La importancia de los datos en machine learning
Un modelo solo puede aprender lo que sus datos le muestran, y gran parte del trabajo de un proyecto se va en reunir, limpiar y preparar la información antes de entrenar nada. Hay que eliminar duplicados, decidir qué hacer con los valores que faltan, unificar formatos y detectar errores de medición. En el aprendizaje supervisado se suma el etiquetado, que consiste en asignar a cada ejemplo su respuesta correcta y que suele hacerlo una persona con conocimiento del tema. Si las etiquetas son incoherentes, el modelo aprende esa incoherencia.
También importa que los datos representen el caso real. Un modelo entrenado solo con clientes de una ciudad puede fallar con los de otra. Y la cantidad cuenta: los modelos sencillos funcionan con pocos miles de ejemplos, mientras que las redes profundas suelen pedir muchos más.
Sobreajuste y validación de modelos
El sobreajuste ocurre cuando un modelo memoriza los ejemplos de entrenamiento, con su ruido incluido, en lugar de aprender la regla general. El resultado es un modelo que acierta casi siempre con los datos que ya vio y falla con los nuevos. Es como un estudiante que se sabe de memoria los exámenes de otros años pero no entiende la materia.
Para detectarlo se reparten los datos en conjuntos separados: uno para entrenar y otro para evaluar con casos que el modelo no ha visto. La validación cruzada repite ese reparto varias veces con distintas particiones para obtener una medida más estable. Si el rendimiento en entrenamiento es muy superior al de evaluación, hay sobreajuste. Se corrige con más datos, modelos más sencillos, regularización o, en árboles, limitando su profundidad.
Métricas para evaluar un modelo
Medir bien un modelo depende de la tarea. En clasificación, la exactitud indica el porcentaje de aciertos, pero engaña cuando una clase es muy rara: un modelo que dice siempre «no hay fraude» acierta casi todo y no sirve de nada. Por eso se usan también la precisión, que mide cuántos de los casos marcados como positivos lo eran de verdad, y la sensibilidad (recall), que mide cuántos de los positivos reales se detectaron. El valor F1 combina ambas, y la matriz de confusión muestra los aciertos y los errores de cada clase.
En regresión se miden las distancias entre la predicción y el valor real con el error absoluto medio (MAE) o la raíz del error cuadrático medio (RMSE). La métrica correcta es la que refleja el coste real de equivocarse.
Sesgos y ética en machine learning
Un modelo hereda los sesgos de sus datos. Si el histórico de un proceso de selección favoreció a ciertos perfiles, un sistema entrenado con él tenderá a repetir esa preferencia aunque nadie se lo haya pedido. Se revisa entonces de dónde vienen los datos, se comparan los resultados entre grupos de personas y se documenta para qué puede usarse el modelo y para qué no.
La explicabilidad también pesa: en decisiones sobre crédito, empleo o salud, la persona afectada tiene interés en saber por qué se tomó una decisión. En la Unión Europea, el Reglamento (UE) 2024/1689 sobre inteligencia artificial regula estos sistemas según su nivel de riesgo y se aplica de forma escalonada desde su entrada en vigor en agosto de 2024.
Preguntas frecuentes
¿Cuáles son los tipos de machine learning más importantes?
Son cinco: aprendizaje supervisado, no supervisado, semisupervisado, por refuerzo y autosupervisado. Se distinguen por la señal con la que aprende el modelo.
¿Cuántos tipos de aprendizaje en machine learning existen?
Tradicionalmente se enseñan tres: supervisado, no supervisado y por refuerzo. A ellos se suman el semisupervisado, que mezcla datos con y sin etiqueta, y el autosupervisado, que genera sus propias etiquetas a partir de los datos y es la base del entrenamiento de los grandes modelos de lenguaje.
¿Qué diferencia hay entre aprendizaje supervisado y no supervisado?
El supervisado aprende con ejemplos que incluyen la respuesta correcta y sirve para predecir categorías o valores. El no supervisado trabaja con datos sin respuesta y busca grupos, patrones o casos atípicos. Un filtro de spam es supervisado, y la segmentación de clientes por hábitos de compra es no supervisada.
¿Cuáles son ejemplos de aprendizaje supervisado y no supervisado?
Entre los supervisados están predecir el precio de una vivienda con regresión, detectar fraude en pagos con un random forest o clasificar correos como spam con regresión logística. Entre los no supervisados, agrupar clientes con k-means, reducir variables con PCA o detectar transacciones anómalas sin etiquetas previas. En ambos casos el algoritmo se elige según el tipo de dato y la necesidad de explicar el resultado.
¿Qué ejemplos de machine learning hay en la vida cotidiana?
El filtro de spam del correo, las recomendaciones de series y música, el desbloqueo del móvil con la cara, los traductores automáticos, los asistentes de voz, el teclado predictivo y la estimación del tiempo de viaje en los navegadores. Todos aprenden de datos de uso.
¿Qué ejemplos de machine learning se usan en empresas?
Detección de fraude en pagos, segmentación de clientes para marketing, previsión de demanda, predicción de abandono, mantenimiento predictivo de maquinaria con datos de sensores y puntuación de riesgo crediticio. Son problemas con muchos datos históricos y decisiones que se repiten a diario, donde un modelo ayuda a priorizar o a anticipar. En banca y seguros se exige que el modelo pueda explicarse, y eso influye en qué algoritmo se elige. Un banco puede preferir una regresión logística o un árbol de decisión, que permiten justificar cada decisión, antes que una red profunda con algo más de precisión pero sin explicación sencilla.
¿Cuáles son los tipos de algoritmos de machine learning?
Se agrupan por el tipo de aprendizaje. En supervisado, regresión lineal y logística, árboles de decisión, random forest, SVM y k-NN. En no supervisado, k-means, DBSCAN, clustering jerárquico y PCA. En refuerzo, Q-learning y métodos de gradiente de política. Las redes neuronales pueden usarse en todos los tipos.
¿Cuál es la diferencia entre machine learning y deep learning?
El deep learning es una parte del machine learning que usa redes neuronales con muchas capas. Rinde muy bien con imágenes, audio y texto, pero necesita más datos y más cálculo. Con datos en tablas, los métodos clásicos como los árboles y el gradient boosting suelen igualarlo o superarlo y se explican con más facilidad.
¿Qué tipo de machine learning usa ChatGPT?
Los modelos de lenguaje como los de ChatGPT combinan varios tipos. Se preentrenan con aprendizaje autosupervisado, prediciendo la palabra siguiente en enormes cantidades de texto. Después se ajustan con ejemplos de respuestas correctas, que es aprendizaje supervisado, y con valoraciones humanas, mediante aprendizaje por refuerzo con retroalimentación humana. Así, un mismo sistema acaba usando tres de los cinco tipos descritos.
¿Cómo elegir el tipo de machine learning adecuado para un proyecto?
Depende de los datos y de la pregunta. Con un histórico etiquetado, supervisado. Con datos sin etiquetar y ganas de explorarlos, no supervisado. Con pocas etiquetas, semisupervisado. Si el sistema decide paso a paso y recibe recompensas, refuerzo. Es mejor empezar siempre con un modelo sencillo y compararlo con otros usando datos de evaluación.




Déjanos tu comentario
Tu opinión nos ayuda a esforzarnos más para hacer programas con altos estándares de calidad que te ayuden a mejorar profesionalmente.