Glosario de Machine Learning

Los términos que aparecen una y otra vez en el Curso de Machine Learning y en cualquier proyecto de datos tabulares: predecir, clasificar, evaluar y llevar un modelo a producción. Como todo glosario de la academia, crece con cada bloque nuevo del curso.

Conceptos base

Machine Learning (aprendizaje automático) — enseñarle a un programa a resolver una tarea mostrándole ejemplos, en vez de escribirle reglas a mano. El modelo encuentra los patrones en los datos y los aplica a casos nuevos.

Aprendizaje supervisado — aprendes de ejemplos que ya traen la respuesta correcta (el label). El grueso del ML clásico y de este curso: predecir un precio, aprobar o rechazar un crédito, detectar spam.

Aprendizaje no supervisado — los datos no traen respuesta; el modelo busca estructura por su cuenta: agrupar clientes parecidos, reducir variables, detectar rarezas.

Aprendizaje por refuerzo — un agente aprende probando acciones y recibiendo premios o castigos. Es lo de los robots y los juegos; queda fuera del ML tabular clásico y tiene su propio Curso de Razonamiento y RL.

Regresión — tarea supervisada donde predices un número continuo: cuántas ventas, cuántos pesos, cuántos días.

Clasificación — tarea supervisada donde predices una categoría: sí/no, fraude/legítimo, gato/perro/pájaro.

Bias-variance (sesgo-varianza) — el balance central del ML. Sesgo alto = el modelo es demasiado simple y no capta el patrón (underfitting); varianza alta = es demasiado sensible al ruido de sus datos (overfitting). Se busca el punto medio.

Overfitting (sobreajuste) — el modelo se aprende de memoria los datos de entrenamiento, ruido incluido, y falla con datos nuevos. Va perfecto en train y mal en test: la señal de alarma más común.

Underfitting (subajuste) — el modelo es demasiado simple para el patrón y va mal incluso en entrenamiento. Se arregla con más features o un modelo más potente.

Los datos y las features

Dataset — la tabla completa de datos: filas (ejemplos) por columnas (variables). El insumo de todo el proceso.

Feature (variable) — cada columna que el modelo usa para predecir: edad, ingreso, categoría de producto. Buenas features pesan más que un modelo sofisticado.

Label / target — la columna que quieres predecir. En un modelo de churn, el target es “se fue o no se fue”.

Train/test split — partir los datos en dos: uno para entrenar, otro que el modelo nunca ve, reservado para medir cómo se porta con casos nuevos. Regla de oro: jamás mires el test hasta el final.

Conjunto de validación — una tercera partición (o los folds de la validación cruzada) para ajustar el modelo sin tocar el test. Sirve para elegir hiperparámetros sin contaminar la medición final.

Feature engineering — crear, transformar o combinar variables para que el modelo aprenda mejor: sacar el día de la semana de una fecha, cruzar dos columnas, agrupar categorías raras. Donde más se gana en ML tabular.

One-hot encoding — convertir una columna categórica en varias columnas de 0 y 1, una por valor posible. Lo que hace masticable un “color = rojo/verde/azul” para un modelo que solo entiende números.

Target encoding — reemplazar cada categoría por el promedio del target en ella. Potente para categorías con muchos valores, pero peligroso: si lo calculas mal, filtras el target y generas data leakage.

Escalado (StandardScaler) — llevar las variables numéricas a una escala común (media 0, desviación 1). Necesario para modelos que miran distancias o coeficientes (regresión lineal, k-means); irrelevante para los árboles.

Imputación — rellenar los valores faltantes (los famosos NaN) con la media, la mediana, un valor fijo o un modelo. Casi ningún algoritmo tolera huecos, así que hay que decidir qué poner.

Pipeline — encadenar todos los pasos (imputar, escalar, encodear, modelar) en un solo objeto que se entrena y predice de una. Evita olvidos y, sobre todo, evita el leakage entre train y test.

ColumnTransformer — la pieza de scikit-learn que aplica transformaciones distintas a distintas columnas (escalar las numéricas, encodear las categóricas) dentro del mismo pipeline.

Data leakage (fuga de datos) — cuando información que no tendrías al predecir en la vida real se cuela al entrenamiento y le “sopla” la respuesta al modelo. Da métricas espectaculares en test y un fracaso en producción. El error más caro del ML.

