RECURSOS DE INTELIGENCIA ARTIFICIAL

Machine learning: conceptos

Comprende cómo los modelos de machine learning aprenden patrones a partir de datos, se evalúan y se utilizan para realizar predicciones sobre nuevos ejemplos.

FUNDAMENTOS

Qué es machine learning

Machine learning o aprendizaje automático es un área de la inteligencia artificial que permite construir modelos capaces de aprender patrones a partir de datos.

En lugar de definir manualmente una regla específica para cada situación posible, se utiliza un proceso de aprendizaje para ajustar un modelo a partir de ejemplos. 

Datos
↓
Algoritmo de aprendizaje
↓
Entrenamiento
↓
Modelo
↓
Nuevos datos
↓
Predicción

El objetivo no es únicamente obtener buenos resultados con los datos utilizados durante el entrenamiento. El modelo debe ser capaz de comportarse adecuadamente ante datos nuevos relacionados con el problema que pretende resolver.

PLANTEAMIENTO

Del problema al modelo

Un proyecto de machine learning debería comenzar definiendo el problema y el resultado que se pretende obtener, no seleccionando directamente un algoritmo.

Algunas preguntas iniciales son:

  • ¿qué problema queremos resolver?
  • ¿qué resultado esperamos obtener?
  • ¿qué datos están disponibles?
  • ¿qué representa cada ejemplo?
  • ¿cómo podremos medir si el modelo funciona correctamente?
  • ¿qué consecuencias tendría un error?
Problema
↓
Objetivo
↓
Datos
↓
Modelo
↓
Evaluación
↓
Uso

DATOS

Datos y características

Los datos utilizados por un modelo contienen ejemplos relacionados con el problema que se quiere resolver.

Cada ejemplo puede describirse mediante diferentes características, también conocidas como features. Son las variables o propiedades que el modelo utiliza como información de entrada.

Imaginemos un modelo destinado a estimar el consumo energético de una vivienda. Algunas características podrían ser:

  • superficie;
  • número de habitaciones;
  • temperatura exterior;
  • tipo de climatización;
  • hora del día.
Ejemplo
↓
Características
↓
Modelo
↓
Predicción

La selección y representación de las características puede influir de forma importante en el comportamiento del modelo.

OBJETIVO

Etiquetas y variable objetivo

En aprendizaje supervisado, los ejemplos de entrenamiento incluyen normalmente un resultado conocido que el modelo debe aprender a predecir.

Este resultado puede denominarse etiqueta, variable objetivoo target, dependiendo del problema y de la terminología utilizada.

Por ejemplo, en un sistema de clasificación de mensajes: 

Mensaje
↓
Características
↓
Etiqueta conocida
↓
Entrenamiento

La etiqueta podría representar categorías como spamo no spam.

PREPARACIÓN

Preparación de los datos

Los datos disponibles no siempre pueden utilizarse directamente para entrenar un modelo. Es habitual realizar tareas de revisión y preparación.

Entre ellas pueden encontrarse:

  • detectar errores;
  • tratar valores ausentes;
  • eliminar duplicados cuando corresponda;
  • normalizar o transformar valores;
  • codificar variables;
  • revisar etiquetas;
  • comprobar la representatividad de los datos.
Datos originales
↓
Revisión
↓
Preparación
↓
Datos utilizables
↓
Entrenamiento

La preparación debe realizarse teniendo en cuenta el problema y el modelo. No existe un único proceso válido para todos los conjuntos de datos.

CALIDAD

Calidad y representatividad

El comportamiento de un modelo depende en gran medida de los datos utilizados para desarrollarlo y evaluarlo.

Conviene revisar aspectos como:

  • exactitud de los datos;
  • cantidad disponible;
  • actualidad;
  • cobertura de situaciones relevantes;
  • distribución de los ejemplos;
  • posibles sesgos;
  • calidad de las etiquetas.

Tener una gran cantidad de datos no garantiza automáticamente un modelo de calidad. Los datos deben ser adecuados para la tarea y para el contexto donde se utilizará el sistema.

PROCESO

Entrenamiento e inferencia

El entrenamiento y la inferencia son dos fases diferentes.

