La era de la Inteligencia Artificial avanza rápidamente, y mientras herramientas como ChatGPT y Sora sorprenden al mundo, es fundamental ir más allá del simple uso de APIs para comprender los fundamentos de las tecnologías de aprendizaje automático. Para aquellos que se inician en este campo, una biblioteca de código abierto invaluable es scikit-learn.
Scikit-learn se destaca por su sólida documentación y un ecosistema de comunidad muy activo, lo que la convierte en una elección excelente para el aprendizaje. No solo ofrece una vasta colección de algoritmos de aprendizaje automático y potentes modelos, sino que también provee funciones para la generación y el preprocesamiento de datos, facilitando el análisis y la predicción en conjuntos de datos de tamaño mediano (generalmente por debajo de las decenas de millones de registros).
El aprendizaje automático se clasifica principalmente en diferentes paradigmas, dependiendo del tipo de datos y la naturaleza de la tarea:
- Aprendizaje Supervisado: Los algoritmos reciben datos de entrenamiento que incluyen tanto las entradas como sus etiquetas o resultados esperados. El objetivo es aprender una función que mapee entradas a salidas, permitienod predecir o clasificar nuevos datos no etiquetados. Ejemplos incluyen la clasificación (predecir una categoría) y la regresión (predecir un valor continuo).
- Aprendizaje No Supervisado: En este caso, el algoritmo trabaja con datos sin ninguna etiqueta. Su tarea es descubrir estructuras ocultas, patrones o relaciones dentro de los datos. Las aplicaciones comunes incluyen la agrupación (clustering), la reducción de dimensionalidad y el descubrimiento de reglas de asociación.
- Aprendizaje Semi-spuervisado: Este enfoque combina elementos del aprendizaje supervisado y no supervisado. Se utiliza cuando solo una pequeña parte del conjunto de datos está etiquetada, mientras que la mayoría no lo está. El objetivo es aprovechar tanto los datos etiquetados como los no etiquetados para mejorar el rendimiento del modelo.
- Aprendizaje por Refuerzo: A diferencia de los métodos anteriores, el aprendizaje por refuerzo implica que un agente interactúe con un entorno, aprendiendo a tomar acciones óptimas basándose en las recompensas o penalizaciones que recibe. El objetivo principal es maximizar la recompensa acumulada a largo plazo en una tarea específica.
Una de las tareas de regresión más sencillas y fundamentales es la regresión lineal. Este método analítico permite examinar si existe una relación lineal entre una o más características de entrada y una variable de salida. Por ejemplo, se podría intentar modelar la relación entre el tamaño de una casa (entrada) y su precio (salida).
Para comenzar a trabajar con scikit-learn, primero debe instalarse la biblioteca. Esto se puede hacer fácilmente utilizando pip:
pip install scikit-learn
A continuación, se presenta un ejemplo básico de cómo implementar un modelo de regresión lineal:
from sklearn.linear_model import LinearRegression
import numpy as np
# Datos de muestra: características de entrada (X) y valores objetivo (y)
# Suponemos una relación lineal aproximada (ej. precio de la vivienda vs. tamaño)
dimension_propiedad = np.array([[50], [70], [85], [100], [120]]) # Ej: tamaño en m²
precio_propiedad = np.array([120000, 150000, 175000, 205000, 240000]) # Ej: precio en euros/USD
# Crear una instancia del modelo de regresión lineal
modelo_lineal = LinearRegression()
# Entrenar el modelo con los datos existentes
modelo_lineal.fit(dimension_propiedad, precio_propiedad)
# Realizar predicciones sobre nuevos puntos de datos
nuevas_dimensiones = np.array([[110], [130]]) # Nuevas propiedades para predecir su precio
precios_predichos = modelo_lineal.predict(nuevas_dimensiones)
print("Precios predichos para nuevas dimensiones:", precios_predichos)
Al ejecutar este código, la salida será:
Precios predichos para nuevas dimensiones: [225574.60638298 259680.85106383]
Esta salida nos proporciona estimaciones para los precios de propiedades con las dimensiones especificadas. Sin embargo, surge una pregunta crucial: ¿qué tan fiables son estas predicciones?