Clasificación

La clasificación es una tarea de aprendizaje supervisado en la que un modelo aprende, a partir de ejemplos etiquetados, a asignar cada entrada a una de un conjunto finito de categorías o clases. Se distingue de la regresión, cuya salida es un número continuo en lugar de una categoría.

Tipos de clasificación

Conviene distinguir tres tipos. La binaria tiene dos clases mutuamente excluyentes, como «spam» o «no spam». La multiclase tiene más de dos, pero cada ejemplo recibe una sola: un dígito manuscrito es un 7 y no a la vez un 3. Y la multietiqueta permite asignar varias etiquetas —o ninguna— al mismo ejemplo, porque no son excluyentes: una imagen puede contener a la vez «perro» y «gato».

Algoritmos

No hay unos pocos «pilares» canónicos, sino un abanico de algoritmos que se eligen según el problema: regresión logística, k-vecinos más próximos, árboles de decisión y bosques aleatorios, máquinas de vectores de soporte, Bayes ingenuo, potenciación por gradiente (gradient boosting) y redes neuronales. Conviene una precisión: las redes generativas antagónicas (GAN) no son clasificadores, sino modelos generativos; su relación con la clasificación es indirecta, como herramienta para aumentar los datos de entrenamiento.

Cómo se evalúa

La métrica más intuitiva es la exactitud (proporción de aciertos), pero engaña con clases desbalanceadas: si el 99 % de los casos son de una clase, predecir siempre esa clase acierta el 99 % sin ser útil. Por eso se usan la precisión, el recall y su media armónica, la F1, junto con la matriz de confusión y el área bajo la curva ROC, que ofrecen una imagen más fiel cuando las clases no están equilibradas.