Explicación para principiantes
El aprendizaje supervisado utiliza ejemplos emparejados con respuestas deseadas. La regresión predice un número, como la demanda. La clasificación predice una categoría, como si un mensaje es spam o no. El modelo aprende de etiquetas que pueden contener errores por sí mismas.
Explicación intermedia
Elige métricas adecuadas para el resultado. La regresión puede usar el error absoluto medio (MAE); la clasificación puede usar precisión y sensibilidad (recall). Un umbral convierte una probabilidad estimada en una acción. Cambiarlo modifica el equilibrio entre los casos no detectados y las falsas alarmas.
Explicación avanzada
Cuando las clases están desequilibradas, la exactitud global puede ocultar un mal rendimiento en las clases minoritarias. Utiliza matrices de confusión y costes asociados a cada umbral. Ajusta el preprocesamiento solo con los datos de entrenamiento y aplícalo después a los de validación y prueba para evitar fugas de información durante el proceso.
PONLO EN CONTEXTO
Un ejemplo práctico
Si solo 2 de cada 100 mensajes son spam, etiquetarlos todos como «no spam» da un 98 % de aciertos, pero no detecta ningún mensaje de spam. Para detectar spam, esa exactitud aparentemente impresionante no basta.
PRUÉBALO POR TI MISMO
Practica la idea
Un detector encuentra 8 mensajes que realmente son spam, marca 2 mensajes legítimos y no detecta otros 4 mensajes de spam. Calcula la precisión y la sensibilidad (recall).
Revela la guía de respuestas
Precisión = 8/(8 + 2) = 80 %. Sensibilidad (recall) = 8/(8 + 4) ≈ 66.7 %. La precisión indica qué proporción de los mensajes marcados realmente son spam; la sensibilidad indica qué proporción de todo el spam se detectó.
Ve más allá: desafío avanzado
Elige una política de umbral para una cola de revisión con personal limitado. Explica cómo la capacidad de revisión modifica el equilibrio deseable entre precisión y sensibilidad (recall).
Una actividad de debate abierto. Explica tus supuestos y las pruebas que los respaldan; puede haber más de una respuesta defendible.
Continúa la conversación
¿Qué parte de esta idea te gustaría probar o cuestionar? Compara tu razonamiento con la comunidad.
Encuentra discusiones relacionadas en el foro ↗Abre una búsqueda de temas en el foro existente de AstraCruz. Los resultados dependen de las publicaciones disponibles; puede ser necesario iniciar sesión. No se fabrican discusiones ni actividades.
Explora todos los forosLectura adicional
Explicaciones originales de AstraCruz y ejercicios ficticios. Estas referencias principales proporcionan un contexto técnico más amplio; los materiales vinculados pueden cambiar.
Tu marca de finalización se mantiene en este navegador.