructura de las variables predictoras determina qué tan bien funciona un algoritmo sin necesidad de una preprocesamiento extenso. Si las relaciones entre las variables y la variable objetivo son aproximadamente lineales, la Regresión Lineal es una opción eficiente. Su ecuación básica se expresa como:
y=β0+β1x1+⋯+βnxn+ϵDonde cada coeficiente β representa el impacto de una característica. Sin embargo, si las características son categóricas o presentan interacciones complejas, los árboles de decisión manejan naturalmente estas divisiones sin requerir una estandarización estricta.
Dato curioso: Los Soportes Vectoriales (SVM) brillan cuando las dimensiones son altas. En espacios con cientos de características, como en el análisis de texto o imágenes, los puntos de datos tienden a separarse más fácilmente que en espacios bidimensionales, permitiendo que el SVM encuentre un hiperplano óptimo.
Factor 3: Interpretabilidad frente a Precisión
En muchos contextos empresariales o científicos, saber "por qué" el modelo tomó una decisión es tan importante como la decisión misma. La Regresión Lineal ofrece una interpretabilidad directa: si el coeficiente de la variable "edad" es positivo, sabemos que, ceteris paribus, el resultado aumenta con la edad. Es rápido de explicar a un cliente o un supervisor.
Los Bosques Aleatorios sacrifican algo de esa claridad inmediata a cambio de mayor precisión. Al combinar cientos de árboles, el modelo se convierte en una "caja negra" relativa, aunque técnicas como la importancia de características ayudan a desentrañar su lógica. Si la precisión pura es crítica y los datos son tabulares grandes, el Bosque Aleatorio suele superar a la regresión simple.
Factor 4: Tiempo de inferencia y entrenamiento
El tiempo que tarda el modelo en predecir (inferencia) es crucial en sistemas en tiempo real. La Regresión Lineal es extremadamente rápida en inferencia, ya que implica principalmente multiplicaciones y sumas. Los SVM, sin embargo, pueden volverse lentos si el número de vectores de soporte es grande, ya que la predicción depende de la distancia a estos puntos clave.
Los Bosques Aleatorios tienen un tiempo de entrenamiento mayor debido a la construcción de múltiples árboles, pero su inferencia es rápida y paralelizable. Elegir el algoritmo adecuado requiere definir si el cuello de botella está en el entrenamiento (cuánto tiempo se puede esperar antes de que el modelo esté listo) o en la inferencia (cuánto tarda en responder ante un nuevo dato).
La consecuencia es directa: no hay un ganador absoluto. Un análisis exploratorio rápido, considerando el tamaño de los datos y la necesidad de explicabilidad, suele filtrar las opciones antes de ejecutar el primer modelo.
Aplicaciones prácticas en la industria
Los algoritmos supervisados transforman los datos en decisiones accionables. En 2026, su adopción industrial ya no es una ventaja competitiva aislada, sino el estándar operativo en sectores donde la precisión y la velocidad determinan la rentabilidad. La clave reside en el etiquetado previo de los datos: cada observación cuenta con una "verdad de terreno" que el modelo intenta predecir.
Finanzas y predicción de precios
En los mercados financieros, la regresión lineal y los bosques aleatorios se utilizan para predecir la evolución de activos. Los analistas no buscan una bola de cristal perfecta, sino una estimación robusta del precio futuro basándose en variables históricas como volumen, volatilidad y fundamentales macroeconómicos. Un modelo de regresión ajusta una función que minimiza el error entre el precio observado y el predicho.
y^=β0+β1x1+⋯+βnxn+ϵEsta ecuación permite cuantificar el impacto de cada factor. Si el coeficiente de la tasa de interés es negativo, el modelo sugiere que, ceteris paribus, el precio del activo tiende a bajar. Los traders usan estas salidas para ajustar carteras en tiempo real. La consecuencia es directa: se reduce la incertidumbre en la asignación de capital.
Filtrado de correo electrónico
La clasificación binaria es fundamental para gestionar la saturación informativa. Los filtros de spam analizan miles de características por correo: palabras clave, remitente, hora de llegada y presencia de hipervínculos. El algoritmo asigna una probabilidad de pertenencia a la clase "Spam" o "No Spam".
Sabías que: El término "Spam" proviene de un sketch de Monty Python donde la palabra se repite obsesivamente, igual que los correos no deseados inundan la bandeja de entrada.
Los sistemas modernos utilizan la regresión logística o máquinas de soporte vectoriales. Cuando la probabilidad supera un umbral definido (por ejemplo, 0.75), el correo se mueve automáticamente. Esto libera tiempo cognitivo del usuario y reduce la carga de los servidores de correo. La precisión debe ser alta para evitar que una factura importante termine en la carpeta olvidada.
Diagnóstico médico con imágenes
La clasificación multiclase es vital en la radiología digital. Los modelos analizan imágenes de resonancia magnética o tomografías para distinguir entre múltiples condiciones. Por ejemplo, un algoritmo puede clasificar una mancha pulmonar como "Nódulo Benigno", "Cáncer Primario" o "Inflamación".
Los médicos utilizan estas predicciones como un "segundo opinión" rápida. El modelo destaca las regiones de interés y asigna una puntuación de confianza. Esto acelera el proceso de triaje en hospitales con alta rotación de pacientes. Sin embargo, la interpretación final sigue siendo humana, ya que el contexto clínico completo a veces supera los datos visuales puros. La tecnología complementa, no reemplaza, el juicio experto.
Sistemas de recomendación
Las plataformas de comercio electrónico emplean la clasificación de preferencias para personalizar la experiencia del usuario. Al analizar el historial de compras y las calificaciones, el sistema predice la probabilidad de que un producto sea del agrado del cliente. Esto se modela a menudo como un problema de clasificación: ¿comprará el usuario el producto X o no?
