La evaluación de modelos de clasificación es una etapa fundamental en cualquier proyecto de Machine Learning. Aunque métricas como la exactitud (Accuracy) son ampliamente utilizadas, en muchos escenarios no proporcionan una visión completa del rendimiento del modelo, especialmente cuando las clases están desbalanceadas.
La métrica ROC-AUC es una de las herramientas más utilizadas para evaluar clasificadores binarios porque permite medir la capacidad de un modelo para distinguir correctamente entre clases positivas y negativas independientemente del umbral de clasificación seleccionado.
¿Qué es ROC-AUC?
ROC-AUC es una métrica compuesta por dos elementos:
ROC (Receiver Operating Characteristic): una curva que muestra el comportamiento del modelo para distintos umbrales de clasificación.
AUC (Area Under the Curve): el área bajo la curva ROC.
La curva ROC representa la relación entre:
Tasa de Verdaderos Positivos (True Positive Rate o TPR).
Tasa de Falsos Positivos (False Positive Rate o FPR).
Mientras que el AUC resume toda la curva en un único valor numérico. Un valor de AUC cercano a 1 indica una excelente capacidad de discriminación, mientras que un valor cercano a 0.5 indica un comportamiento similar al azar.
¿Por qué se llama ROC?
ROC significa Receiver Operating Characteristic. El término proviene de la teoría de detección de señales desarrollada durante la Segunda Guerra Mundial para evaluar sistemas de radar capaces de distinguir entre señales reales y ruido. Posteriormente fue adoptado en estadística, medicina, minería de datos y Machine Learning.
Conceptos fundamentales
Para comprender ROC-AUC es necesario conocer algunos conceptos básicos de clasificación.
Matriz de confusión
Real
Predicción
Resultado
Positivo
Positivo
Verdadero Positivo (TP)
Positivo
Negativo
Falso Negativo (FN)
Negativo
Positivo
Falso Positivo (FP)
Negativo
Negativo
Verdadero Negativo (TN)
A partir de estos valores se calculan las métricas utilizadas en la curva ROC.
Tasa de Verdaderos Positivos (TPR)
También conocida como Recall o Sensibilidad.
$$TPR = \frac{TP}{TP + FN}$$
Indica qué proporción de positivos reales fue correctamente identificada.
Tasa de Falsos Positivos (FPR)
$$FPR = \frac{FP}{FP + TN}$$
Representa la proporción de negativos clasificados incorrectamente como positivos.
¿Cómo funciona la curva ROC?
Muchos clasificadores no generan directamente una clase, sino una probabilidad. Por ejemplo:
Cliente
Probabilidad de Compra
A
0.95
B
0.82
C
0.65
D
0.40
E
0.15
Para convertir estas probabilidades en clases se utiliza un umbral.
Si el umbral es 0.5:
Probabilidad ≥ 0.5 → Positivo
Probabilidad < 0.5 → Negativo
La curva ROC evalúa múltiples umbrales:
0.1
0.2
0.3
0.4
…
1.0
Para cada umbral se calculan:
TPR
FPR
Finalmente se representan gráficamente.
¿Qué es el AUC?
El AUC (Area Under the Curve) mide el área bajo la curva ROC. Su valor está comprendido entre 0 y 1.
AUC
Interpretación
1.0
Clasificador perfecto
0.9 – 0.99
Excelente
0.8 – 0.9
Muy bueno
0.7 – 0.8
Aceptable
0.6 – 0.7
Pobre
0.5
Aleatorio
< 0.5
Peor que el azar
Un AUC de 0.90 significa que existe aproximadamente un 90% de probabilidad de que el modelo asigne una puntuación mayor a una observación positiva que a una negativa.
Interpretación intuitiva
Supongamos dos pacientes:
Paciente enfermo.
Paciente sano.
Si seleccionamos ambos al azar:
El modelo obtiene un AUC de 0.95.
Existe un 95% de probabilidad de que el paciente enfermo reciba una puntuación de riesgo superior al paciente sano.
Por eso ROC-AUC es considerada una medida de capacidad discriminativa.
Ejemplo práctico
Supongamos el siguiente modelo de detección de fraude.
Transacción
Clase Real
Probabilidad
T1
Fraude
0.95
T2
Fraude
0.85
T3
Normal
0.60
T4
Normal
0.20
El modelo asigna sistemáticamente probabilidades mayores a los casos de fraude. La curva ROC reflejará esta capacidad de separación y el AUC será elevado.
Beneficios de ROC-AUC
Evalúa todos los umbrales posibles.
No depende de un umbral específico.
Permite comparar clasificadores fácilmente.
Funciona bien con probabilidades.
Es robusta frente a cambios de umbral.
Facilita la selección de modelos.
Resume el rendimiento en un único valor.
¿Cuándo utilizar ROC-AUC?
Se trabaja con clasificación binaria.
El modelo genera probabilidades.
Se desea comparar varios clasificadores.
El coste de errores aún no está definido.
Se busca una evaluación global del modelo.
Se realizan procesos de selección de modelos.
Es especialmente útil durante la fase de experimentación.
Ventajas y desventajas
Ventajas
Desventajas
Evalúa todos los umbrales posibles
No refleja directamente el coste de los errores
Facilita la comparación entre modelos
Puede ser optimista en datasets muy desbalanceados
Independiente del umbral
No indica qué umbral utilizar
Fácil de interpretar
Puede ocultar problemas en regiones específicas
Muy utilizada en investigación y producción
No siempre refleja el rendimiento operativo real
ROC-AUC vs Accuracy
Característica
ROC-AUC
Accuracy
Considera múltiples umbrales
Sí
No
Evalúa capacidad de discriminación
Sí
No
Adecuada para comparar modelos
Sí
Limitada
Sensible al umbral
No
Sí
Puede utilizar probabilidades
Sí
No
ROC-AUC vs Precision-Recall AUC
Característica
ROC-AUC
PR-AUC
Utiliza TPR y FPR
Sí
No
Utiliza Precision y Recall
No
Sí
Adecuada para clases balanceadas
Sí
Sí
Adecuada para clases muy desbalanceadas
Menos recomendable
Más recomendable
Muy utilizada en clasificación general
Sí
Sí
En problemas con fraude, enfermedades raras o detección de anomalías suele preferirse Precision-Recall AUC.
Limitaciones
ROC-AUC no es una métrica perfecta. Entre sus principales limitaciones destacan:
No indica el umbral óptimo.
Puede resultar engañosa con clases extremadamente desbalanceadas.
No refleja costes de negocio.
Dos modelos con igual AUC pueden comportarse de forma diferente.
No muestra dónde ocurren los errores.
Puede ocultar problemas importantes en determinadas regiones de decisión.
Por esta razón suele combinarse con otras métricas.
Aplicaciones en Data Science y Machine Learning
ROC-AUC se utiliza ampliamente en:
Detección de fraude financiero.
Diagnóstico médico.
Clasificación de clientes.
Predicción de abandono de clientes (Churn).
Sistemas de recomendación.
Detección de spam.
Ciberseguridad.
Scoring crediticio.
Mantenimiento predictivo.
Clasificación de imágenes.
Clasificación de texto.
Modelos de riesgo.
Es una de las métricas más utilizadas en competiciones de Machine Learning y entornos empresariales.
Implementación en Python
Crear un conjunto de datos
from sklearn.datasets import make_classificationX, y = make_classification(n_samples=1000,n_features=10,random_state=42)
Esta práctica es muy habitual durante la selección de modelos.
Buenas prácticas
Para utilizar ROC-AUC correctamente se recomienda:
Evaluarla junto con Precision, Recall y F1-Score.
Analizar la matriz de confusión.
Considerar el desbalanceo de clases.
Comparar la curva ROC de varios modelos.
Revisar el impacto del umbral de clasificación.
Utilizar validación cruzada para obtener resultados más robustos.
Complementar el análisis con métricas de negocio.
Conclusión
ROC-AUC es una de las métricas más importantes para evaluar modelos de clasificación binaria. Su principal fortaleza es que mide la capacidad de un modelo para diferenciar entre clases positivas y negativas considerando todos los umbrales posibles. Esto la convierte en una herramienta extremadamente útil para comparar clasificadores, seleccionar modelos y evaluar sistemas predictivos de forma global.
Sin embargo, aunque proporciona una excelente medida de discriminación, no debe utilizarse de manera aislada. En proyectos reales es recomendable complementarla con métricas como Precision, Recall, F1-Score y análisis de negocio para obtener una visión completa del rendimiento del modelo y tomar decisiones más informadas.
Qué es, cuándo utilizarla y cómo aplicarla en Data Science
La transformación logarítmica es una de las técnicas de preprocesamiento de datos más utilizadas en Ciencia de Datos, Estadística y Machine Learning. Su principal objetivo es modificar la distribución de una variable para facilitar el análisis, mejorar el comportamiento de ciertos algoritmos y reducir el impacto de valores extremos.
Aunque puede parecer un concepto matemático complejo, la realidad es que la transformación logarítmica es una herramienta práctica que ayuda a resolver problemas muy comunes en datasets reales, especialmente cuando trabajamos con variables altamente asimétricas o con rangos de valores extremadamente amplios.
¿Qué es una transformación logarítmica?
Una transformación logarítmica consiste en reemplazar los valores originales de una variable por sus logaritmos. La forma más habitual es:
Donde:
\(x\) es el valor original.
\(y\) es el valor transformado.
El efecto principal es comprimir las diferencias entre valores grandes mientras se conservan las relaciones entre observaciones.
¿Por qué se utiliza?
Muchos fenómenos reales no crecen de forma lineal. Por ejemplo:
Ingresos de personas.
Valor de viviendas.
Número de visitas a una web.
Ventas de productos.
Seguidores en redes sociales.
En estos casos suelen existir muchos valores pequeños y unos pocos valores extremadamente grandes. La diferencia entre ellos puede dominar completamente el análisis. La transformación logarítmica reduce esta desproporción.
El logaritmo transforma relaciones multiplicativas en relaciones aditivas.
Reducción de la Asimetría
Uno de los usos más importantes de la transformación logarítmica es reducir la asimetría de una distribución. Muchas variables presentan una larga cola hacia la derecha. La transformación suele producir una distribución más equilibrada que facilita tanto el análisis estadístico como el entrenamiento de modelos.
Reducción del Impacto de los Outliers
Otra ventaja importante es la reducción de la influencia de valores extremos.
ventas = [100, 120, 150, 180, 1000]
El valor 10.000 domina completamente la escala. Aplicando logaritmos:
ventas_log = [4.61, 4.79, 5.01, 5.19, 9.21]
La diferencia sigue existiendo, pero es mucho menos extrema.
Mejora de la Relación Lineal
Muchos algoritmos funcionan mejor cuando existe una relación aproximadamente lineal entre variables. Como por ejemplo entre publicidad y ventas. A menudo esta relación es exponencial y aplicando logaritmos, la relación puede volverse más lineal y resultar más fácil de modelar.
Cuándo Utilizar una Transformación Logarítmica
La transformación logarítmica suele ser recomendable cuando:
Existe una fuerte asimetría positiva: por ejemplo, en ingresos, ventas, número de usuarios.
Existen valores extremos: cuando unos pocos registros son mucho mayores que el resto.
La variable cubre varios órdenes de magnitud: por ejemplo, [10, 100, 1000, 10000, 10000000]
Se desea estabilizar la varianza: algunos modelos estadísticos asumen una varianza relativamente constante. La transformación logarítmica puede ayudar a cumplir esta condición.
Cuándo NO Utilizarla
No siempre es una buena idea usarla en:
Distribuciones ya equilibradas: Si la variable ya presenta una distribución aproximadamente normal, la transformación puede empeorar los resultados.
Variables categóricas: No tiene sentido aplicar logaritmos a este tipo de variables.
Variables con interpretación directa: En algunos casos la transformación dificulta la interpretación de los resultados.
