Clasificar es, quizás, la tarea más común del aprendizaje automático: ¿este correo es spam?, ¿este paciente está en riesgo?, ¿esta transacción es fraude? Preguntas de sí o no, o de elegir entre unas pocas categorías. Esta serie las aborda en dos tiempos: primero los modelos que aprenden a separar clases, y después —igual de importante— las herramientas que nos dicen si esa separación es de verdad buena o solo lo parece.
Conviene leerla en orden: cada lección se apoya en la anterior. No hace falta saberlo todo de antemano; se avanza paso a paso.
¿Qué es clasificar?
Clasificar es asignar una etiqueta a cada ejemplo: ¿este correo es spam o no?, ¿este tumor es benigno o maligno?, ¿este cliente abandonará el servicio? Un modelo de clasificación aprende, a partir de ejemplos ya etiquetados, una frontera de decisión que separa las clases en el espacio de las variables.
Todos los modelos de esta serie resuelven ese mismo problema, pero con estrategias muy distintas, ordenadas de la más simple a la más sofisticada:
- Regresión logística — convierte una combinación lineal de variables en una probabilidad; el clasificador de referencia.
- k-vecinos más cercanos (KNN) — clasifica cada punto por mayoría entre sus vecinos más parecidos.
- Máquinas de Vectores de Soporte (SVM) — buscan la frontera con el mayor margen posible entre clases.
- Random Forest — combinan muchos árboles de decisión que votan.
- XGBoost — construyen árboles de forma secuencial, cada uno corrigiendo los errores del anterior.
Y luego, ¿cómo sabemos si funciona?
Entrenar un modelo es solo la mitad del trabajo. La otra mitad es evaluarlo con honestidad. Por eso el hilo cierra con dos herramientas imprescindibles:
- Matriz de confusión — desglosa los aciertos y errores por tipo, más allá de un simple porcentaje.
- Validación cruzada — mide el desempeño de forma robusta, sin engañarnos con una única partición afortunada.
Para llevar
Clasificar bien no es solo elegir un buen modelo, sino saber medir si de verdad generaliza a datos nuevos. En las próximas lecciones recorreremos ambos lados: primero los modelos, luego las métricas que los mantienen honestos.