Clasificación
Predecir a qué categoría pertenece un ejemplo nuevo, a partir de ejemplos etiquetados.
ÁreaAprendizaje Supervisado
DificultadPrincipiante
Tiempo de aprendizaje3-4 semanas
¿Qué puedes lograr dominando este tema?
- Construir modelos que distingan entre dos o más categorías con buena precisión
- Elegir la métrica correcta (precisión, recall, F1, AUC) según el costo de cada tipo de error
- Manejar datasets desbalanceados sin que el modelo ignore la clase minoritaria
Descripción
La clasificación predice una etiqueta categórica: spam o no spam, fraude o legítimo, qué producto comprará un cliente. Es una de las tareas más extendidas del ML aplicado, con algoritmos que van desde la regresión logística hasta redes neuronales profundas.
Casos de uso
- Detección de spam, fraude o contenido malicioso
- Diagnóstico médico asistido a partir de síntomas o imágenes
- Segmentación de clientes por probabilidad de abandono (churn)
- Clasificación de texto, imágenes o audio
Ejemplo práctico
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report
model = LogisticRegression()
model.fit(X_train, y_train)
print(classification_report(y_test, model.predict(X_test)))Ventajas y limitaciones
Ventajas
- Ecosistema de algoritmos maduro, desde interpretable hasta muy preciso
- Se adapta bien a datos desbalanceados con las técnicas correctas
- Métricas de evaluación bien establecidas para cada tipo de problema
Limitaciones
- Elegir mal la métrica de evaluación puede ocultar un modelo inútil en la práctica
- El desbalance de clases requiere técnicas adicionales (SMOTE, class weights)
Herramientas relacionadas
Librerías y plataformas más comunes para practicar este tema.
- scikit-learn
- XGBoost
- LightGBM