El Problema del Cero
Los logaritmos presentan una limitación importante, hallar el logaritmo de cero np.log(0) produce un error matemático. Una práctica habitual consiste en utilizar:
Esto permite transformar variables que contienen ceros. Es una de las transformaciones más utilizadas en Machine Learning.
Aplicación en Machine Learning
La transformación logarítmica puede utilizarse durante la fase de preparación de datos para:
Regresión Lineal.
Regresión Ridge.
Regresión Lasso.
Árboles de decisión.
Random Forest.
Gradient Boosting.
Redes neuronales.
Aunque los modelos basados en árboles son menos sensibles a la escala de los datos, la transformación puede seguir siendo útil para mejorar la calidad de la información.
Transformar la Variable Objetivo
En ocasiones no solo se transforman las variables predictoras. También puede transformarse la variable objetivo. El modelo aprende sobre la variable transformada y posteriormente las predicciones pueden volver a la escala original mediante la función exponencial.
Implementación en Python
Utilizando NumPy
import numpy as npdf["ventas_log"] = np.log(df["ventas"])
Cuando Existen Ceros
import numpy as npdf["ventas_log"] = np.log1p(df["ventas"])
Visualización Antes y Después
import matplotlib.pyplot as pltdf["ventas"].hist()plt.show()df["ventas_log"].hist()plt.show()
Esto permite observar cómo cambia la distribución tras la transformación.
Ventajas de la Transformación Logarítmica
Reduce la asimetría de los datos.
Disminuye el impacto de valores extremos.
Facilita el modelado de relaciones no lineales.
Puede mejorar el rendimiento de algunos algoritmos.
Una de las métricas más utilizadas por su simplicidad e interpretación intuitiva es el Error Absoluto Medio (Mean Absolute Error o MAE). Esta métrica calcula el error promedio cometido por un modelo sin penalizar especialmente los errores grandes, proporcionando una medida fácil de comprender y comunicar.
¿Qué es el MAE?
El Error Absoluto Medio mide la diferencia promedio entre los valores reales y las predicciones realizadas por el modelo.
Para calcularlo:
Se obtiene la diferencia entre el valor real y el valor predicho.
Se toma el valor absoluto de cada diferencia.
Se calcula la media de todos los errores absolutos.
Su fórmula es:
$$MAE=\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i|$$
Donde:
n = número de observaciones.
yᵢ = valor real.
ŷᵢ = valor predicho.
|yᵢ − ŷᵢ| = error absoluto.
¿Por Qué Utiliza Valores Absolutos?
Supongamos que tenemos dos predicciones:
Valor Real
Predicción
Error
100
90
10
50
60
-10
Si calculáramos la media de los errores:
$$\frac{10 + (-10)}{2}=0$$
Obtendríamos un error promedio igual a cero, lo cual sería incorrecto. Al utilizar el valor absoluto, ambos errores contribuyen positivamente al resultado final.
$$|10| = 10$$
$$|-10| = 10$$
Cómo Interpretar el MAE
La principal ventaja del MAE es su facilidad de interpretación. El resultado se expresa en las mismas unidades que la variable objetivo. Por ejemplo: Si estamos prediciendo precios de viviendas en miles de euros:
MAE=15
significa que el modelo se equivoca aproximadamente en 15 mil euros por predicción. Si estamos prediciendo ventas:
MAE=50
significa que las predicciones presentan un error promedio de 50 unidades.
Ventajas del MAE
Interpretación sencilla: El resultado se expresa en las mismas unidades de la variable objetivo. Esto facilita enormemente la comunicación de resultados a usuarios de negocio.
Fácil de calcular: Su fórmula es simple y computacionalmente eficiente.
Menor sensibilidad a valores atípicos: A diferencia del MSE, el MAE no eleva los errores al cuadrado. Por tanto, los errores extremos tienen menos influencia sobre la métrica.
Robusto frente a Outliers: Cuando el conjunto de datos contiene valores atípicos, el MAE suele proporcionar una visión más estable del rendimiento general del modelo.
Limitaciones del MAE
No penaliza especialmente los errores grandes: Todos los errores contribuyen de forma proporcional. Esto puede resultar problemático en situaciones donde los errores grandes tienen un coste elevado.
Puede ocultar errores extremos: Dos modelos pueden tener el mismo MAE aunque uno de ellos cometa errores muy grandes en algunas observaciones. Por este motivo suele utilizarse junto con otras métricas.
Comparación entre MAE y MSE
¿Cuándo utilizar MAE?
El MAE suele ser una buena elección cuando:
Queremos una métrica fácil de interpretar.
Los errores grandes no son especialmente críticos.
Existen valores atípicos en los datos.
Necesitamos comunicar resultados a perfiles no técnicos.
Es especialmente frecuente en:
Predicción de ventas.
Forecasting de demanda.
Estimación de precios.
Modelos financieros.
Analítica empresarial.
Cálculo del MAE en Python
Scikit-Learn proporciona la función mean_absolute_error() para calcular esta métrica.
from sklearn.metrics import mean_absolute_errormae = mean_absolute_error(y_test, y_pred)print(f"MAE: {mae:.2f}")
Esto significa que las predicciones se desvían en promedio aproximadamente 13.33 unidades respecto a los valores reales.
MAE vs RMSE
Las dos métricas suelen utilizarse juntas.
Métrica
Penaliza errores grandes
Fácil interpretación
MAE
No
Sí
RMSE
Sí
Sí
El MAE proporciona una visión del error medio general, mientras que el RMSE permite detectar si existen errores especialmente grandes que puedan estar afectando al modelo.
Conclusión
El Error Absoluto Medio (MAE) es una de las métricas más utilizadas para evaluar modelos de regresión debido a su simplicidad y facilidad de interpretación. Al medir el promedio de los errores absolutos, proporciona una estimación clara de cuánto se desvían las predicciones respecto a los valores reales. A diferencia del MSE, no penaliza excesivamente los errores grandes, lo que lo convierte en una opción robusta cuando existen valores atípicos o cuando se busca una métrica comprensible para usuarios de negocio. Por este motivo, el MAE suele formar parte del conjunto básico de métricas utilizadas para evaluar y comparar modelos de Machine Learning.
Uno de los objetivos fundamentales de cualquier proyecto de Machine Learning es construir modelos capaces de generalizar correctamente sobre datos que nunca han visto. Para conseguirlo utilizamos técnicas como el Train/Test Split, reservando una parte de los datos para evaluar el rendimiento real del modelo.
El Train/Test Split es el proceso mediante el cual dividimos nuestro conjunto de datos en dos partes:
Conjunto de entrenamiento (Training Set)
Conjunto de prueba (Test Set)
El conjunto de entrenamiento se utiliza para que el algoritmo aprenda los patrones presentes en los datos. El conjunto de prueba se reserva y permanece oculto durante el entrenamiento. Solo se utiliza al final para evaluar el rendimiento real del modelo.
La idea es simular una situación del mundo real. Entrenamos con datos históricos y evaluamos con datos que el modelo nunca ha visto.
El Objetivo Real del Machine Learning
Muchas personas creen que el objetivo del Machine Learning es obtener el mejor rendimiento posible sobre los datos disponibles. En realidad, el objetivo es diferente. El objetivo es construir modelos capaces de generalizar correctamente sobre datos que nunca han visto. Por eso la evaluación debe realizarse utilizando información que haya permanecido completamente separada durante el entrenamiento.
El flujo básico es el siguiente:
Datos originales: Disponemos de un conjunto de datos completo.
División de los datos: Separamos los datos en dos conjuntos: Train Set y Test Set
Paso 3: Entrenamiento: El modelo aprende exclusivamente utilizando el conjunto de entrenamiento: Train Set → Modelo
Paso 4: Evaluación: Una vez entrenado, el modelo realiza predicciones sobre el conjunto de prueba. Modelo → Predicciones → Test Set
El Papel del Conjunto de Entrenamiento
Tras realizar la división de datos obtenemos cuatro elementos principales:
X_train → Variables predictoras para entrenamientoX_test → Variables predictoras para evaluacióny_train → Variable objetivo para entrenamientoy_test → Variable objetivo para evaluación
Donde:
X representa las características o variables independientes.
y representa la variable objetivo que queremos predecir.
Durante el entrenamiento, el modelo utilizará las variables de X_train junto con los valores reales contenidos en y_train para aprender los patrones existentes en los datos.
El Método Fit()
En Scikit-Learn, el aprendizaje del modelo se realiza mediante el método fit().
model.fit(X_train, y_train)
Durante esta fase:
El algoritmo analiza los datos.
Aprende la relación entre las variables predictoras y la variable objetivo.
Calcula los parámetros internos necesarios para realizar futuras predicciones.
Por ejemplo, en una regresión lineal el algoritmo aprenderá los coeficientes de la ecuación. En un árbol de decisión aprenderá las reglas de partición. En una red neuronal ajustará miles o millones de pesos internos.
Proporciones Habituales de División
No existe una única división correcta. Las más utilizadas son:
Entrenamiento
Prueba
Cuándo usar
70%
30%
Cuando se dispone de una cantidad moderada de datos y se desea una evaluación más robusta del modelo. Muy utilizado en proyectos académicos y de aprendizaje.
80%
20%
Equilibrio ideal entre entrenamiento y evaluación. Es la división más utilizada en proyectos de Machine Learning y funciona especialmente bien con datasets medianos y grandes.
75%
25%
Alternativa intermedia cuando se quiere disponer de un conjunto de prueba ligeramente mayor sin sacrificar demasiados datos para el entrenamiento.
90%
10%
Recomendado para datasets pequeños, donde maximizar la cantidad de datos disponibles para el entrenamiento es más importante que disponer de un conjunto de prueba grande.
Regla general: cuanto más pequeño sea el dataset, mayor suele ser el porcentaje destinado al entrenamiento. Cuanto más grande sea el dataset, más sencillo resulta reservar una proporción mayor para pruebas sin afectar significativamente al aprendizaje del modelo.
¿Qué es la generalización?
La generalización es la capacidad de un modelo para funcionar correctamente sobre datos nuevos. Es probablemente el concepto más importante de todo Machine Learning. Un modelo que memoriza los datos de entrenamiento no es útil. Un modelo útil es aquel que:
Aprende patrones generales.
Mantiene un buen rendimiento fuera de la muestra.
El Test Set existe precisamente para medir esta capacidad. No debemos mezclar observaciones futuras con observaciones pasadas. La división correcta suele respetar el orden cronológico. De lo contrario, estaríamos introduciendo información futura durante el entrenamiento.
¿Qué significa que el modelo “aprende”?
Cuando hablamos de aprendizaje en Machine Learning nos referimos al proceso mediante el cual el algoritmo encuentra patrones en los datos históricos. El objetivo es identificar relaciones que puedan utilizarse posteriormente para realizar predicciones sobre nuevos datos. El resultado de este proceso es un modelo entrenado.
Generación de Predicciones
Una vez entrenado el modelo, podemos utilizarlo para realizar predicciones sobre observaciones que nunca ha visto. En Scikit-Learn esto se realiza mediante el método predict().
y_pred = model.predict(X_test)
El modelo recibe las variables del conjunto de prueba y genera una predicción para cada observación. Estas predicciones se almacenan en y_pred.
Comparando Predicciones con Valores Reales
La ventaja del conjunto de prueba es que conocemos los valores reales. Por tanto podemos comparar: y_test contra y_pred. Esta comparación permite medir el rendimiento real del modelo. Es precisamente aquí donde entran en juego las métricas de evaluación.
Cálculo del Error del Modelo
Dependiendo del tipo de problema utilizaremos métricas diferentes.
Problemas de Regresión
Cuando la variable objetivo es numérica:
MAE (Mean Absolute Error)
MSE (Mean Squared Error)
RMSE (Root Mean Squared Error)
R² (Coefficient of Determination)
Problemas de Clasificación
Cuando la variable objetivo es categórica:
Accuracy
Precision
Recall
F1 Score
ROC-AUC
Este proceso constituye la base de prácticamente todos los proyectos de Machine Learning modernos.
