Clasificación

La clasificación es una de las tareas más comunes del aprendizaje supervisado: el modelo recibe un ejemplo y debe decir a qué categoría pertenece, dentro de un conjunto de opciones definido de antemano. Puede ser binaria (dos clases, como «fraude» o «legítimo») o multiclase (varias, como identificar qué tipo de producto aparece en una foto).

Muchos clasificadores no entregan directamente la categoría, sino una probabilidad o puntuación para cada clase. Después se aplica un umbral: por ejemplo, si la probabilidad de fraude supera 0.8, se marca la transacción. Mover ese umbral cambia el equilibrio entre falsos positivos y falsos negativos, algo que se analiza con la matriz de confusión y con métricas como precisión y exhaustividad.

Algoritmos habituales son la regresión logística (que, pese a su nombre, sirve para clasificar), los árboles de decisión, los bosques aleatorios, las máquinas de vectores de soporte y las redes neuronales. La elección depende del volumen de datos, de si se necesita explicar las decisiones y de los recursos disponibles.

Un error común es evaluar un clasificador sólo con la exactitud (porcentaje de aciertos). Si sólo el 1% de las transacciones son fraudulentas, un modelo que siempre dice «legítimo» acierta el 99% de las veces y no sirve para nada. Con clases desbalanceadas hay que mirar métricas más finas. Se distingue de la regresión, que predice un número continuo en lugar de una categoría.