Durante el entrenamiento, un algoritmo utiliza datos para ajustar los parámetros del modelo. 

Datos de entrenamiento
↓
Algoritmo
↓
Ajuste de parámetros
↓
Modelo entrenado

Durante la inferencia, el modelo entrenado recibe nuevos datos y produce un resultado. 

Nueva entrada
↓
Modelo entrenado
↓
Inferencia
↓
Predicción

La inferencia no implica necesariamente que el modelo vuelva a entrenarse. Utilizar un modelo y modificar sus parámetros son procesos distintos.

APRENDIZAJE

Aprendizaje supervisado

En el aprendizaje supervisado, el modelo se entrena utilizando ejemplos que incluyen tanto los datos de entrada como el resultado esperado. 

Características
+
Resultado conocido
↓
Entrenamiento
↓
Modelo

Dos tipos habituales de problemas supervisados son la clasificacióny la regresión.

CLASIFICACIÓN

Clasificación

En un problema de clasificación, el objetivo es asignar una categoría a una entrada.

Algunos ejemplos son:

  • spam o no spam;
  • tipo de documento;
  • categoría de una imagen;
  • tipo de incidencia técnica.
Nueva entrada
↓
Modelo de clasificación
↓
Categoría predicha

Un problema puede tener dos clases o múltiples categorías, dependiendo de la tarea.

REGRESIÓN

Regresión

En un problema de regresión, el objetivo habitual es estimar un valor numérico.

Algunos ejemplos pueden ser:

  • estimar un consumo energético;
  • predecir una demanda;
  • estimar una duración;
  • predecir un valor a partir de determinadas variables.
Características
↓
Modelo de regresión
↓
Valor estimado

La clasificación y la regresión requieren formas diferentes de evaluar los resultados.

APRENDIZAJE

Aprendizaje no supervisado

En el aprendizaje no supervisado se trabaja con datos que no incluyen una etiqueta objetivo de la misma forma que en el aprendizaje supervisado.

El objetivo puede ser descubrir estructuras, relaciones o agrupaciones presentes en los datos. 

Datos sin etiqueta objetivo
↓
Algoritmo
↓
Estructura o representación
↓
Análisis

Entre sus aplicaciones se encuentran técnicas de agrupamiento, reducción de dimensionalidad y exploración de patrones.

AGRUPAMIENTO

Clustering

El clustering o agrupamiento busca organizar ejemplos en grupos utilizando algún criterio de similitud o estructura presente en los datos. 

Datos
↓
Algoritmo de agrupamiento
↓
Grupos
↓
Interpretación

Los grupos obtenidos no tienen necesariamente un significado predefinido. Su interpretación depende del problema, de las variables utilizadas y del método aplicado.

Que dos ejemplos aparezcan en el mismo grupo tampoco implica automáticamente que pertenezcan a una categoría real conocida.

VALIDACIÓN

Entrenamiento, validación y prueba

Evaluar un modelo utilizando únicamente los mismos datos empleados para entrenarlo puede ofrecer una visión demasiado optimista de su comportamiento.

Por ello, los datos pueden dividirse en conjuntos con funciones diferentes.

  • Entrenamiento:utilizado para ajustar el modelo.
  • Validación:utilizado durante el desarrollo para comparar configuraciones o tomar decisiones sobre el modelo.
  • Prueba:utilizado para realizar una evaluación final independiente. 
Datos
↓
Entrenamiento
↓
Validación
↓
Prueba

La estrategia concreta depende del volumen de datos, del tipo de problema y del procedimiento de evaluación utilizado.

EVALUACIÓN

Evaluación de modelos

Evaluar un modelo significa medir su comportamiento utilizando datos y criterios adecuados para la tarea. 

Modelo
↓
Datos de evaluación
↓
Predicciones
↓
Comparación
↓
Métricas

No existe una única métrica apropiada para todos los problemas. La elección depende de qué se está prediciendo y de qué errores son más importantes en el contexto de uso.

MÉTRICAS

Métricas en clasificación

En problemas de clasificación pueden utilizarse diferentes métricas. Algunas habituales son:

  • exactitud o accuracy;
  • precisión o precision;
  • sensibilidad o recall;
  • F1.