Modelos

Regresión lineal — el modelo base de regresión: predice trazando la mejor recta (o plano) sobre los datos. Simple, rápido e interpretable; el punto de partida obligado.

Regresión logística — pese al nombre, es un modelo de clasificación: pasa una combinación lineal por una sigmoide para entregar una probabilidad entre 0 y 1. El baseline clásico para clasificar.

Sigmoide — la función con forma de S que aplasta cualquier número al rango 0–1. Convierte el puntaje crudo del modelo en algo interpretable como probabilidad.

Coeficiente — el peso que un modelo lineal le asigna a cada feature: cuánto mueve la predicción si esa variable sube una unidad. La base de su interpretabilidad.

Árbol de decisión — modelo que predice haciendo preguntas sí/no encadenadas (“¿ingreso > 500k?”), como un diagrama de flujo. Intuitivo y visual, pero solo tiende a sobreajustar.

Impureza (Gini / entropía) — la medida de qué tan mezcladas están las clases en un nodo del árbol. El árbol elige, en cada corte, la pregunta que más baja la impureza.

Poda (pruning) — recortar ramas del árbol que aportan poco para que generalice mejor. Un árbol sin podar se aprende hasta el ruido.

Ensemble — combinar muchos modelos para que, juntos, acierten más que cualquiera por separado. La idea detrás de random forest y del boosting.

Bagging — entrenar muchos modelos en paralelo, cada uno con una muestra distinta de los datos, y promediar. Baja la varianza; es la receta del random forest.

Random forest — un bosque de árboles de decisión entrenados sobre muestras y features distintas, que votan. Robusto, fácil de usar y difícil de sobreajustar: el caballo de batalla del ML tabular.

Feature importance — cuánto aportó cada variable a las predicciones del modelo. Da una primera intuición de qué manda, aunque hay que leerla con cuidado (SHAP es más fino).

Boosting — entrenar modelos en secuencia, cada uno corrigiendo los errores del anterior. Baja el sesgo y suele ganar en tablas; su contracara es que sobreajusta si lo dejas suelto.

Gradient boosting — la familia de boosting que corrige los errores siguiendo el gradiente de una función de pérdida. La base de XGBoost, LightGBM y compañía.

XGBoost — la implementación de gradient boosting que dominó las competencias de datos tabulares por años. Rápida, precisa y llena de perillas para ajustar.

LightGBM — el gradient boosting de Microsoft, optimizado para ser aún más rápido y liviano en datasets grandes. Alternativa directa a XGBoost, muchas veces con mejor rendimiento.

Hiperparámetro — una perilla que tú configuras antes de entrenar (profundidad del árbol, número de estimadores, learning rate), a diferencia de los parámetros que el modelo aprende solo. Ajustarlos bien es media pelea.

Learning rate (tasa de aprendizaje) — en boosting, cuánto contribuye cada árbol nuevo. Bajo = aprende lento pero fino (y necesita más árboles); alto = rápido pero puede pasarse.

Early stopping — parar el entrenamiento cuando el modelo deja de mejorar en validación, aunque queden iteraciones por delante. Evita sobreajustar y ahorra tiempo; imprescindible en boosting.

Evaluación

Matriz de confusión — la tabla que cruza lo predicho contra lo real: verdaderos positivos, falsos positivos, verdaderos negativos, falsos negativos. De ella salen casi todas las métricas de clasificación.

Accuracy (exactitud) — el porcentaje de aciertos. Intuitiva, pero engañosa con clases desbalanceadas: si el 99% es legítimo, predecir “todo legítimo” da 99% de accuracy y detecta cero fraudes.

Precision (precisión) — de todo lo que el modelo marcó como positivo, cuánto lo era de verdad. Importa cuando un falso positivo cuesta caro (marcar como fraude una compra buena).

Recall (sensibilidad) — de todos los positivos reales, cuántos pilló el modelo. Importa cuando dejar pasar un positivo es grave (no detectar una enfermedad).

F1 — el promedio armónico de precision y recall en un solo número. Útil cuando te importan ambas y las clases están desbalanceadas.

ROC-AUC — el área bajo la curva ROC: mide qué tan bien el modelo separa las dos clases a lo largo de todos los umbrales. 0.5 es azar, 1.0 es perfecto. La métrica estándar para comparar clasificadores.

