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

Ejemplo prácticopython
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

Temas relacionados

Fichas de herramientas