Data Leakage: El Error Silencioso que Puede Invalidar un Modelo de Machine Learning
Uno de los objetivos fundamentales de cualquier proyecto de Machine Learning es construir modelos capaces de generalizar correctamente sobre datos que nunca han visto. Para conseguirlo utilizamos técnicas como el Train/Test Split, reservando una parte de los datos para evaluar el rendimiento real del modelo.
Sin embargo, existe un problema que puede hacer que nuestras métricas parezcan excelentes mientras que el modelo fracasa cuando llega a producción. Este problema recibe el nombre de Data Leakage o fuga de información y es una de las causas más comunes de resultados excesivamente optimistas en Machine Learning.
Comprender qué es el Data Leakage, cómo se produce y cómo evitarlo es esencial para construir modelos fiables y obtener evaluaciones realistas.
¿Qué es el Data Leakage?
El Data Leakage ocurre cuando información que debería permanecer oculta durante el entrenamiento termina llegando al modelo de forma directa o indirecta. En otras palabras: El modelo recibe pistas sobre los datos de prueba antes de ser evaluado.
Como consecuencia:
El modelo aprende información que no debería conocer.
Las métricas de evaluación se inflan artificialmente.
El rendimiento real en producción suele ser mucho peor de lo esperado.
¿Por qué es un problema?
Supongamos que queremos predecir el precio de una vivienda. Disponemos de un conjunto de datos histórico y realizamos un Train/Test Split. La idea es que:
Train Set → AprendizajeTest Set → Evaluación
El Test Set debe representar información completamente nueva. Si el modelo tiene acceso, aunque sea parcialmente, a información procedente del conjunto de prueba, la evaluación deja de ser objetiva. Las métricas obtenidas ya no reflejan la capacidad real de generalización.
La Relación Entre Data Leakage y Train/Test Split
El propósito del Train/Test Split es simular una situación real. Entrenamos con datos históricos y posteriormente evaluamos el modelo sobre datos que nunca ha visto. Para que esta simulación sea válida, ambos conjuntos deben permanecer completamente independientes. Cuando esta independencia se rompe aparece el Data Leakage.
Un Ejemplo Sencillo
Imaginemos que queremos predecir la recaudación de películas. Disponemos de variables como:
Presupuesto.
Duración.
Género.
Popularidad de los actores.
Si entrenamos el modelo utilizando todo el dataset y después evaluamos sobre esos mismos registros, podríamos obtener resultados aparentemente perfectos. Sin embargo, el modelo no está aprendiendo patrones generales, está memorizando ejemplos concretos. Por tanto, las métricas no representan el rendimiento sobre datos nuevos.
El Caso Más Común: Transformaciones Antes del Split
Uno de los errores más frecuentes consiste en aplicar transformaciones sobre todo el dataset antes de dividir los datos. Por ejemplo:
Aunque parece correcto, existe un problema. El escalador ha calculado la media y la desviación estándar utilizando tanto el Train Set como el Test Set. Por tanto, durante el entrenamiento ya se ha utilizado información procedente del conjunto de prueba.
Existe una regla muy útil: Todo objeto que utilice el método .fit() debe aprender únicamente del conjunto de entrenamiento. Esto incluye:
Scalers.
Encoders.
Imputadores.
PCA.
Selectores de variables.
Modelos de Machine Learning.
Si un componente necesita ejecutar un .fit(), debe hacerlo exclusivamente utilizando el Train Set.
Cómo Detectar un Posible Data Leakage
Algunas señales de alerta son:
Accuracy extremadamente alta.
R² inusualmente elevado.
Error casi nulo.
Diferencias muy grandes entre entorno de pruebas y producción.
Cuando las métricas parecen demasiado buenas para ser ciertas, conviene revisar cuidadosamente posibles fugas de información.
Data Leakage en Series Temporales
En problemas temporales el riesgo es todavía mayor. Por ejemplo:
Predicción bursátil.
Forecasting de ventas.
Predicción meteorológica.
Un error habitual consiste en utilizar información futura durante el entrenamiento. Si mezclamos registros futuros con registros pasados, el modelo aprende patrones imposibles de conocer en una situación real. Por esta razón las series temporales requieren estrategias de validación específicas que respeten el orden cronológico.
Buenas Prácticas para Evitar Data Leakage
Dividir antes de transformar: Siempre: Split → Fit → Transform
Mantener independencia entre conjuntos: El Test Set debe permanecer aislado hasta la fase final de evaluación.
Utilizar Pipelines: Los pipelines de Scikit-Learn ayudan a evitar errores de procesamiento. Permiten garantizar que cada transformación aprende únicamente a partir del conjunto de entrenamiento.
Desconfiar de resultados excesivamente buenos: Cuando las métricas parecen perfectas, conviene revisar cuidadosamente el flujo de datos.
Errores Comunes
Evaluar con datos de entrenamiento: produce resultados engañosamente buenos.
Realizar transformaciones antes de dividir: por ejemplo, escalado, normalización, imputación. Estas transformaciones deben aprenderse utilizando únicamente el Train Set. Está directamente relacionado con el problema de Data Leakage (fuga de información).
Utilizar el Test Set repetidamente: Cada vez que modificamos el modelo basándonos en el Test Set estamos filtrando información. Con el tiempo, el conjunto de prueba deja de ser independiente.
Ignorar el desbalanceo de clases: En clasificación puede ser necesario utilizar particiones estratificadas para mantener la proporción de clases.
Relación con la Validación Cruzada
El Train/Test Split suele ser el primer paso. Posteriormente pueden utilizarse técnicas más avanzadas como:
K-Fold Cross Validation.
Stratified K-Fold.
Time Series Split.
Estas técnicas proporcionan estimaciones más robustas del rendimiento del modelo. Sin embargo, incluso cuando utilizamos validación cruzada, suele mantenerse un conjunto de prueba final completamente independiente.
Conclusión
El Train/Test Split es una de las etapas más importantes de cualquier proyecto de Machine Learning. Su objetivo es garantizar que la evaluación del modelo se realiza sobre datos que no han participado en el entrenamiento, permitiendo medir de forma realista su capacidad de generalización. Esta práctica constituye la base sobre la que se apoyan todas las metodologías modernas de evaluación de modelos y resulta imprescindible tanto en problemas de regresión como de clasificación, Deep Learning o sistemas de recomendación. Comprender cómo dividir correctamente los datos y evitar fugas de información es uno de los primeros pasos para construir modelos fiables y útiles en entornos reales.
Cómo Medir la Capacidad Explicativa de un Modelo de Regresión
Cuando desarrollamos un modelo de regresión, una de las preguntas más importantes es: ¿qué tan bien explica el modelo los datos observados?. Aunque métricas como el Error Cuadrático Medio (MSE) o el Error Absoluto Medio (MAE) nos indican cuánto se equivoca un modelo en sus predicciones, no nos dicen qué proporción de la información presente en los datos ha sido realmente capturada.
Para responder a esta cuestión utilizamos el coeficiente de determinación, más conocido como R², una de las métricas más utilizadas en Machine Learning, estadística y ciencia de datos para evaluar modelos de regresión.
¿Qué es el coeficiente de determinación?
El coeficiente de determinación mide qué porcentaje de la variabilidad de la variable objetivo puede ser explicado por el modelo. Dicho de forma más sencilla: R² nos indica cuánto mejor es nuestro modelo que una predicción basada únicamente en la media de los datos. Si un modelo logra explicar gran parte de las variaciones observadas, tendrá un valor de R² elevado. Si apenas encuentra patrones útiles, el valor será bajo.
La Idea Intuitiva Detrás del R²
Imaginemos que queremos predecir el precio de viviendas. Supongamos que el precio medio de todas las viviendas del conjunto de datos es de 250.000 €. Una estrategia extremadamente simple sería ignorar todas las características de las viviendas y predecir siempre: 250.000€ para cualquier casa.
Obviamente, esta estrategia produciría errores importantes. Ahora entrenamos un modelo utilizando variables como: metros cuadrados, número de habitaciones, ubicación, antigüedad, etc. Si el modelo consigue reducir significativamente esos errores, significa que está explicando parte de la variabilidad presente en los precios. El R² cuantifica precisamente cuánto ha mejorado el modelo respecto a utilizar únicamente la media.
Variabilidad Total y Variabilidad Residual
Para entender cómo se calcula R² es necesario distinguir dos conceptos fundamentales.
Variabilidad Total
Representa toda la dispersión existente en la variable objetivo respecto a su media. Por ejemplo, si los precios de las viviendas varían entre 100.000 € y 800.000 €, existe una gran variabilidad que el modelo intentará explicar. La variabilidad total se calcula mediante la Suma Total de Cuadrados (SST):
$$SST=\sum_{i=1}^{n}(y_i-\bar{y})^2$$
Donde:
\(y_i\) es cada valor real.
\(\bar{y}\) es la media de todos los valores.
Variabilidad Residual
Una vez entrenado el modelo, siempre existirá cierta diferencia entre las predicciones y los valores reales. Esa parte que el modelo no consigue explicar se conoce como variabilidad residual; cuanto menor sea esta cantidad, mejor será el ajuste. Se calcula mediante la Suma de Cuadrados Residuales (SSE):
$$SSE=\sum_{i=1}^{n}(y_i-\hat{y}_i)^2$$
Donde:
\(y_i\) es el valor real.
\(\hat{y}_i\) es la predicción del modelo.
Fórmula del Coeficiente de Determinación
El R² compara la variabilidad residual con la variabilidad total. Su fórmula es:
$$R^2=1-\frac{SSE}{SST}$$
Por tanto, mide la proporción de información que el modelo ha conseguido capturar.
Interpretación de los Valores de R²
R² = 0: El modelo no explica absolutamente nada. Tiene el mismo rendimiento que predecir siempre la media de los datos.
R² = 0.30: El modelo explica aproximadamente el 30% de la variabilidad observada. El 70% restante permanece sin explicar.
R² = 0.70: El modelo explica el 70% de la variación presente en los datos. Generalmente se considera un resultado bastante sólido en muchos problemas reales.
R² = 1: El modelo explica el 100% de la variabilidad. Todas las observaciones son predichas perfectamente. Aunque pueda parecer ideal, en algunos casos puede indicar sobreajuste (overfitting), especialmente cuando se evalúa sobre los mismos datos utilizados para entrenar.
Ventajas
Fácil de interpretar: Expresa directamente la proporción de información explicada por el modelo.
Permite comparar modelos: Es muy útil para evaluar diferentes algoritmos o configuraciones.
Independiente de las unidades: A diferencia del MSE o RMSE, el R² no depende de la escala de la variable objetivo. Puede utilizarse para comparar problemas distintos.
Limitaciones
Aunque es una métrica muy popular, también tiene limitaciones importantes.
No mide directamente el error: Dos modelos pueden tener valores de R² similares y errores muy diferentes. Por ello suele combinarse con métricas como:
MAE
MSE
RMSE
Puede aumentar al añadir variables irrelevantes: Una característica importante es que el R² nunca disminuye al incorporar nuevas variables al modelo. Incluso variables sin valor predictivo pueden provocar un ligero aumento. Por esta razón, utilizar únicamente R² puede conducir a conclusiones equivocadas.
No garantiza causalidad: Un valor elevado de R² no implica que exista una relación causal entre las variables. Simplemente indica que existe una relación estadística capaz de explicar parte de la variabilidad observada. Para solucionar el problema de añadir variables innecesarias, se utiliza el R² Ajustado (Adjusted R²).
Cálculo del Coeficiente de Determinación (R²) en Python
La biblioteca Scikit-Learn incorpora funciones que permiten calcular el coeficiente de determinación de forma sencilla. Una vez entrenado un modelo y generadas las predicciones, podemos evaluar su capacidad explicativa utilizando la función r2_score().
Supongamos que disponemos de los valores reales y las predicciones generadas por nuestro modelo:
Este enfoque permite comparar objetivamente distintos modelos y seleccionar aquel que mejor explica la variabilidad de los datos.
¿Qué se considera un buen R²?
