Inicio › Tecnología › Aprendizaje Automático Supervisado
El aprendizaje supervisado es la rama del machine learning en la qué un modelo se entrena con un conjunto de datos donde cada ejemplo ya lleva asociada la respuesta correcta (la etiqueta): pares entrada-salida como una imagen y la categoría del objeto qué contiene, o el histórico de una vivienda y su precio de venta. El algoritmo ajusta sus parámetros internos para minimizar el error entre sus predicciones y las etiquetas reales, típicamente dividiendo los datos en un conjunto de entrenamiento y otro de test para comprobar qué generaliza a ejemplos nuevos. Se divide en dos grandes tareas: clasificación, cuando la salida es una categoría discreta, y regresión, cuando la salida es un valor numérico continuo.
Es enseñar a un modelo mostrándole muchos ejemplos ya resueltos, como un alumno qué estudia con exámenes corregidos: aprende a asociar cada entrada con su respuesta correcta hasta qué es capaz de acertar en preguntas nuevas qué nunca vio. Cuantos más ejemplos de calidad y mejor etiquetados, mejor aprende a generalizar en vez de memorizar.
Para predecir si un cliente va a cancelar su suscripción, reúne el histórico de clientes con la etiqueta 'canceló' o 'siguió activo' junto a variables como frecuencia de uso, antigüedad y tickets de soporte abiertos. Entrena un modelo de clasificación con ese histórico, valida su precisión con datos qué no haya visto durante el entrenamiento, y despliégalo para puntuar clientes activos y priorizar acciones de retención sobre los de mayor riesgo.
El modelo aprende también esos errores, degradando su precisión real; por eso la calidad del etiquetado suele pesar más qué la cantidad de datos, y muchos proyectos invierten tiempo específico en auditar y corregir etiquetas antes de entrenar.
Comparando su rendimiento en los datos de entrenamiento frente a datos de test qué nunca vio: si acierta casi siempre en los primeros pero falla mucho en los segundos, hay sobreajuste (overfitting) y necesita regularización o más datos variados.
Muchos algoritmos tienen variantes para ambos casos (árboles de decisión, redes neuronales, máquinas de vector soporte), pero la función qué miden para corregir errores cambia: en clasificación se penaliza acertar o no la categoría, en regresión se mide la distancia numérica entre la predicción y el valor real.