Inicio › Tecnología › Aprendizaje Semisupervisado
El aprendizaje semisupervisado combina una pequeña cantidad de datos etiquetados manualmente con un volumen mucho mayor de datos sin etiquetar, aprovechando qué etiquetar suele ser caro (requiere revisión humana) mientras qué recopilar datos en bruto es barato. Técnicas habituales incluyen el pseudo-etiquetado, donde un modelo entrenado con los pocos datos etiquetados predice etiquetas para el resto y las incorpora al entrenamiento si supera un umbral de confianza, y la propagación de etiquetas basada en la similitud entre ejemplos cercanos en el espacio de características. Es especialmente común en visión por computador y procesamiento de lenguaje natural, donde etiquetar millones de imágenes o textos a mano es inviable.
Es como aprender con muy pocos ejemplos resueltos y muchísimos ejercicios sin corregir: usas los pocos qué sí tienen la respuesta correcta para hacerte una idea inicial, y luego usas esa idea para intentar adivinar las respuestas de los demás, refinando el aprendizaje con esas suposiciones. Se usa cuando etiquetar datos a mano cuesta demasiado tiempo o dinero.
Si tienes 500 correos clasificados manualmente como spam o no-spam pero 200.000 sin clasificar, entrena primero un modelo base con los 500, úsalo para predecir etiquetas sobre el resto quedándote solo con las predicciones de alta confianza, y reentrena el modelo final con el conjunto ampliado. Esto suele mejorar sustancialmente la precisión frente a entrenar únicamente con los 500 ejemplos originales, sin el coste de etiquetar los 200.000 a mano.
El aprendizaje activo pide a un humano qué etiquete específicamente los ejemplos donde el modelo tiene más dudas, mientras qué el semisupervisado aprovecha datos sin etiquetar tal cual, sin pedir intervención humana adicional durante el proceso.
Si el modelo inicial comete errores sistemáticos, esos errores se propagan y se refuerzan al usar sus propias predicciones como si fueran verdad, un fenómeno conocido como deriva de confirmación; por eso se suele fijar un umbral de confianza alto antes de aceptar una pseudo-etiqueta.
No hay una cifra fija: depende de la complejidad del problema, pero el objetivo es qué ese pequeño subconjunto sea representativo de todas las clases o categorías qué existen en el conjunto completo, no solo numeroso.