No existe un valor universal. Depende del problema y del contexto de negocio. Por ejemplo:
R²
Interpretación
< 0.30
Capacidad explicativa baja
0.30 – 0.50
Moderada
0.50 – 0.70
Buena
0.70 – 0.90
Muy buena
> 0.90
Excelente (o posible sobreajuste)
Sin embargo, en problemas complejos como economía, comportamiento humano o mercados financieros, valores de R² relativamente modestos pueden seguir siendo extremadamente útiles.
R² Ajustado: Corrigiendo una de sus Limitaciones
Para solucionar el problema de añadir variables innecesarias, se utiliza el R² Ajustado (Adjusted R²). Esta métrica introduce una penalización cuando se agregan variables que no aportan información relevante. Por ello resulta especialmente útil en modelos con múltiples variables predictoras. Mientras que el R² tradicional tiende a aumentar al añadir variables, el R² ajustado puede disminuir si esas variables no mejoran realmente el modelo.
Aunque el coeficiente de determinación (R²) es una métrica muy útil para medir la capacidad explicativa de un modelo, presenta una limitación importante: nunca disminuye cuando añadimos nuevas variables predictoras. Incluso si una variable no aporta información relevante, el valor de R² puede mantenerse igual o aumentar ligeramente, dando la impresión de que el modelo ha mejorado.
Para corregir este problema se utiliza el R² Ajustado (Adjusted R²), una versión modificada del coeficiente de determinación que penaliza la incorporación de variables innecesarias.
¿Por qué necesitamos el R² Ajustado?
Supongamos que estamos construyendo un modelo para predecir el precio de una vivienda. Inicialmente utilizamos variables como:
Metros cuadrados.
Número de habitaciones.
Antigüedad de la vivienda.
Posteriormente añadimos una nueva variable:
Número de letras del nombre del propietario.
Esta última variable no tiene ninguna relación real con el precio de una vivienda. Sin embargo, el R² tradicional podría aumentar ligeramente simplemente por haber añadido una nueva característica al modelo. El problema es que el R² no distingue entre variables útiles y variables irrelevantes. El R² Ajustado sí lo hace.
¿Cómo Funciona?
El R² Ajustado incorpora una penalización basada en:
El número de observaciones disponibles.
El número de variables predictoras utilizadas.
Si una nueva variable aporta información relevante, el R² Ajustado aumentará. Si una nueva variable no mejora realmente la capacidad predictiva del modelo, el R² Ajustado disminuirá. Por esta razón, suele considerarse una métrica más fiable cuando se comparan modelos con distinto número de variables.
Fórmula del R² Ajustado
$$R^2_{adj}=1-(1-R^2)\frac{n-1}{n-p-1}$$
Donde:
R² = Coeficiente de determinación tradicional.
n = Número de observaciones.
p = Número de variables predictoras.
La fórmula introduce una penalización que aumenta a medida que incorporamos más variables al modelo.
Interpretación
La interpretación es similar a la del R² tradicional:
Valor
Interpretación
Cercano a 0
El modelo explica poca variabilidad
Cercano a 1
El modelo explica gran parte de la variabilidad
Disminuye al añadir variables
Las nuevas variables no aportan valor
¿Cuándo Utilizar R² Ajustado?
El R² Ajustado resulta especialmente útil cuando:
Trabajamos con regresión múltiple.
Comparamos modelos con diferente número de variables.
Realizamos procesos de selección de características (Feature Selection).
Queremos evitar modelos excesivamente complejos.
Buscamos reducir el riesgo de sobreajuste (Overfitting).
Si todos los modelos tienen exactamente las mismas variables, el R² tradicional suele ser suficiente. Sin embargo, cuando el número de características cambia entre modelos, el R² Ajustado proporciona una evaluación más justa.
Cálculo en Python
Scikit-Learn no incluye una función específica para calcular el R² Ajustado, pero puede obtenerse fácilmente a partir del R² tradicional.
from sklearn.metrics import r2_score# R² tradicionalr2 = r2_score(y_test, y_pred)# Número de observacionesn =len(y_test)# Número de variables predictorasp = X_test.shape[1]# R² Ajustadoadjusted_r2 =1- ((1- r2) * (n -1) / (n - p -1))print(f"R²: {r2:.4f}")print(f"Adjusted R²: {adjusted_r2:.4f}")
Conclusión
El coeficiente de determinación (R²) es una de las métricas fundamentales para evaluar modelos de regresión. Su principal objetivo es medir qué proporción de la variabilidad de la variable objetivo es explicada por el modelo. Gracias a su interpretación intuitiva, se ha convertido en una herramienta imprescindible para comparar modelos y evaluar su capacidad predictiva.
El R² Ajustado surge para corregir una de las principales limitaciones del coeficiente de determinación tradicional. Mientras que el R² tiende a favorecer modelos cada vez más complejos, el R² Ajustado introduce una penalización que obliga a que cada nueva variable aporte un valor real al modelo. Por este motivo, cuando se trabaja con regresión múltiple y se comparan modelos con diferente número de características, el R² Ajustado suele ser una métrica más fiable para evaluar la calidad y capacidad explicativa de un modelo.
No obstante, el R² no debe utilizarse de forma aislada. Una evaluación rigurosa requiere complementarlo con métricas de error como MAE, MSE o RMSE, así como validar el comportamiento del modelo sobre datos que no haya visto previamente. Comprender el significado de R² y sus limitaciones es un paso esencial para cualquier profesional que trabaje con Machine Learning y Ciencia de Datos.
Cuando construimos un modelo de regresión, el objetivo principal es realizar predicciones lo más cercanas posible a los valores reales. Sin embargo, ningún modelo es perfecto. Siempre existirá cierta diferencia entre lo que el modelo predice y lo que realmente ocurre. Para medir esa diferencia utilizamos métricas de evaluación, siendo una de las más importantes el Error Cuadrático Medio (Mean Squared Error o MSE).
El MSE es una de las métricas más utilizadas en Machine Learning y estadística porque proporciona una medida clara de cuánto se equivocan, en promedio, las predicciones de un modelo.
¿Qué es el error cuadrático medio?
El error cuadrático medio mide el promedio de los errores al cuadrado entre los valores reales y los valores predichos por un modelo.
En términos simples:
Calculamos la diferencia entre el valor real y la predicción.
(yᵢ − ŷᵢ)² = error cuadrado para cada observación.
¿Por qué se eleva el error al cuadrado?
Podríamos preguntarnos por qué no simplemente promediar los errores.
Supongamos estas diferencias:
Valor Real
Predicción
Error
100
90
10
50
60
-10
Si calculamos el promedio de los errores:
$$\frac{10 + (-10)}{2}=0$$
El resultado sería cero, sugiriendo incorrectamente que el modelo no se equivoca.
Al elevar cada error al cuadrado:
$$10^2 = 100$$ $$(-10)^2 = 100$$
Ambos errores contribuyen positivamente al resultado final, evitando cancelaciones. Además, el cuadrado penaliza más severamente los errores grandes, algo muy útil en muchos problemas de negocio.
Ejemplo de Cálculo Paso a Paso
Supongamos que tenemos un modelo que predice la recaudación de películas.
MSE pequeño → El modelo realiza buenas predicciones.
MSE grande → El modelo comete errores importantes.
Sin embargo, existe un detalle importante. Debido a que los errores se elevan al cuadrado, las unidades también quedan elevadas al cuadrado. Esto hace que la interpretación directa del valor sea menos intuitiva.
Sensibilidad a los Valores Atípicos
Una de las principales características del MSE es que penaliza fuertemente los errores grandes. Veamos un ejemplo.
Modelo A
Errores:
$$2,3,4$$
MSE:
$$\frac{4+9+16}{3}=9.67$$
Modelo B
Errores:
$$1,1,10$$
MSE:
$$\frac{1+1+100}{3}=34$$
Aunque la mayoría de los errores del segundo modelo son pequeños, un único error grande provoca que el MSE aumente considerablemente. Por este motivo, el MSE es especialmente útil cuando queremos detectar y penalizar predicciones muy alejadas de la realidad.
Ventajas del MSE
Fácil de calcular: La fórmula es sencilla y eficiente incluso para grandes volúmenes de datos.
Penaliza errores grandes: Los errores importantes tienen un peso mucho mayor que los errores pequeños. Esto resulta útil en aplicaciones donde los fallos graves tienen un alto coste económico o operativo.
Compatible con muchos algoritmos: Numerosos algoritmos de Machine Learning utilizan el MSE como función objetivo durante el entrenamiento. Por ejemplo:
Regresión Lineal.
Redes Neuronales.
Gradient Boosting.
XGBoost.
Random Forest Regressor.
Limitaciones del MSE
Sensibilidad a Outliers: Los valores atípicos pueden dominar completamente la métrica. Un único error extremo puede aumentar significativamente el MSE.
Interpretación menos intuitiva: Al estar expresado en unidades al cuadrado, resulta más difícil comprender su significado práctico. Por esta razón suele utilizarse junto con otras métricas.
Relación con el RMSE
Una métrica muy popular derivada del MSE es el Root Mean Squared Error (RMSE). Su fórmula es:
$$RMSE=\sqrt{MSE}$$
Por ejemplo:
Si:
$$MSE = 200$$
entonces:
$$RMSE = \sqrt{200}$$ $$RMSE \approx 14.14$$
La ventaja es que el RMSE vuelve a expresarse en las mismas unidades de la variable objetivo, facilitando la interpretación. Si estamos prediciendo ingresos en miles de euros, un RMSE de 14 indica que el modelo se equivoca aproximadamente en 14 mil euros por predicción.
MSE en Machine Learning
Durante el entrenamiento de muchos modelos de regresión, el algoritmo intenta minimizar el MSE. Esto significa que ajusta sus parámetros para que la suma de los errores cuadrados sea lo más pequeña posible. En una regresión lineal, por ejemplo, el proceso de aprendizaje consiste precisamente en encontrar los coeficientes de la recta que minimizan el Error Cuadrático Medio sobre los datos de entrenamiento. En otras palabras, el modelo aprende buscando la línea que produzca el menor MSE posible.
¿Cuándo utilizar el MSE?
El MSE es especialmente recomendable cuando:
Estamos trabajando con problemas de regresión.
Los errores grandes son especialmente costosos.
Queremos una métrica sensible a predicciones muy alejadas del valor real.
Necesitamos una función objetivo para optimizar modelos.
Por el contrario, si los datos contienen muchos valores atípicos o deseamos una métrica más robusta, puede ser conveniente complementar el análisis con métricas como el MAE (Mean Absolute Error).
MSE en Python
La biblioteca Scikit-Learn incluye la función mean_squared_error(), que permite calcular fácilmente el Error Cuadrático Medio de un modelo de regresión. Una vez generadas las predicciones, basta con comparar los valores reales con los valores estimados.
Supongamos que tenemos los siguientes valores reales y predicciones:
Este cálculo implementa directamente la fórmula matemática del Error Cuadrático Medio y produce exactamente el mismo resultado que mean_squared_error().
Conclusión
El Error Cuadrático Medio (MSE) es una de las métricas fundamentales para evaluar modelos de regresión. Su principal objetivo es medir cuánto se alejan las predicciones de los valores reales, penalizando especialmente los errores grandes. Esta característica lo convierte en una herramienta extremadamente útil tanto para evaluar modelos como para entrenarlos.
Aunque su interpretación puede resultar menos intuitiva debido a las unidades al cuadrado, su simplicidad matemática y su capacidad para detectar errores significativos explican por qué sigue siendo una de las métricas más utilizadas en Machine Learning, Estadística y Ciencia de Datos. Comprender cómo funciona el MSE es un paso esencial para analizar el rendimiento de cualquier modelo predictivo y tomar decisiones informadas durante el proceso de modelado.
En el universo del Aprendizaje Supervisado (Supervised Machine Learning), el objetivo fundamental es construir modelos matemáticos a partir de datos históricos para predecir resultados futuros. Sin embargo, no todos los problemas de negocio son iguales. Dependiendo de la naturaleza de lo que deseamos predecir, el aprendizaje supervisado se divide en dos grandes ramas: Regresión y Clasificación.
