¿Qué es el aprendizaje supervisado y cómo funciona?

El aprendizaje supervisado es un enfoque que se implementa en la creación de inteligencia artificial en el que se entrena un algoritmo a partir de datos previamente clasificados. Su objetivo es conseguir que asocien una serie de patrones implícitos con un output concreto. De esta forma, el algoritmo será capaz de aportar outputs satisfactorios cuando se le presenten datos totalmente diferentes.

En este sentido, lo que se pretende con el aprendizaje supervisado es que un sistema de inteligencia artificial pueda llevar a cabo tareas de regresión y clasificación con un alto grado de precisión. Por ejemplo, sirve para determinar a qué categoría pertenece un artículo de blog o para predecir un índice de ventas de cara al futuro. El aprendizaje supervisado también puede aplicarse en otros procesos relacionados con la IA como la detección de anomalías, el reconocimiento de imágenes o el filtrado de spam.

Aprendizaje supervisado vs. no supervisado vs. semisupervisado

Como hemos explicado en el aprendizaje supervisado, el modelo recibe datos clasificados, es decir, cada input viene con una etiqueta que indica la respuesta correcta. El modelo aprende a hacer predicciones a partir de los inputs y va ajustándose para minimizar la diferencia entre las predicciones y las etiquetas reales.

En el aprendizaje no supervisado, el modelo recibe datos sin etiquetas y busca patrones o estructuras subyacentes en los datos sin ayuda externa. El objetivo principal de esta técnica de machine learning es establecer asociaciones entre los datos o agrupaciones naturales en los datos sin una clasificación predeterminada.

El aprendizaje semisupervisado combina elementos del aprendizaje supervisado y no supervisado. Aquí, el modelo recibe tanto datos etiquetados como no etiquetados. Utiliza los datos etiquetados para aprender de manera supervisada, pero también utiliza los datos no etiquetados para mejorar su capacidad de generalización y encontrar patrones en los datos. 

¿Cuándo aplicar el aprendizaje supervisado?

Conviene utilizar el aprendizaje supervisado en inteligencia artificial en situaciones donde tenemos datos etiquetados, conocemos el output que queremos obtener o si nuestro objetivo es formular predicciones muy precisas a partir de un conjunto de datos etiquetados. 

Podemos mencionar un par de casos en los que es mejor aplicar el aprendizaje supervisado en lugar del aprendizaje no supervisado:

• Clasificación y predicción: Cuando necesitamos predecir una categoría específica o un valor numérico basado en datos históricos etiquetados, el aprendizaje supervisado es la alternativa más eficiente. Por ejemplo, en la detección de spam de correo electrónico, queremos clasificar correos electrónicos como “spam” o “no spam” basándonos en ejemplos previamente etiquetados.
• Reconocimiento de patrones claros: Cuando los datos tienen patrones claros y distintos que pueden identificarse con etiquetas específicas, el aprendizaje supervisado es más rápido y da resultados más limpios. Por ejemplo, en el reconocimiento de imágenes, donde queremos clasificar imágenes como “gatos” o “perros”, el aprendizaje supervisado funciona bien porque las imágenes vienen etiquetadas de serie con la categoría correcta.

En contraste, el aprendizaje no supervisado es más útil cuando no tenemos etiquetas para nuestros datos y queremos explorar la estructura subyacente de los mismos. Por ejemplo, si tenemos un conjunto de datos de clientes, pero no sabemos a priori si pertenecen a diferentes segmentos de mercado, convendría usar técnicas de aprendizaje no supervisado como clustering para agrupar a los clientes en segmentos similares basados en sus características.

¿Cómo funciona el aprendizaje supervisado?

Durante su fase de entrenamiento, se alimenta al sistema con conjuntos de datos clasificados para que este aprenda las variables que puede asociar a cada valor. Entonces, para poner a prueba la capacidad del algoritmo entrenado, le presentamos otro conjunto de datos diferente. Estos datos están clasificados, pero se entregan al algoritmo como input sin clasificar. Así pues, se le encomienda al algoritmo que clasifique correctamente estos datos.

