¿Qué es el aprendizaje automático?

¿Cómo escribirías un programa que distinga un tumor peligroso de uno inofensivo? Podrías sentarte con una médica y convertir su experiencia en reglas: «si las células son más grandes que tanto, da la alarma». O podrías mostrarle a la máquina cientos de casos pasados con el resultado conocido y dejar que descubra la regla por sí sola. El segundo camino es el aprendizaje automático, y este curso trata de por qué funciona, cuándo falla y cómo distinguir una cosa de la otra. Pruébalo tú mismo antes de leer la explicación.

Prueba esto

• Mueve el control del umbral despacio de izquierda a derecha y observa la exactitud en los datos de entrenamiento. Detente donde creas que la regla funciona mejor.
• Pulsa Aprender y compara el umbral que elige el algoritmo con el tuyo. Mira las dos cifras: la exactitud en los datos de entrenamiento y en los de prueba.
• Lleva el control del umbral hasta uno de los extremos. Ahora la regla da casi a todos los tumores la misma respuesta y, aun así, la exactitud no cae a cero. Piensa por qué antes de seguir leyendo.
• Después de pulsar Aprender, comprueba qué puntuación es más alta, la de entrenamiento o la de prueba, y decide en cuál confiarías con una paciente real.

La idea en pocas palabras

En la programación tradicional, una persona escribe la regla y la computadora la aplica. En el aprendizaje automático, una persona aporta ejemplos —entradas junto con sus respuestas correctas— y un algoritmo busca una regla que reproduzca esas respuestas. La regla que encuentra se llama modelo. Una vez encontrado, el modelo se usa exactamente igual que una regla escrita a mano: entra un caso nuevo, sale una predicción.

Piensa en cómo aprendes a saber si un aguacate está maduro. Nadie te da una fórmula. Aprietas unos cuantos, los abres, te fijas en cuáles estaban bien y, tras una docena de intentos, tu pulgar «lo sabe». Nunca escribiste la regla, pero la tienes, y la construiste con ejemplos cuyo resultado conocías. Un algoritmo de aprendizaje hace lo mismo, solo que con números y con muchísima más paciencia.

Por qué funciona

Los ejemplos de esta lección vienen de un conjunto de datos médicos real: 569 tumores de mama, cada uno descrito con medidas de los núcleos celulares vistos al microscopio y cada uno clasificado por un patólogo como maligno (212 casos) o benigno (357 casos). Para empezar, usamos solo una de esas medidas y la regla más sencilla que se pueda imaginar: «por encima de un umbral → maligno; por debajo → benigno».

Elegir el umbral a mano es adivinar. Aprender el umbral es probar cada valor candidato con los ejemplos y quedarse con el que comete menos errores. Eso es todo lo que significa «aprender» aquí: una búsqueda, guiada por los datos, del ajuste que mejor funciona con los casos que ya conocemos. Todos los modelos que verás más adelante, desde una recta hasta un modelo de lenguaje con miles de millones de parámetros, siguen la misma receta: una familia de reglas posibles, una forma de puntuarlas y una búsqueda de la mejor puntuación.

Hay una trampa, y es la idea más importante de todo el campo. Una regla que se ajusta bien a los casos conocidos no es automáticamente buena. Lo que de verdad nos importa son los casos que aún no hemos visto: la próxima paciente. Por eso, antes de aprender, escondemos una parte de los datos. El modelo aprende con el conjunto de entrenamiento y luego se le califica con el conjunto de prueba, que nunca ha visto. La nota suele ser la exactitud, la proporción de casos en los que la regla acierta:

exactitud = predicciones correctas / todas las predicciones

Una regla aprendida con el conjunto de entrenamiento suele puntuar un poco menos en el de prueba. Esa diferencia es el precio honesto de enfrentarse a datos nuevos, y la puntuación de prueba es la que le darías a un médico.

Error frecuente

El error clásico de quien empieza es juzgar un modelo por lo bien que le va con los datos de los que aprendió. Con esos casos el algoritmo ha tenido todas las oportunidades de ajustarse, así que la puntuación lo halaga. La segunda trampa es olvidar la línea base. La mayoría de los tumores de este conjunto son benignos, así que una «regla» que siempre responde «benigno» ya acierta en 357 de 569 casos, casi dos tercios. Por eso, aunque una regla dé a casi todos los tumores la misma respuesta, su exactitud no cae a cero. Cualquier modelo aprendido tiene que superar esta respuesta trivial antes de merecer atención, y en medicina, además, tiene que cometer el tipo de errores adecuado, un tema al que volveremos en la lección 6.

El aprendizaje automático, por tanto, no es magia ni comprensión. Es una búsqueda disciplinada de una regla, seguida de un examen honesto con datos que la búsqueda nunca tocó. En la próxima lección miramos de cerca la materia prima —datos, características y etiquetas— y por qué la forma de dividir los datos cambia la puntuación que obtienes.

from sklearn.datasets import load_breast_cancer
from sklearn.dummy import DummyClassifier

X, y = load_breast_cancer(return_X_y=True, as_frame=True)
print("tumours:", len(y))
print("malignant:", (y == 0).sum(), "benign:", (y == 1).sum())  # en sklearn, 0 = maligno
always_benign = DummyClassifier(strategy="most_frequent").fit(X, y)
print(f"always 'benign': {always_benign.score(X, y):.1%}")

tumours: 569
malignant: 212 benign: 357
always 'benign': 62.7%