A continuación, analizaremos ambos enfoques de forma simétrica para comprender cómo funcionan, cómo se entrenan y qué necesitan para tener éxito.
Regresión: Predicción de Valores Continuos
La Regresión se ocupa de predecir un resultado cuantitativo y continuo. Esto significa que la variable objetivo (lo que queremos averiguar) es un número real dentro de un rango infinito de posibilidades medibles.
Ejemplos de Problemas de Regresión
Mercado Inmobiliario: Predice el precio final de venta de una vivienda basándose en sus metros cuadrados y ubicación.
Industria del Cine: Estimar la recaudación exacta en taquilla (Box Office Revenue) de un largometraje según su inversión publicitaria.
Planificación de Operaciones: Calcular el número de asistentes a un evento corporativo para optimizar recursos.
El Proceso de Entrenamiento del Modelo (Paso a Paso)
El flujo mecánico para que un algoritmo aprenda a realizar regresiones sigue cuatro etapas estructuradas:
Paso 1: Datos históricos continuos: Se recopila un conjunto de entrenamiento donde ya se conocen las características de entrada (X) y el valor numérico real de salida (Y).
Paso 2: Selección del modelo: Se elige el algoritmo matemático base adecuado para trazar la tendencia (por ejemplo, una Regresión Lineal).
Paso 3: Ajuste de parámetros (Fitting): El algoritmo analiza los datos y calcula los coeficientes óptimos (pesos) necesarios para minimizar el error entre sus estimaciones y los valores reales.
Paso 4: Predicción sobre nuevos datos: El modelo, ya entrenado, recibe un registro completamente nuevo y calcula de forma automática el valor numérico estimado.
Requisitos Técnicos de un Modelo de Regresión
Para desplegar un modelo de regresión con garantías, el ingeniero de datos debe asegurar:
Variable objetivo numérica: El fenómeno a predecir debe ser obligatoriamente un número continuo y escalable.
Métricas de evaluación adecuadas: Se requiere medir la proximidad entre la realidad y la predicción utilizando indicadores cuantitativos de error, como el Error Cuadrático Medio (MSE).
Control del Sobreajuste (Overfitting): Es crítico vigilar que el modelo no memorice los datos de entrenamiento a la perfección, ya que si lo hace, perderá la capacidad de generalizar y fallará al enfrentarse a datos nuevos en el mundo real.
Clasificación: Predicción de Categorías
La Clasificación entra en juego cuando el resultado que buscamos no es un número, sino una etiqueta, clase o categoría discreta. El objetivo del algoritmo aquí es determinar a qué grupo específico pertenece un registro.
Ejemplos de Problemas de Clasificación
Retención de Clientes (Customer Churn): Clasificar si un usuario activo cancelará su suscripción (Sí) o permanecerá en la empresa (No).
Finanzas: Evaluar si un solicitante de crédito tiene un perfil de riesgo propenso al impago (Default).
Seguridad Informática: Identificar si una transacción con tarjeta de crédito es legítima o un intento de fraude.
Ejemplo Destacado: Filtro de Correos Electrónicos
El caso de uso más cotidiano es el filtro anti-spam de tu bandeja de entrada. El sistema analiza el texto de cada correo entrante y calcula la probabilidad de que pertenezca a la categoría de “Spam” o “Correo Deseado”, redirigiéndolo automáticamente según la etiqueta asignada.
El Proceso de Entrenamiento del Modelo (Paso a Paso)
Al igual que en la regresión, la clasificación sigue el mismo ciclo de vida universal:
Paso 1: Datos etiquetados: Se parte de un dataset histórico donde los humanos ya han clasificado previamente los registros con sus respuestas correctas (ej. correos marcados como spam).
Paso 2: Selección del modelo: Se escoge la arquitectura de clasificación (como un Árbol de Decisión o Regresión Logística).
Paso 3: Ajuste de parámetros (Fitting): El modelo ajusta sus funciones internas para aprender qué patrones o combinaciones de variables separan con mayor precisión a una categoría de otra.
Paso 4: Predicción sobre nuevos datos: Ante un dato nuevo sin etiquetar, el modelo calcula las probabilidades y le asigna la categoría correspondiente.
Requisitos Técnicos de un Modelo de Clasificación
Para estructurar con éxito un entorno de clasificación, el framework exige tres pilares fundamentales:
Variables cuantificables: Dado que los algoritmos solo procesan números, las características cualitativas (como las palabras de un email) deben pasar por una ingeniería de codificación (encoding) para transformarse en vectores numéricos.
Datos etiquetados de origen: Se necesita obligatoriamente un histórico donde la variable objetivo ya esté resuelta (etiquetada), lo que a menudo requiere un esfuerzo humano inicial de supervisión.
Medidas de similitud: El sistema debe contar con una métrica matemática matemática para evaluar qué tan parecido es el nuevo registro con respecto a los patrones de las clases que asimiló durante el entrenamiento.
Aplicaciones Empresariales del Aprendizaje Supervisado
El verdadero valor del aprendizaje supervisado reside en su capacidad para automatizar decisiones estratégicas a gran escala en el tejido corporativo. Las empresas combinan de forma sinérgica ambas herramientas para optimizar sus operaciones:
Mientras que el departamento de Finanzas utiliza modelos de Clasificación para mitigar riesgos bloqueando transacciones sospechosas de fraude en tiempo real, el equipo de Logística y Ventas se apoya en modelos de Regresión para predecir la demanda exacta de inventario para el próximo trimestre, evitando sobrecostes de almacenamiento. En el ecosistema empresarial maduro, entender si tu problema se resuelve identificando un grupo o calculando una cifra es el primer paso hacia el éxito de cualquier proyecto de IA.
El aprendizaje supervisado se encuentra presente en prácticamente todos los sectores económicos.
Marketing: Predicción de abandono de clientes, segmentación avanzada, predicción de conversiones.
Finanzas: Detección de fraude, evaluación de riesgo crediticio, predicción de impagos.
Salud: Diagnóstico asistido por IA, predicción de enfermedades, análisis de imágenes médicas.
Retail: Predicción de demanda, optimización de inventarios, recomendación de productos.
Turismo y Hostelería: Predicción de ocupación hotelera, forecasting de reservas, estimación de ingresos futuros.
En los articulos anteriores establecimos el framework operativo del aprendizaje supervisado y diferenciamos las variables continuas de las categóricas. Ahora, abriremos el capó matemático para analizar el algoritmo predictivo más fundamental, transparente y utilizado en la historia de la ciencia de datos: la Regresión Lineal.
La Anatomía de la Ecuación Lineal
Para entender su funcionamiento, utilizaremos un caso de estudio clásico: predecir la recaudación en taquilla de una película (Box Office Revenue) basándonos única y exclusivamente en su presupuesto de marketing (Marketing Budget).
Cuando disponemos de un histórico de datos (nuestro training set) con el presupuesto invertido y la recaudación real de múltiples películas, podemos plasmar esa información en un gráfico de dispersión (scatter plot). Veremos una nube de puntos dispersos donde el eje X representa la variable predictora (marketing) y el eje Y representa la variable objetivo (recaudación).
El objetivo de la regresión lineal es trazar una línea recta que atraviese esa nube de puntos de la forma más óptima posible. Matemáticamente, la ecuación de esta recta se define de la siguiente manera:
$$Y_\beta(X) = \beta_0 + \beta_1X$$
Desglose analítico de sus componentes esenciales para la ingeniería de modelos:
\(Y_\beta(X) \): (Variable objetivo o prediccion / Target), en este caso se corresponde a Box Office Revenue (Recaudación en taquilla)
\(X \) (Variable independiente o Caracteristica / Feature): Es la información que utilizamos para realizar la predicción, en este caso, el presupuesto de marketing.
\(\beta_0\) (El Intercepto / Bias): Es el coeficiente que determina dónde corta la recta al eje \(Y\). Físicamente representa el escenario donde la variable \(X\) vale exactamente cero. En nuestro ejemplo, nos indica cuál sería la recaudación base de una película si no se invirtiera absolutamente nada en marketing.
\(\beta_1\) (La Pendiente / Slope): Es el coeficiente que mide la inclinación de la recta. Indica el impacto directo de la característica sobre el objetivo: por cada euro extra invertido en marketing, ¿cuántos euros aumentará la recaudación en taquilla?
El modelo intentará aprender la relación entre:
Presupuesto de la película (\(X\))
Recaudación en taquilla (\(Y\))
para poder estimar la recaudación de futuras películas.
Supongamos que alimentamos nuestro algoritmo con el dataset histórico y, tras el proceso de optimización, el sistema calcula los siguientes coeficientes óptimos:
\(\beta_0 = 80\text{ millones}\)
\(\beta_1 = 0.6\)
Nuestra ecuación predictiva final queda estructurada así:
Recaudación Base (\(\beta_0\)): Si lanzamos una película con cero presupuesto de marketing (\(X = 0\)), el modelo estima que aun así recaudará 80 millones de euros gracias a factores orgánicos (como la sinopsis o los actores).
Retorno de Inversión (\(\beta_1\)): El coeficiente \(0.6\) nos dice que por cada dólar o euro adicional que la productora inyecte en marketing, la taquilla responderá incrementándose en \(0.6\) dólares o de manera proporcional.
Generando Predicciones:
Si una nueva producción planea invertir un presupuesto de marketing de 160 millones, sustituimos el valor en nuestra función matemática entrenada:
El modelo predice con alta transparencia que la recaudación estimada se situará en torno a los 176 millones.
¿Cómo encuentra el algoritmo la recta perfecta?
Si tomamos una regla, podríamos trazar infinitas líneas rectas diferentes cruzando el gráfico de dispersión. El Machine Learning descarta la aleatoriedad utilizando una función de pérdida o costo (\(J\)) para medir matemáticamente la calidad de cada recta posible.
Para cualquier línea propuesta, existirá una diferencia (un error) entre los puntos reales observados en el mundo real (\(Y_{\text{obs}}\)) y las predicciones teóricas situadas exactamente sobre la recta (\(Y_{\beta}\)).
La distancia vertical que separa a cada punto de la recta representa la magnitud del error de esa observación específica. La fórmula base del error individual es:
La Función de Costo Estándar: Error Cuadrático Medio (MSE)
No podemos simplemente sumar los errores individuales de todas las películas para evaluar el modelo, porque los errores de los puntos que están por encima de la recta (positivos) se cancelarían matemáticamente con los errores de los puntos que están por debajo (negativos).
Para solucionar esto e ignorar el signo enfocándonos solo en la magnitud, la ciencia de datos utiliza la distancia euclidiana al cuadrado (conocida como la norma L2), dando origen a la función de costo por excelencia en regresión: el Error Cuadrático Medio (Mean Squared Error o MSE).
Matemáticamente, el MSE calcula el promedio de los errores elevados al cuadrado para todas las observaciones del set de entrenamiento:
(Nota técnica de producción: En los manuales de cálculo avanzado y optimización, es común ver la función escrita multiplicando el denominador por dos, es decir, \(\frac{1}{2m}\). Esto se hace únicamente para facilitar las operaciones de derivación mediante cálculo infinitesimal al buscar mínimos, pero el resultado de optimización matemática para hallar los coeficientes es exactamente equivalente a usar \(\frac{1}{m}\) ).
El trabajo del algoritmo de regresión lineal consiste en encontrar la combinación exacta de valores para \(\beta_0\) y \(\beta_1\) que logre minimizar el MSE a su valor más bajo posible. La recta que logre reducir al mínimo esta distancia cuadrática promedio será, por definición, la recta óptima.
Buenas Prácticas de Modelado y Despliegue en Python
Una vez comprendida la estructura de la Regresión Lineal y cómo la función de costo del Error Cuadrático Medio (MSE) permite encontrar la recta óptima, es crucial abordar cómo gestionamos los modelos en la práctica profesional. Para construir soluciones de Machine Learning robustas, los científicos de datos siguen un protocolo estricto de ingeniería, evalúan la varianza explicada mediante estadística avanzada y traducen las ecuaciones matemáticas en scripts de código funcionales.