Para aplicar el aprendizaje supervisado en un algoritmo, hay que seguir los siguientes pasos:

Escoge el conjunto de datos clasificados de entrenamiento

Aquí seleccionas un conjunto de datos que contenga ejemplos de input y output esperado para cada uno de ellos. Estos datos deben estar previamente etiquetados (clasificados), es decir, cada entrada debe tener una etiqueta que indique a qué categoría o clase pertenece. Por ejemplo, si estás construyendo un modelo para reconocer imágenes de gatos y perros, necesitarías un conjunto de imágenes de gatos y perros previamente etiquetadas.

Divide estos datos en tres categorías según su finalidad

El conjunto de entrenamiento se utilizará para entrenar el modelo, el conjunto de validación lo destinaremos a evaluar y perfeccionar su rendimiento durante el entrenamiento y el conjunto de testeo sirve para valorar la precisión del algoritmo una vez entrenado.

Diseña un algoritmo para el modelo de inteligencia artificial

Aquí es donde seleccionas el algoritmo de aprendizaje supervisado que utilizarás para construir tu modelo. Hay varios algoritmos disponibles, como regresión lineal, árboles de decisión, SVM (Support Vector Machines), redes neuronales, entre otros. La elección del algoritmo depende de la tarea que estés tratando de resolver, el tipo de datos que tengas y otros factores.

Utiliza el conjunto de datos de entrenamiento con el algoritmo

Una vez que has seleccionado tu algoritmo, ejecútalo con el conjunto de datos de entrenamiento. Para ello, has de introducirle los datos de entrada y ajustar los parámetros del algoritmo para que vincule correctamente por inferencia los inputs con sus correspondientes outputs.

Evalúa los outputs del algoritmo

Después de entrenar el modelo, hay que refinar sus parámetros mediante el conjunto de datos de validación. De esta manera, resolveremos cualquier imprecisión y perfeccionaremos el funcionamiento del algoritmo. 

Una vez hayamos perfeccionado el algoritmo, podremos evaluar hasta qué punto el modelo puede generalizar satisfactoriamente datos que no ha visto durante su entrenamiento con los datos de testeo. Puedes calcular métricas de rendimiento como precisión, recall, F1-score, entre otras, para aportar una valoración más objetiva del algoritmo.

En esta etapa, se espera que el algoritmo dé outputs satisfactorios. En caso contrario, habría que volver a entrenar el algoritmo o plantearnos cambiar de algoritmo y empezar de nuevo este proceso.

Técnicas de aprendizaje supervisado

Existen muchos métodos para entrenar una IA con aprendizaje supervisado. Aquí te explicamos las principales técnicas de clasificación de datos que se emplean en el aprendizaje supervisado:

Árboles de decisión

Los árboles de decisión son modelos de aprendizaje supervisado que se utilizan para la clasificación y la regresión. En un árbol de decisión, cada nodo interno representa una característica o atributo, cada rama representa una decisión basada en esa característica, y cada hoja representa un resultado o etiqueta. Te explicamos más detalles en esta entrada sobre los árboles de decisión.

Regresión logística

La regresión logística es un modelo de aprendizaje supervisado utilizado para problemas de clasificación binaria, es decir, cuando la variable objetivo tiene solo dos categorías. La regresión logística estima la probabilidad de que una instancia pertenezca a una clase particular mediante el uso de una función logística, que mapea la entrada a una salida entre 0 y 1. 

Random forest

Random forest (bosque aleatorio en español) es un método de aprendizaje supervisado que se utiliza para problemas de clasificación y regresión. Para ello, se diseñan varios árboles de decisión para su posterior entrenamiento con conjuntos de datos. Finalmente, se hace una media con las predicciones de cada uno para obtener una predicción definitiva.