Estos motores de recomendación impulsan hasta el 35% de las ventas totales en grandes retailers en 2026. La lógica es simple pero poderosa: mostrar el producto correcto en el momento adecuado aumenta la tasa de conversión. Los datos de comportamiento en tiempo real permiten ajustar las sugerencias mientras el usuario navega, creando un ciclo de retroalimentación continua.
En todos estos casos, el valor no está solo en la predicción, sino en la toma de decisiones basada en datos. Los algoritmos supervisados reducen la subjetividad y permiten escalar la precisión humana a nivel industrial.
Ejercicios resueltos
La teoría cobra sentido cuando se aplica a datos concretos. Estos ejercicios muestran cómo calcular métricas de evaluación y cómo interpretar modelos de regresión, dos pilares del aprendizaje supervisado.
Ejercicio 1: Cálculo de Precisión, Recall y F1-Score
Supongamos un clasificador binario (por ejemplo, detectar si un correo es "Spam" o "No Spam") con la siguiente matriz de confusión:
| Predicho: Positivo (Spam) | Predicho: Negativo (No Spam) | |
|---|---|---|
| Real: Positivo (Spam) | 80 (Verdaderos Positivos, VP) | 20 (Falsos Negativos, FN) |
| Real: Negativo (No Spam) | 10 (Falsos Positivos, FP) | 90 (Verdaderos Negativos, VN) |
Primero, calculamos la precisión, que mide qué tan acertados son los positivos predichos:
\text{Precisión} = \frac{VP}{VP + FP} = \frac{80}{80 + 10} = \frac{80}{90} \approx 0.89 \]\Luego, el recall (o sensibilidad), que indica qué fracción de los positivos reales se capturaron:
\text{Recall} = \frac{VP}{VP + FN} = \frac{80}{80 + 20} = \frac{80}{100} = 0.80 \]\Finalmente, el F1-Score, que es la media armónica de ambos, útil cuando hay desequilibrio entre clases:
F1 = 2 \times \frac{\text{Precisión} \times \text{Recall}}{\text{Precisión} + \text{Recall}} = 2 \times \frac{0.89 \times 0.80}{0.89 + 0.80} \approx 0.84 \]\Dato curioso: El F1-Score penaliza más que la media aritmética cuando la precisión y el recall difieren mucho entre sí.
Ejercicio 2: Interpretación de Regresión Lineal Simple
Un modelo de regresión lineal simple predice el precio de una casa (en miles de dólares) en función de su superficie (en metros cuadrados). La ecuación obtenida es:
\text{Precio} = 50 + 0.8 \times \text{Superficie} \]\Aquí, 50 es la intersección (precio base cuando la superficie es 0, aunque sea poco realista) y 0.8 es la pendiente (cada metro cuadrado añade 0.8 miles de dólares al precio).
Para predecir el precio de una casa de 120 m², sustituimos en la ecuación:
\text{Precio} = 50 + 0.8 \times 120 = 50 + 96 = 146 \]\El precio estimado es de 146 miles de dólares. La lógica es directa: la pendiente indica la tasa de cambio, y la intersección ajusta el punto de partida. En la práctica, verificar que los datos nuevos estén dentro del rango de los datos de entrenamiento evita extrapolaciones arriesgadas.
Preguntas frecuentes
¿Cuál es la diferencia principal entre aprendizaje supervisado y no supervisado?
En el aprendizaje supervisado, los datos de entrenamiento incluyen las respuestas correctas (etiquetas), como fotos de gatos etiquetadas como "gato". En el aprendizaje no supervisado, los datos son "crudos" y el algoritmo debe encontrar patrones o grupos por sí mismo sin saber de antemano cuál es la respuesta correcta.
¿Qué es el sobreajuste (overfitting)?
El sobreajuste ocurre cuando un modelo aprende los datos de entrenamiento con tanta precisión que memoriza el "ruido" y los detalles específicos, perdiendo su capacidad para generalizar. Como resultado, el modelo funciona muy bien con los datos antiguos pero falla al predecir nuevos datos.
¿Es necesario tener muchos datos para usar algoritmos supervisados?
Generalmente, sí. A diferencia de algunos métodos no supervisados, los algoritmos supervisados suelen requerir grandes volúmenes de datos etiquetados para capturar las relaciones subyacentes con precisión. Sin embargo, técnicas como la validación cruzada ayudan a aprovechar mejor conjuntos de datos más pequeños.
¿Qué es la validación cruzada?
Es una técnica para evaluar la robustez de un modelo. Consiste en dividir los datos en varios subconjuntos, entrenar el modelo en unos y probarlo en otros, repitiendo el proceso varias veces. Esto ayuda a asegurar que el rendimiento del modelo no depende de una división específica de los datos.
¿Pueden los algoritmos supervisados predecir valores continuos?
Sí. Cuando la variable objetivo es un número continuo (como el precio de una casa o la temperatura), se utiliza la regresión. Si la variable es una categoría discreta (como "sí/no" o "rojo/azul"), se utiliza la clasificación.
Resumen
Los algoritmos supervisados son herramientas esenciales en el aprendizaje automático que utilizan datos etiquetados para predecir resultados futuros. Se dividen principalmente en clasificación y regresión, y su éxito depende de la selección adecuada del algoritmo, la calidad de los datos y la gestión de problemas como el sobreajuste.
Comprender las métricas de evaluación (como la precisión, el error cuadrático medio o la matriz de confusión) permite elegir el modelo más adecuado para cada problema industrial, desde el diagnóstico médico hasta la predicción de ventas.