Buenas Prácticas Universales en el Modelado Predictivo
Cuando nos enfrentamos a un problema de regresión en producción, el flujo de trabajo no consiste en lanzar un algoritmo a ciegas. La metodología de ingeniería de datos dicta tres pasos esenciales:
Establecer la Función de Costo: Antes de entrenar, definimos qué función matemática queremos minimizar (por ejemplo, el MSE). Esto nos proporciona una métrica objetiva y estandarizada para comparar la fuerza de un modelo frente a otro.
Desarrollar Múltiples Modelos: Creamos arquitecturas variadas, experimentando con diferentes hiperparámetros o algoritmos alternativos para evaluar cuál se adapta mejor a la complejidad de los datos.
Comparar y Seleccionar: Contrastamos cuantitativamente las puntuaciones (scores) de todos los experimentos bajo la misma función de costo y seleccionamos el modelo con el rendimiento óptimo.
Descifrando el Coeficiente de Determinación: R-cuadrado
Aunque el MSE mide la magnitud del error, su valor depende de la escala de la variable objetivo. Para obtener una métrica de rendimiento estandarizada e independiente de la escala, recurrimos al Coeficiente de Determinación o \(R^2\).
El \(R^2\) es una métrica que mide la proporción de la variación total de los datos que es explicada con éxito por el modelo. Para entender su matemática, debemos desglosar sus dos componentes principales:
Representa la variación total de los datos. Físicamente, equivale al error que cometeríamos si no usáramos Machine Learning y nos limitáramos a trazar una línea horizontal estática basada en el promedio.
Para llevar este ecosistema matemático a la práctica, la comunidad de Data Science utiliza la librería estándar Scikit-Learn (sklearn). El flujo de codificación sigue una estructura limpia de programación orientada a objetos dividida en tres pasos clave:
Paso 1: Importar e Instanciar
En primer lugar, importamos la clase especializada desde el módulo correspondiente e instanciamos el objeto de nuestro modelo. En esta etapa, el algoritmo existe como una estructura matemática vacía, ya que aún no ha visto ningún dato histórico.
from sklearn.linear_model import LinearRegression# Creamos el objeto del modelo (aún sin ajustar)lr = LinearRegression()
Paso 2: El Proceso de Ajuste (fit)
Pasamos los conjuntos de datos históricos de entrenamiento (x_train y y_train) al método .fit(). En este punto, el motor de Scikit-Learn ejecuta las optimizaciones numéricas necesarias para minimizar la función de costo y calcular los coeficientes (\(\beta_0, \beta_1\)) óptimos.
# El modelo analiza los datos y optimiza sus parámetros internoslr.fit(x_train, y_train)
Paso 3: Generación de Predicciones (predict)
Una vez que el modelo cuenta con sus parámetros fijos y entrenados, el método .predict() queda completamente habilitado. Ahora podemos pasarle una matriz de características de prueba (x_test) que el sistema nunca haya visto para calcular de forma automática las estimaciones numéricas correspondientes.
# Predecimos valores continuos para un conjunto de prueba sin etiquetaspredictions = lr.predict(x_test)
Cuando nos adentramos en el universo del Aprendizaje Supervisado (Supervised Machine Learning), tendemos a pensar que el objetivo único y absoluto de cualquier algoritmo es lograr el 100% de precisión en sus estimaciones. Sin embargo, en el mundo real de la ciencia de datos y los negocios, las decisiones arquitectónicas no son tan simples.
Existe una tensión constante, una balanza de ingeniería conocida como el trade-off entre interpretación y predicción. Dependiendo estrictamente de cuáles sean tus objetivos estratégicos, tu enfoque y la elección de tus modelos diferirán radicalmente.
Enfoque 1: Interpretación (Entender el Mecanismo)
Cuando el objetivo principal de un proyecto es la interpretación, el foco no se centra en adivinar el futuro con precisión milimétrica, sino en encontrar insights de alto valor sobre los datos actuales. Aquí, el científico de datos entrena al modelo para inspeccionar sus parámetros internos y deducir matemáticamente cómo funciona el sistema.
Flujo de Trabajo y Características:
El Foco en los Parámetros: Recolectamos datos de entrada (X) y etiquetas de salida (Y). Minimizamos la función de pérdida para ajustar el modelo, pero nuestra atención se centra en analizar qué coeficientes o variables aportan más peso al resultado.
Simplicidad sobre Complejidad: Para que un modelo sea altamente interpretable, sacrificamos intencionadamente su capacidad matemática de predicción y optamos por algoritmos menos complejos (como una Regresión Lineal o un Árbol de Decisión simple). El objetivo es evitar cajas negras.
Casos de Uso Reales:
Segmentación y Demografía: Analizar qué características demográficas de los clientes detonan la lealtad a una marca, en lugar de predecir la cifra exacta de ventas futuras.
Ingeniería de Seguridad: Identificar con precisión qué sistemas o componentes de seguridad previenen accidentes automovilísticos para poder modificarlos en fábrica, en lugar de predecir cuántos choques sufrirá un conductor.
Efectividad Publicitaria: Medir el impacto directo del presupuesto de marketing en los ingresos de taquilla de una película para optimizar la inversión, en lugar de adivinar la recaudación exacta del estreno.
Enfoque 2: Predicción (Optimizar el Resultado)
En el extremo opuesto de la balanza se encuentra la predicción pura. Aquí, los motivos ocultos o los mecanismos internos del algoritmo pasan a un segundo plano. Lo único que le importa al negocio es qué tan cerca está la predicción del valor real observado.
Flujo de Trabajo y Características:
Métricas de Rendimiento: El éxito se evalúa mediante indicadores cuantitativos puros de cercanía matemática (como el MSE, RMSE o Accuracy).
Modelos de Caja Negra (Black Box): Al buscar la máxima potencia predictiva, es común delegar el problema a arquitecturas masivas y sumamente complejas como el Deep Learning (Redes Neuronales Profundas). El modelo arrojará resultados espectaculares, pero es probable que nadie en el equipo entienda con exactitud la correlación interna de sus variables.
Casos de Uso Reales:
Fuga de Clientes (Customer Churn): Estimar con la mayor probabilidad posible qué usuario está a punto de cancelar una suscripción para lanzar una campaña de retención automática; las razones sociológicas profundas importan menos que evitar la pérdida.
Riesgo de Impago (Credit Default): Para una entidad bancaria, predecir con exactitud milimétrica si un cliente pagará o no un préstamo financiero es vital para la supervivencia del negocio, por encima de desglosar la interpretación subyacente de sus hábitos.
Pronóstico de Compras: Anticipar las adquisiciones futuras de inventario basándose en el historial transaccional masivo de la plataforma.
El Dilema de la Elección del Modelo
El panorama ideal dictaría que todos los modelos del mercado tuvieran simultáneamente una interpretabilidad perfecta y una predicción infalible; sin embargo, en la práctica computacional esto casi nunca ocurre.
Al enfrentarte a un problema de machine learning en tu empresa o startup, debes sentarte con las partes interesadas para definir el objetivo de negocio. Esa métrica comercial será el único faro que determine si construyes un mapa transparente y explicable o un motor predictivo opaco de alta precisión.
Resumen del Concepto
Métrica / Dimensión
Enfoque de Interpretación
Enfoque de Predicción
Meta Principal
Comprender las dinámicas del sistema.
Baja o moderada (regresiones, árboles).
Complejidad del Modelo
Baja o Moderada (Regresiones, Árboles).
Alta o Extrema (Deep Learning, Ensembles).
Transparencia
Total (Caja Blanca / Parámetros expuestos).
Baja (Caja Negra / Patrones no lineales complejos).
Mecanismo de Control
Análisis de Coeficientes y Variables.
Métricas de Rendimiento Cuantitativo (Score).
Casos Prácticos y Sinergias en el Balance de Modelos
Para entender cómo se traduce la teoría del balance entre interpretación y predicción en la práctica de la ingeniería de datos, es necesario analizar cómo responden los algoritmos ante dos naturalezas distintas de problemas: la regresión (predicción de valores numéricos continuos) y la clasificación (predicción de categorías discretas).
Caso de Estudio 1: Regresión en el Mercado Inmobiliario
Imagina que trabajamos con el célebre dataset de ventas de casas de Ames, Iowa. Nuestro objetivo matemático o target (Y) es el precio final de la vivienda, mientras que nuestra matriz de características (X) incluye variables como la ubicación, la calidad de los acabados, el año de construcción y el número de pisos.
Alineando este problema con nuestros dos enfoques, obtenemos dos herramientas de diagnóstico completamente diferentes:
A. Si priorizamos la Interpretación: Feature Importance
Al ajustar un modelo altamente interpretable (como una Regresión Lineal Múltiple), el algoritmo calcula estimaciones para cada uno de sus parámetros (los coeficientes de cada variable). Estos coeficientes nos permiten extraer un atributo crucial en Python: la Importancia de las Características (Feature Importance).
Lectura del impacto: La importancia de una característica no siempre es positiva. Por ejemplo, una variable como “calidad general” o “superficie habitable” tendrá un impacto positivo fuerte en el precio. Por el contrario, una tasa de criminalidad alta en la zona tendrá un impacto negativo severo.
Toma de decisiones: Para evaluar qué variables mueven más el mercado, el científico de datos analiza el valor absoluto de estos coeficientes. Esto nos dice qué factores afectan más al precio, sin importar si lo suben o lo bajan.
B. Si priorizamos la Predicción: La Gráfica de Dispersión Diagonal
Si nuestro único fin es generar el valor de predicción más exacto posible (\(\)\hat{y}\(\)), dejamos de mirar los coeficientes individuales y pasamos a evaluar un gráfico de dispersión de Valores Predichos frente a Valores Reales.
Evaluación geométrica: En este gráfico, se traza una línea diagonal perfecta que representa el escenario ideal donde la predicción coincide exactamente con la realidad.
Interpretación del error: Cuanto más cerca se agrupen los puntos dispersos alrededor de esa diagonal, más preciso y potente es nuestro modelo predictivo. Los puntos que se disparan lejos de la línea delatan los casos donde el algoritmo ha fallado significativamente.
Caso de Estudio 2: Clasificación y Retención de Clientes (Customer Churn)
Saltemos ahora de un output numérico a un problema de clasificación binaria: predecir si un usuario abandonará o no nuestra plataforma de servicios corporativos (Churn). Aquí, las características (X) son el costo de la suscripción, la antigüedad del cliente y su frecuencia de uso.
En un ecosistema empresarial maduro, este problema exige obligatoriamente un enfoque híbrido que busque el balance:
Desde la perspectiva predictiva: El negocio necesita estimar con precisión matemática la probabilidad de fuga de los usuarios vigentes para anticipar el valor del ciclo de vida del cliente y dimensionar el equipo de soporte necesario.
Desde la perspectiva interpretativa: De nada sirve saber que un cliente se va a ir si no entendemos los factores subyacentes que provocan su descontento. Identificar que el “costo de suscripción” es la variable con mayor peso explicivo permite a la dirección ajustar las tarifas estratégicamente antes de que ocurra la fuga.
La Sinergia Oculta: Cómo se ayudan mutuamente
La gran conclusión de este módulo es que la interpretación y la predicción no son enemigas acérrimas; de hecho, en la mayoría de los proyectos reales de Machine Learning, coexistir y retroalimentarse es el camino óptimo.
La interpretación mejora la predicción: Al inspeccionar los coeficientes e importancias de un modelo inicial, podemos descubrir qué variables son puro ruido estadístico para eliminarlas, o cuáles pueden combinarse entre sí para simplificar el entorno, guiando al algoritmo hacia un score predictivo mucho más alto.
