Los algoritmos de aprendizaje supervisado más populares y sus aplicaciones

El aprendizaje supervisado —enseñar a un modelo con ejemplos ya etiquetados— sostiene buena parte de lo que la inteligencia artificial hace de verdad hoy, lejos de los titulares. Estas son sus cuatro familias principales, para qué sirve cada una, y un caso que enseña a distinguir una capacidad demostrada de una promesa.

Árboles de decisión y bosques aleatorios

Un árbol de decisión es una estructura de preguntas encadenadas: en cada nodo se divide el conjunto de datos según una condición, y las hojas contienen la respuesta. Su gran virtud es que se puede leer: cualquiera puede seguir el camino que llevó a una predicción concreta.

Un árbol solo es frágil, porque se ajusta demasiado a los datos con los que aprendió. Los bosques aleatorios resuelven ese problema construyendo muchos árboles sobre muestras distintas y combinando sus predicciones. Ganan en precisión y robustez, y pagan un precio que conviene conocer: pierden la legibilidad del árbol único. Un bosque de quinientos árboles ya no se lee siguiendo un camino.

Es el intercambio más recurrente de todo el campo, y aparecerá una y otra vez: precisión a cambio de poder explicar.

Máquinas de vectores de soporte

Las SVM buscan la frontera que mejor separa dos clases, maximizando el margen entre ellas. Cuando esa frontera no es una línea recta, usan lo que se llama el truco del núcleo: proyectan los datos a un espacio de más dimensiones donde sí exista una separación limpia, sin calcular explícitamente esa proyección. Funcionan bien con muchas variables y pocos ejemplos, un escenario común en biomedicina.

El caso de los núcleos cuánticos: cómo se lee una promesa

Aquí conviene detenerse, porque este apartado suele contarse mal y sirve para aprender a comprobar cualquier tecnología emergente.

Existe una línea de investigación que propone calcular esos núcleos con un ordenador cuántico. El trabajo de referencia es «Supervised learning with quantum-enhanced feature spaces», de un equipo de IBM y el MIT, publicado en Nature en 2019 — la versión de la revista está tras muro de pago, pero el propio equipo mantiene el preprint en abierto.

Y ahora las dimensiones reales del experimento, que casi nunca acompañan a la cita: usaron dos cúbits de un procesador de cinco, dos variables, y conjuntos de veinte puntos por etiqueta en entrenamiento y otros veinte en prueba. Los datos, además, eran sintéticos, generados a propósito para ser separables por su propio método: en sus palabras, «generamos datos artificiales que pueden ser completamente separados por nuestro mapa de características».

Eso es una demostración de principio impecable y honesta. No es —ni su artículo lo afirma— una tecnología que resuelva hoy problemas de clasificación fuera del alcance de una SVM clásica.

¿Y qué pasa cuando alguien lo mide en serio? En 2024, un equipo publicó «Better than classical? The subtle art of benchmarking quantum machine learning models», un preprint que compara doce modelos cuánticos habituales sobre 160 conjuntos de datos. Su conclusión, textual: «en conjunto, los modelos clásicos de aprendizaje automático listos para usar superan a los clasificadores cuánticos». Y un hallazgo aún más incómodo para el marketing del sector: «eliminar el entrelazamiento de un modelo cuántico a menudo da un rendimiento igual o mejor». Es decir, que lo cuántico no parecía ser el ingrediente decisivo.

La valoración más citada del asunto, esta sí revisada por pares, la firman Maria Schuld y Nathan Killoran en PRX Quantum (2022): la computación cuántica «no ofrece pruebas de referencia prácticas a escalas realistas, y la teoría es la principal herramienta que tenemos».

Conclusión honesta: los núcleos cuánticos son una promesa teórica interesante y sin demostración práctica a una escala que importe. Que puedan llegar a serlo es una cuestión abierta; que ya lo sean, no.

Redes neuronales y aprendizaje profundo

Las redes neuronales apilan capas de unidades que transforman la entrada hasta producir una salida. Con muchas capas —aprendizaje profundo— extraen patrones cada vez más abstractos sin que nadie tenga que diseñarlos a mano. Es la familia que domina cuando los datos son imágenes, audio o texto, y la que peor se explica de las cuatro.

Boosting y XGBoost

El boosting construye modelos débiles en secuencia, cada uno corrigiendo los errores del anterior, hasta formar uno fuerte. XGBoost es su implementación más extendida y sigue siendo la primera opción razonable cuando los datos vienen en forma de tabla —filas y columnas, como en finanzas o en seguros—, un terreno donde las redes neuronales no han desplazado a estos métodos.

Ese dato es útil por sí solo: el aprendizaje profundo no ganó en todas partes. En datos tabulares, los conjuntos de árboles siguen compitiendo de tú a tú.

Cómo se elige entre las cuatro

Puestas en fila, la elección deja de ser cuestión de moda y pasa a depender de la forma del dato y de lo que haya que responder después.

Si los datos vienen en tabla —filas y columnas, como una base de clientes o un histórico de siniestros—, la primera opción razonable siguen siendo los conjuntos de árboles: boosting o bosques aleatorios. Si son imágenes, audio o texto, gana el aprendizaje profundo, que extrae por su cuenta los rasgos que nadie sabría enumerar. Si hay muchas variables y pocos ejemplos —lo habitual en biomedicina—, las máquinas de vectores de soporte siguen siendo competitivas. Y si lo que hace falta es poder explicar cada decisión, un árbol único o una regresión lineal valen más que un modelo mejor que nadie pueda leer.

Esa última condición no es una concesión: en un banco, en un hospital o en una administración, un modelo que no se puede justificar no se puede usar, por bueno que sea.

Y cómo se mira dentro cuando no queda más remedio

Cuando el problema exige un modelo poco legible, existen técnicas para reconstruir por qué decidió lo que decidió. Las dos de referencia son LIME, que aproxima el modelo con otro sencillo en el entorno de una predicción concreta, y SHAP, que reparte la responsabilidad entre las variables usando los valores de Shapley de la teoría de juegos cooperativos.

Conviene saber qué son y qué no. Son aproximaciones al comportamiento del modelo, no un registro de lo que hizo. Sirven para detectar que un sistema se apoya en una variable que no debería —un código postal donde debería mirar ingresos—, y no sirven como garantía de que la decisión fue correcta. Es una herramienta de sospecha, no de absolución.

La capacidad: cómo distinguir una capacidad demostrada de una promesa

El caso de los núcleos cuánticos deja un método que sirve para cualquier tecnología emergente:

1. ¿A qué escala se demostró? Dos cúbits y cuarenta puntos no es lo mismo que un problema real. La escala del experimento suele estar en el artículo y casi nunca en el titular.

2. ¿Los datos eran reales o fabricados para la demostración? Un método probado sobre datos generados para que ese mismo método los separe demuestra consistencia interna, no utilidad.

3. ¿Existe una comparación amplia contra lo convencional? Un resultado aislado a favor dice poco frente a un banco de pruebas con decenas de conjuntos de datos. Y si nadie ha hecho esa comparación, esa ausencia también es información.

El fondo

• Havlíček y otros (2018/2019), el experimento de núcleos cuánticos. La sección donde describen los datos es corta y merece leerse entera: es un ejemplo de artículo que declara sus propios límites con claridad.
• Bowles, Ahmed y Schuld (2024), el banco de pruebas con 160 conjuntos de datos. Es un preprint, no un artículo revisado por pares, y así hay que citarlo.
• Schuld y Killoran (2022), publicado en PRX Quantum, sobre si la ventaja cuántica es siquiera el objetivo correcto.