La exactitud indica qué proporción total de predicciones ha sido correcta, pero puede resultar insuficiente cuando las clases están muy desequilibradas o cuando determinados errores tienen consecuencias diferentes.

Por ello, las métricas deben interpretarse en relación con el problema y no como números aislados.

ANÁLISIS

Errores de clasificación

En una clasificación binaria es útil distinguir diferentes tipos de resultado.

  • verdadero positivo;
  • verdadero negativo;
  • falso positivo;
  • falso negativo.

Esta distinción permite analizar qué clase de errores está produciendo el modelo. 

Predicción
↓
Comparación con el valor real
↓
Acierto o tipo de error
↓
Evaluación

En determinados problemas, un falso positivo y un falso negativo pueden tener consecuencias muy diferentes. Por eso no basta con contar únicamente el número total de aciertos.

MÉTRICAS

Métricas en regresión

En problemas de regresión interesa medir la diferencia entre los valores predichos y los valores reales.

Entre las métricas utilizadas pueden encontrarse:

  • error absoluto medio, MAE;
  • error cuadrático medio, MSE;
  • raíz del error cuadrático medio, RMSE.

Cada métrica resume los errores de una forma diferente. La elección debe responder al problema y a la interpretación que se necesite realizar de esos errores.

COMPARACIÓN

Establecer una referencia

Obtener una métrica determinada no indica por sí sola si un modelo es útil. Conviene compararlo con una referencia o baseline.

Esa referencia puede ser una regla sencilla, un método existente o una estrategia básica apropiada para el problema. 

Referencia
↓
Comparación
↓
Modelo
↓
¿Aporta una mejora útil?

Un modelo más complejo no es necesariamente mejor si no proporciona una mejora relevante respecto a una solución más sencilla.

CALIDAD

Sobreajuste y generalización

Un modelo debe aprender patrones útiles sin limitarse a reproducir en exceso las particularidades de los datos utilizados durante el entrenamiento.

El sobreajusteo overfittingaparece cuando un modelo se adapta demasiado a los datos de entrenamiento y su comportamiento empeora ante nuevos datos. 

Buen resultado en entrenamiento
↓
Mal resultado con datos nuevos
↓
Posible sobreajuste

La generalizacióndescribe la capacidad del modelo para comportarse adecuadamente ante ejemplos no utilizados durante el entrenamiento.

CALIDAD

Subajuste

También puede producirse el problema contrario. El subajusteo underfittingaparece cuando el modelo no consigue representar adecuadamente los patrones necesarios para resolver la tarea. 

Modelo
↓
Aprendizaje insuficiente
↓
Resultados deficientes
↓
Entrenamiento y evaluación

En este caso, el comportamiento puede ser deficiente tanto sobre los datos de entrenamiento como sobre datos nuevos.

CONFIGURACIÓN

Parámetros e hiperparámetros

Conviene diferenciar los parámetros que el modelo aprende durante el entrenamiento de las configuraciones utilizadas para controlar el proceso de aprendizaje.

Los parámetrosson valores internos ajustados por el proceso de entrenamiento.

Los hiperparámetrosson configuraciones definidas antes o durante el proceso de desarrollo y que influyen en cómo se entrena o estructura el modelo. 

Hiperparámetros
↓
Proceso de entrenamiento
↓
Ajuste de parámetros
↓
Modelo entrenado

Los hiperparámetros concretos dependen del algoritmo utilizado.

VALIDACIÓN

Fuga de datos

La fuga de datos o data leakageaparece cuando durante el desarrollo se utiliza información que no debería estar disponible para el modelo en las condiciones reales en las que tendrá que realizar predicciones.

Esto puede provocar métricas aparentemente muy buenas durante la evaluación que no se mantienen cuando el sistema se utiliza con datos reales. 

Información no disponible en producción
↓
Entra accidentalmente en el entrenamiento
↓
Evaluación demasiado optimista
↓
Problemas al desplegar

La separación correcta de los datos y la revisión del proceso de preparación ayudan a reducir este riesgo.

DATOS

Sesgos y cambios en los datos

Los datos pueden contener desequilibrios, omisiones o patrones que influyan en el comportamiento del modelo.