La predicción valida la interpretación: Si construyes un modelo muy explicable pero sus métricas predictivas son pésimas (baja cercanía a la diagonal), no puedes confiar en las conclusiones de sus parámetros. Un nivel robusto de precisión predictiva te otorga la confianza científica de que los factores identificados como “importantes” realmente controlan el fenómeno en el mundo real.
Conclusión del Marco de Trabajo (Framework)
El Aprendizaje Supervisado es una rama de la IA cuyo núcleo es el desarrollo de modelos matemáticos basados en la experiencia pasada para predecir o explicar experiencias futuras.
La estructura matemática general siempre obedece a la misma función fundamental:
$$\hat{y} = f(W, X)$$
Donde nuestra predicción (\(\)\hat{y}\(\)) se construye a partir de una función que combina las características de entrada (X) con los parámetros o pesos (W) que el algoritmo ha aprendido del histórico de datos. Tu rol como Data Scientist será siempre determinar, basándote en los objetivos comerciales de la organización, qué tanto necesitas abrir esa función f para explicarla, o qué tanto puedes cerrarla en una potente “caja negra” en pos del rendimiento absoluto.
Flujo general del aprendizaje supervisado
El proceso suele seguir las siguientes etapas:
Disponemos de un conjunto de datos etiquetado.
Seleccionamos un algoritmo de Machine Learning.
Entrenamos el modelo con los datos históricos.
El algoritmo ajusta sus parámetros internos para aprender la relación entre las variables.
Una vez entrenado, utilizamos el modelo para realizar predicciones sobre datos nuevos.
Este enfoque permite automatizar la toma de decisiones y generar estimaciones basadas en patrones previamente observados.
Una metodología es un sistema de métodos y directrices que guía las decisiones del investigador a lo largo de todo el proceso científico. En nuestro campo, constituye un marco de trabajo estructurado que orienta a los científicos de datos y a los ingenieros de Machine Learning en la resolución de problemas complejos y en la toma de decisiones informadas.
Definición Clave: Una metodología robusta no se limita al modelado algorítmico. Abarca el diseño de formularios de recolección de datos, el establecimiento de estrategias de medición y la comparación crítica de métodos analíticos en función de los objetivos específicos del negocio y el contexto del proyecto.
Las 10 Etapas de la Metodología de John Rollins
Un estándar ampliamente adoptado en la industria es el marco conceptual desarrollado por John Rollins, científico de datos sénior de IBM, cuya experiencia profesional consolidó una estructura de 10 etapas secuenciales e iterativas:
Las preguntas son la piedra angular de cualquier proyecto de datos y el motor que impulsa cada una de las 10 etapas descritas. Para garantizar la viabilidad y el rigor de un diseño analítico, la metodología nos obliga a responder a diez preguntas esenciales, agrupadas en tres bloques críticos de ejecución:
Bloque Temático
Etapa Metodológica
Pregunta Clave a Responder
Definición y Enfoque
1. Business Understanding
¿Cuál es el problema específico que se intenta resolver?
2. Analytic Approach
¿Cómo se pueden utilizar los datos para responder a dicha pregunta?
Organización de Datos
3. Data Requirements
¿Qué datos se necesitan para responder a la pregunta?
4. Data Collection
¿De dónde provienen y cómo se recibirán las fuentes de datos?
5. Data Understanding
¿Los datos recolectados representan fielmente el problema a resolver?
6. Data Preparation
¿Qué manipulación y preprocesamiento adicional requieren los datos?
Validación y Diseño Final
7. Modeling
Al aplicar visualizaciones de datos, ¿se observan patrones que atiendan el problema?
8. Evaluation
¿El modelo responde a la pregunta de negocio original o se deben ajustar los datos?
9. Deployment
¿Cómo se puede poner en práctica y producción el modelo desarrollado?
10. Feedback
¿Cómo se obtendrá retroalimentación de los interesados y del modelo para mejorar el proceso?
Al implementar de manera sistemática este checklist analítico, los equipos de Data Science no solo optimizan el tiempo de desarrollo y la eficiencia de la investigación científica, sino que aseguran una alineación perfecta entre el desarrollo técnico de Machine Learning y los objetivos estratégicos de la organización.
En el entorno corporativo e industrial, el éxito de un proyecto de Inteligencia Artificial o Ciencia de Datos no radica únicamente en la sofisticación de los algoritmos utilizados, sino en la rigurosidad del proceso metodológico seguido. Dos de las fases más críticas en metodologías estándar de la industria (como CRISP-DM) son el establecimiento de una sólida Comprensión del Negocio (Business Understanding) y la correcta selección del Enfoque Analítico (Analytic Approach).
1. Comprensión del Negocio (Business Understanding)
El punto de partida de cualquier metodología de ciencia de datos seria consiste en dedicar el tiempo necesario a buscar aclaraciones y alinear expectativas. Avanzar a ciegas bajo la presión de plazos ajustados sin definir el problema real suele derivar en soluciones técnicamente válidas pero comercialmente inútiles.
Establecer Objetivos y Metas Claros
El proceso comienza por descifrar el propósito de quien formula la pregunta de negocio. Por ejemplo, ante una solicitud común como “¿Cómo podemos reducir los costos de una actividad?”, el científico de datos debe profundizar en si el fin último es mejorar la eficiencia operativa o potenciar la rentabilidad general de la empresa.
Identificación de Requisitos: Consiste en desglosar las metas generales en objetivos específicos medibles.
Priorización Estratégica: Organizar las discusiones estructuradas con los stakeholders clave permite identificar qué subproblemas abordar primero en función de su viabilidad e impacto.
Caso de Estudio: Reducción de Readmisiones Hospitalarias
Para ilustrar la importancia de esta fase, analicemos el caso de una aseguradora de salud que enfrentaba una reducción en el financiamiento público para readmisiones, lo que amenazaba con elevar las primas de sus clientes.
Antes de recolectar un solo dato, el equipo (en colaboración con autoridades sanitarias y científicos de datos) definió los objetivos del proyecto. Al analizar el contexto, identificaron que el 30% de los pacientes que terminaban rehabilitación volvían a ser ingresados en un año, y el 50% en un plazo de cinco años. Tras revisar los registros, se priorizó a los pacientes con Insuficiencia Cardíaca Congestiva (CHF), situados en la cima de la lista de readmisiones.
Formulación y Pertinencia de Preguntas
Una vez que se comprende el negocio, el científico de datos debe formular preguntas analíticas pertinentes. No todos los datos disponibles o preguntas que surgen en una organización aportan valor a la meta trazada.
Ejemplo en Estrategia de Precios de Comercio Electrónico
Si el objetivo principal de un e-commerce es optimizar su estrategia de precios para maximizar ingresos y rentabilidad, la clasificación de preguntas se divide de la siguiente manera:
Preguntas Altamente Relevantes
Preguntas No Relevantes para el Objetivo
¿Cómo varían los comportamientos de compra de los clientes durante períodos promocionales específicos?
¿Cuántos empleados trabajan en el departamento de marketing?
¿Cuáles son los márgenes de ganancia de los diferentes productos?
¿Cuál es la estructura organizacional de la empresa?
¿De qué manera influyen las opiniones y calificaciones de los productos en las decisiones de compra?
¿Cuánto gasta la empresa en suministros de oficina?
¿Cómo influyen los datos demográficos de los clientes en su sensibilidad al precio?
—
2. El Enfoque Analítico (Analytic Approach)
Una vez consolidada la pregunta de investigación, se procede a seleccionar el Enfoque Analítico adecuado. Esto significa identificar qué tipo de patrones de datos se requieren extraer para responder a la interrogante de la manera más efectiva posible.
Tomando como base las necesidades de optimización de una empresa de transporte y logística, los enfoques se categorizan en cuatro grandes modelos de patrones de datos:
Modelo Predictivo (Predictive Model)
Se utiliza cuando la pregunta requiere determinar las probabilidades de una acción futura basándose en datos históricos.
Preguntas tipo: ¿Cómo podemos pronosticar el número óptimo de vehículos de entrega necesarios para un día específico según el volumen de pedidos esperado? o ¿Cuál es el tiempo estimado de entrega considerando patrones de tráfico y condiciones climáticas?
Modelo Descriptivo (Descriptive Model)
Se aplica cuando el objetivo es mostrar relaciones, resumir comportamientos existentes o identificar tendencias históricas sin realizar predicciones directas.
Preguntas tipo: ¿Cuáles son los costos promedio de envío para diferentes rutas y cómo varían según la hora del día? o ¿Cuáles son los intervalos de tiempo y los días de mayor actividad semanal basándose en pedidos pasados?
Modelo de Clasificación (Classification Model)
Adecuado para problemas que requieren categorizar elementos o donde la respuesta analítica es de naturaleza categórica (por ejemplo, respuestas de tipo Sí/No).
Preguntas tipo: ¿Cómo podemos clasificar las rutas de entrega en diferentes categorías según el volumen de pedidos y la duración promedio? o ¿En qué franjas horarias específicas se deben segmentar los cronogramas para equilibrar la carga laboral?
Agrupamiento (Clustering / Grouping-based)
Un enfoque de Machine Learning no supervisado utilizado para descubrir la estructura intrínseca de los datos y conocer el comportamiento de entidades sin realizar predicciones explícitas de eventos pasados.
Preguntas tipo: ¿Cómo podemos agrupar las regiones de entrega en función de la densidad de clientes y la frecuencia de pedidos para optimizar la planificación de rutas?
Aplicación Técnica del Enfoque: El Modelo de Árbol de Decisión
Retomando el caso de estudio de readmisiones por Insuficiencia Cardíaca Congestiva (CHF), los científicos de datos seleccionaron un Modelo de Clasificación basado en Árboles de Decisión. Esta elección técnica se fundamenta directamente en los requisitos de negocio previamente establecidos:
Mecánica del Modelo y Toma de Decisiones
Evaluación por Nodos y Umbrales: El algoritmo examina las variables en cada uno de los nodos a lo largo de las rutas hasta llegar a una “hoja” (leaf), determinando valores umbral específicos para segmentar a los pacientes.
Cálculo del Riesgo de Readmisión: El modelo proporciona el resultado condicional (Sí/No reingresa) y la probabilidad del mismo basándose en la proporción del resultado dominante en cada grupo:
Si el resultado dominante en la hoja es Sí, el riesgo equivale directamente a la proporción de pacientes “Sí” en esa hoja.
Si el resultado dominante es No, el riesgo se calcula matemáticamente como $1 – \text{proporción de pacientes No en la hoja}$.
Ventajas de cara al Negocio y la Práctica Clínica
La elección de este enfoque analítico específico responde a una justificación metodológica clave: la interpretabilidad. Un modelo de árbol de clasificación es altamente intuitivo para profesionales que no pertenecen al ámbito de los datos (como los médicos y gestores clínicos). Los médicos pueden observar con precisión qué combinaciones de condiciones biológicas o de tratamiento provocan que un paciente sea catalogado como de “alto riesgo”.
3. La Fase de Requisitos (Data Requirements)
Una vez que se ha definido el problema de negocio y se ha seleccionado el enfoque analítico pertinente, el científico de datos entra en una de las fases más operativas e interconectadas del ciclo de vida del proyecto: la determinación de los requisitos de datos.
Para entender esta etapa, resulta útil recurrir a una analogía gastronómica : si el problema que queremos resolver equivale a la receta culinaria, los datos son los ingredientes indispensables para elaborarla. Si el objetivo es preparar una cena de espaguetis pero no se cuenta con los componentes adecuados, el éxito del plato se verá comprometido. Bajo este principio de “cocinar con datos”, el equipo técnico debe identificar con precisión qué ingredientes se necesitan, cómo recolectarlos, cómo interpretarlos y de qué manera prepararlos para alcanzar el resultado esperado.
Definición de Requisitos Analíticos
Antes de proceder a la recolección o manipulación directa de la información, es vital delimitar los requisitos analíticos específicos que exige la técnica de modelado elegida. Esto implica determinar de forma explícita:
El contenido: Qué sustancia o variables debe albergar la información.