PR-AUC — el área bajo la curva precision-recall. Más honesta que ROC-AUC cuando la clase positiva es muy rara, porque no se deja engañar por el mar de negativos.

MAE (error absoluto medio) — en regresión, el promedio de cuánto te equivocas, en las mismas unidades del target. Fácil de interpretar y poco sensible a valores extremos.

RMSE (raíz del error cuadrático medio) — como el MAE, pero eleva al cuadrado antes de promediar, así que castiga fuerte los errores grandes. La métrica de regresión más usada.

R² (coeficiente de determinación) — qué proporción de la variación del target explica el modelo. 1.0 es perfecto, 0 es no mejorar al promedio, y puede ser negativo si lo haces peor que adivinar la media.

Validación y ajuste

Validación cruzada (k-fold) — partir los datos en k pedazos, entrenar k veces rotando cuál queda de validación, y promediar. Da una estimación mucho más estable del rendimiento que un solo split, sobre todo con pocos datos.

Grid search — probar todas las combinaciones de una grilla de hiperparámetros para quedarte con la mejor. Exhaustivo y seguro, pero caro si la grilla crece.

Random search — probar combinaciones al azar dentro de rangos, en vez de todas. Sorprendentemente eficiente: suele encontrar algo casi tan bueno como el grid con mucho menos cómputo.

No supervisado

Clustering (agrupamiento) — agrupar ejemplos parecidos entre sí sin tener etiquetas: segmentar clientes, ordenar productos, encontrar familias de comportamiento.

k-means — el algoritmo de clustering más popular: divide los datos en k grupos alrededor de sus centros. Rápido y simple, pero tú fijas el k y asume grupos redondeados.

DBSCAN — clustering basado en densidad: arma grupos donde los puntos se apiñan y deja como ruido los aislados. No necesitas fijar el número de grupos y detecta formas raras.

Silhouette — métrica que mide qué tan bien separado y compacto quedó cada cluster, de -1 a 1. Sirve para elegir un buen número de grupos cuando no hay etiquetas que comparar.

PCA (análisis de componentes principales) — técnica que comprime muchas variables correlacionadas en unas pocas nuevas que concentran casi toda la información. La herramienta clásica de reducción de dimensionalidad.

Reducción de dimensionalidad — bajar el número de features conservando lo esencial. Acelera el entrenamiento, ayuda a visualizar y a veces mejora el modelo al sacar ruido.

Datos difíciles

Datos desbalanceados — cuando una clase es mucho más rara que la otra (fraude, enfermedad, cancelación). El modelo tiende a ignorar la minoritaria; hay que corregirlo con métricas y técnicas ad hoc.

SMOTE — técnica que genera ejemplos sintéticos de la clase minoritaria interpolando entre casos reales, para equilibrar el dataset. Se aplica solo al train, nunca al test.

class_weight — decirle al modelo que pese más los errores en la clase minoritaria, sin tocar los datos. Alternativa limpia a SMOTE, disponible en casi todos los modelos de scikit-learn.

Interpretabilidad

SHAP — método que reparte, para cada predicción, cuánto empujó cada feature hacia arriba o hacia abajo. La forma más rigurosa de explicar por qué el modelo dijo lo que dijo, caso por caso.

Interpretabilidad — qué tan bien puedes explicar por qué el modelo predijo algo. Alta en modelos lineales y árboles chicos; baja en ensembles grandes, donde herramientas como SHAP se vuelven necesarias.

Fairness / sesgo — que el modelo no perjudique sistemáticamente a un grupo (por género, edad, zona). El modelo hereda los sesgos de sus datos; medirlo y corregirlo es parte del trabajo, no un extra.

Producción

Serialización — guardar un modelo ya entrenado a un archivo para volver a cargarlo después sin reentrenar. El puente entre el notebook y la aplicación.

joblib — la librería estándar de scikit-learn para serializar modelos y pipelines a disco de forma eficiente. Un dump para guardar, un load para revivir.

Drift — cuando los datos reales van cambiando con el tiempo y se alejan de los que entrenaron el modelo (nuevos hábitos, inflación, temporadas). El rendimiento se degrada callado: hay que monitorearlo.

Reentrenamiento — volver a entrenar el modelo con datos frescos para contrarrestar el drift. Un modelo en producción no es un entregable final, es un ciclo que se mantiene — el tema del Curso de MLOps.