Además, los datos reales pueden cambiar con el tiempo. Un modelo evaluado correctamente en un momento determinado puede perder calidad si las condiciones del problema cambian. 

Datos históricos
↓
Modelo
↓
Entorno real
↓
Cambios con el tiempo
↓
Nueva evaluación

Por ello, la evaluación de un sistema de machine learning no debería limitarse necesariamente al momento anterior a su despliegue.

OPERACIÓN

Despliegue y monitorización

Un modelo útil durante el desarrollo debe integrarse posteriormente en un sistema capaz de recibir datos reales y utilizar sus predicciones. 

Modelo evaluado
↓
Despliegue
↓
Datos reales
↓
Predicciones
↓
Monitorización
↓
Revisión

La monitorización puede ayudar a detectar cambios en los datos, degradación del rendimiento, errores inesperados o diferencias entre las condiciones de desarrollo y las condiciones reales.

CICLO DE VIDA

Machine learning como proceso continuo

El desarrollo de un modelo no termina necesariamente cuando se completa el entrenamiento. 

Definir el problema
↓
Obtener datos
↓
Preparar datos
↓
Entrenar
↓
Evaluar
↓
Desplegar
↓
Monitorizar
↓
Revisar
↓
Mejorar

Los resultados obtenidos durante la monitorización pueden hacer necesario revisar los datos, volver a entrenar, modificar el modelo o incluso replantear el problema original.

ERRORES FRECUENTES

Confusiones que conviene evitar

  • comenzar seleccionando un algoritmo antes de definir correctamente el problema;
  • asumir que disponer de más datos garantiza siempre un mejor modelo;
  • evaluar únicamente con los mismos datos utilizados para entrenar;
  • interpretar una única métrica sin considerar el contexto;
  • ignorar el desequilibrio entre clases;
  • confundir entrenamiento con inferencia;
  • confundir parámetros con hiperparámetros;
  • aceptar buenos resultados de entrenamiento como prueba de generalización;
  • permitir fugas de información entre entrenamiento y evaluación;
  • asumir que el comportamiento del modelo permanecerá estable indefinidamente después del despliegue.

EJEMPLO

Ejemplo de un problema de clasificación

Supongamos que queremos construir un sistema para clasificar incidencias técnicas según su categoría.

Disponemos de incidencias anteriores con su categoría correctamente identificada. Esos ejemplos pueden utilizarse para entrenar y evaluar un modelo. 

Incidencias históricas
↓
Preparación de datos
↓
Entrenamiento
↓
Modelo
↓
Evaluación
↓
Nueva incidencia
↓
Categoría predicha

Durante la evaluación no bastaría con observar el porcentaje total de aciertos. También podría interesar comprobar qué categorías se confunden entre sí y qué consecuencias tiene cada tipo de error.

Una vez desplegado, sería necesario comprobar si las incidencias reales continúan teniendo características similares a las utilizadas durante el desarrollo.

RESUMEN

Ideas fundamentales

  • Machine learning permite construir modelos que aprenden patrones a partir de datos.
  • El problema y el objetivo deben definirse antes de seleccionar el modelo.
  • Las características representan la información de entrada utilizada por el modelo.
  • En aprendizaje supervisado existen resultados conocidos utilizados durante el entrenamiento.
  • Clasificación y regresión son dos tipos habituales de problemas supervisados.
  • El aprendizaje no supervisado puede utilizarse para descubrir estructuras en datos sin una etiqueta objetivo.
  • Entrenamiento e inferencia son fases distintas.
  • La evaluación debe realizarse con datos y métricas adecuados.
  • Una única métrica no describe necesariamente todo el comportamiento de un modelo.
  • Sobreajuste y generalización son conceptos esenciales para entender el comportamiento ante datos nuevos.
  • Deben evitarse fugas de información entre las distintas fases.
  • Los datos y las condiciones reales pueden cambiar después del despliegue.
  • Monitorizar y reevaluar forma parte del ciclo de vida de un sistema de machine learning.

SIGUE APRENDIENDO

Recursos relacionados

Esta ficha se relaciona con el resto de recursos de Inteligencia Artificial:

PARA AMPLIAR

Documentación de referencia

Fuentes institucionales y documentación técnica para ampliar los conceptos de esta ficha.