El formato: La estructura técnica en la que deben presentarse los datos.
Las fuentes: Los orígenes y sistemas de donde se extraerá la información inicial.
La Importancia de la Prospección: Un buen científico de datos debe pensar a futuro. Definir correctamente los requisitos en esta fase previene errores costosos y facilita las fases posteriores de preparación y modelado de datos.
Caso de Estudio: Clasificación con Árboles de Decisión en el Sector Salud
Para ilustrar cómo se aplican los requisitos de datos en un entorno real, analicemos el diseño metodológico implementado para un modelo de clasificación basado en árboles de decisión dentro del sector de los seguros médicos, cuyo objetivo era modelar y predecir la tasa de readmisión de pacientes.
Selección y Criterios de Inclusión de la Cohorte
El primer paso consistió en acotar el universo de datos seleccionando una cohorte de pacientes adecuada a partir de la base de miembros de la aseguradora. Para garantizar que se pudiera consolidar un historial clínico completo, se definieron tres criterios de inclusión estrictos:
Área de Cobertura: El paciente debía haber sido ingresado como paciente interno dentro del área de servicio del proveedor para asegurar el acceso a toda la información médica relevante.
Diagnóstico Principal: Se acotó la búsqueda exclusivamente a pacientes con un diagnóstico primario de insuficiencia cardíaca congestiva durante el periodo de un año completo.
Permanencia Mínima: El paciente debía registrar una inscripción continua de al menos seis meses previa a su admisión hospitalaria por insuficiencia cardíaca, permitiendo así compilar un antecedente médico fidedigno.
Criterios de Exclusión Estratégica
Con el fin de no sesgar los resultados del modelo, se excluyó deliberadamente de la cohorte a aquellos pacientes con insuficiencia cardíaca que además presentaran otras condiciones médicas preexistentes de alta gravedad. Estas comorbilidades suelen provocar tasas de readmisión inusualmente elevadas que no se corresponden con el comportamiento estándar del problema principal, lo que alteraría el rendimiento del algoritmo.
Formato y Estructura Técnica del Modelo
El algoritmo de árboles de decisión impone restricciones muy claras en cuanto a la estructura de la matriz de entrada. Requiere estrictamente un único registro por paciente, donde las columnas representen de forma tabular las variables que evaluará el modelo.
Sin embargo, la realidad de los datos clínicos de un solo individuo es transaccional y masiva, abarcando:
Historiales de admisiones y altas hospitalarias.
Diagnósticos primarios, secundarios y terciarios.
Procedimientos médicos realizados.
Prescripciones farmacológicas y recetas emitidas.
Servicios derivados de consultas externas e interconsultas.
Debido a esta naturaleza médica, un único paciente puede acumular miles de registros transaccionales en los sistemas de salud. Para transformar esta estructura masiva y profunda al formato plano exigido por el modelo (un registro por fila), los científicos de datos planificaron la agregación o “roll-up” de dichos datos transaccionales al nivel de paciente, lo que conlleva la creación de nuevas variables sintéticas que resuman el comportamiento histórico del individuo.
Aunque la ejecución de esta transformación corresponde propiamente a la fase de Preparación de Datos, anticipar y mapear esta necesidad desde la etapa de Requisitos de Datos es lo que garantiza la viabilidad técnica de todo el proyecto de Machine Learning.
4. La Fase de Recolección (Data Collection)
Tras definir las especificaciones técnicas en la etapa de requisitos, la metodología avanza hacia un paso intensamente práctico y operativo: la Recolección de Datos. Esta fase no se limita a un mero proceso de descarga o acumulación de archivos; representa un punto de control crítico donde el científico de datos evalúa de manera empírica la viabilidad técnica del diseño inicial.
Siguiendo con nuestra analogía culinaria, si en la etapa anterior elaboramos la lista de compras, en esta fase acudimos al mercado a buscar los ingredientes. Es común descubrir que algunos de ellos están fuera de temporada, son difíciles de conseguir o implican un coste computacional y operativo mayor de lo previsto. Ante esta realidad, el equipo se ve obligado a revisar los requisitos teóricos y tomar decisiones estratégicas sobre si es necesario recolectar un volumen mayor o menor de información.
Al finalizar la recolección, los “ingredientes” se encuentran listos sobre la mesa de trabajo. En este punto, el profesional obtiene una perspectiva clara del material real con el que construirá la solución.
Evaluación Inicial y Detección de Gaps
Una vez completada la carga inicial, el científico de datos debe aplicar técnicas analíticas preliminares para auditar el set de datos:
Estadística Descriptiva: Permite evaluar el contenido general, las distribuciones de las variables y la calidad superficial de la información.
Visualización de Datos: Ayuda a identificar anomalías visuales directas y a extraer los primeros insights o intuiciones sobre el comportamiento de las variables.
Identificación de Brechas (Gaps): El objetivo principal de esta auditoría es descubrir vacíos en la información. Cuando se detectan datos faltantes, el equipo debe trazar planes específicos para rellenar esos vacíos o, en su defecto, buscar variables sustitutas adecuadas.
Caso de Estudio: Desafíos de Integración en el Sector Salud
Retomando el modelo de clasificación para predecir la readmisión de pacientes con insuficiencia cardíaca congestiva, la fase de recolección evidenció la complejidad de los entornos de datos corporativos.
Para nutrir el árbol de decisión, fue necesario localizar y extraer elementos provenientes de múltiples sistemas de información:
Datos demográficos, clínicos y de cobertura de las pólizas de los pacientes.
Información detallada de los proveedores de salud.
Registros históricos de reclamaciones (claims) y facturación médica.
Historiales farmacéuticos y diagnósticos asociados a la patología principal.
Gestión de Datos No Disponibles y Decisiones Diferidas
Durante el proceso surgió un obstáculo habitual: la información farmacéutica de ciertos medicamentos específicos no estaba integrada con el resto de las fuentes de datos de la organización.
Frente a un escenario de datos incompletos o de difícil acceso, la metodología de John Rollins aporta una directriz fundamental: es perfectamente válido posponer las decisiones sobre datos no disponibles y avanzar con lo que se tiene. No es estrictamente necesario detener el proyecto; se puede intentar adquirir esa información ausente en una etapa posterior, por ejemplo, tras evaluar los resultados intermedios del modelado predictivo.
Si las primeras métricas del modelo sugieren que la variable ausente (en este caso, el historial de medicamentos) es crítica para lograr la precisión deseada, se justifica invertir el tiempo y los recursos necesarios para extraerla. En este caso de estudio real, el equipo continuó el desarrollo y descubrió que era posible construir un modelo predictivo con un rendimiento óptimo prescindiendo de dicha información farmacéutica.
Colaboración de Ingeniería y Automatización de Procesos
La recolección de datos efectiva es una tarea multidisciplinar. Los administradores de bases de datos (DBAs) y los programadores trabajan en estrecha colaboración para diseñar las consultas de extracción y fusionar los flujos de datos procedentes de los distintos silos de la empresa. Esta consolidación técnica persigue dos grandes objetivos:
Eliminar la redundancia: Limpiar registros duplicados o contradictorios antes de dar paso a la siguiente etapa de la metodología: la comprensión profunda de los datos (Data Understanding).
Optimizar el ciclo de vida: Durante esta fase, el equipo analítico debate y define mejores prácticas de gobernanza e infraestructura, lo que incluye la automatización de procesos dentro de la propia base de datos. Automatizar la ingesta garantiza que las futuras recolecciones de datos sean operaciones más rápidas, eficientes y menos propensas a errores manuales.
5. Comprensión de los Datos (Data Understanding)
Una vez recolectados los primeros flujos de información, la metodología pasa de la mera acumulación a un proceso de auditoría y análisis crítico: la Comprensión de los Datos. Esta fase abarca todas las actividades analíticas orientadas a evaluar de forma rigurosa el set de datos que se acaba de construir.
En esencia, este bloque metodológico busca responder a una pregunta fundamental e imperativa para la viabilidad del proyecto: ¿Son los datos recolectados verdaderamente representativos del problema que se intenta resolver?
Herramientas de Auditoría Analítica y Calidad de Datos
Para alcanzar un entendimiento profundo y asegurar la calidad del set de datos, el equipo de Data Science debe someter a las columnas que se convertirán en las variables predictoras del modelo a tres tipos de análisis estadísticos:
Estadísticas Univariadas Básicas: Consiste en calcular de forma individual para cada variable métricas clave como la media, mediana, valores mínimos, máximos y la desviación estándar.
Correlaciones Cruzadas (Pairwise Correlations): Se utilizan para evaluar el grado de relación lineal entre pares de variables. Esto permite identificar variables altamente correlacionadas que resultarían redundantes para el algoritmo, facilitando la decisión de conservar únicamente una de ellas para el modelado.
Análisis de Histogramas: Examinar la distribución visual de las variables ayuda a proyectar qué transformaciones o estrategias de preparación serán necesarias más adelante para optimizar el rendimiento del modelo.
Ejemplo de Consolidación: Si un histograma revela que una variable categórica posee demasiados valores distintos y dispersos como para ser informativa, la distribución visual servirá de guía para decidir cómo agrupar y consolidar metodológicamente dichas categorías.
Desentrañando el Significado de los Datos y Anomalías
El uso combinado de estadísticas univariadas e histogramas es la herramienta principal para diagnosticar problemas de calidad y tomar decisiones de recodificación o descarte. Un reto recurrente en esta fase es la interpretación semántica de las anomalías:
El dilema de los valores faltantes (Missing Values): Cuando se detecta la ausencia de un dato, el científico de datos debe determinar si ese vacío encierra un significado latente. En ocasiones, un valor faltante equivale implícitamente a un “No” o a un “0”; en otras, representa simplemente un desconocimiento absoluto del dato.
Valores engañosos o codificados: Es común encontrar variables numéricas con registros que alteran las métricas tradicionales si no se corrigen. Por ejemplo, una columna destinada a la “Edad” puede contener valores lógicos entre 0 y 100 años, pero incluir también registros con el número 999. En la gobernanza de ciertos sistemas tradicionales, ese “999” funciona como un código para denotar un dato faltante, pero un algoritmo lo procesará como una edad válida y real a menos que el equipo técnico lo identifique y lo corrija a tiempo.
La Naturaleza Iterativa de la Metodología
La fase de comprensión de datos suele desafiar las definiciones teóricas iniciales del proyecto. En el caso de estudio analizado, la métrica de éxito original para definir un ingreso por insuficiencia cardíaca congestiva se basó estrictamente en los pacientes que presentaban dicha condición como su diagnóstico principal.
Sin embargo, al ejecutar la auditoría de los datos, el equipo analítico constató que este criterio inicial no lograba capturar el volumen total de ingresos hospitalarios que la experiencia clínica y médica real estimaba.
Este hallazgo obligó a los científicos de datos a ejecutar un bucle de retroalimentación (loop) hacia la etapa anterior de Recolección de Datos con el fin de extraer también los registros de diagnósticos secundarios y terciarios, construyendo así una definición técnica mucho más robusta, fidedigna y exhaustiva de la patología.
Este comportamiento ejemplifica la esencia interactiva de la metodología de John Rollins: cuanto más se interactúa con el problema y los datos reales, más se aprende sobre el ecosistema del negocio. Este aprendizaje continuo permite refinar progresivamente el diseño del modelo, asegurando en última instancia una solución analítica de mayor calidad y precisión.
6. La Fase de Preparación (Data Preparation)
Tras completar la auditoría y validación de la información en la etapa de comprensión, la metodología avanza hacia la fase que mayor esfuerzo operativo demanda: la Preparación de los Datos. En el ciclo de vida de un proyecto analítico, esta etapa, junto con la recolección y la comprensión, representa la fase más costosa en términos de tiempo, llegando a absorber de manera habitual entre el 70% y el 90% del esfuerzo total del proyecto.
Para ilustrar este proceso, podemos recurrir nuevamente a una analogía culinaria : la preparación de los datos equivale a lavar y cortar vegetales recién cosechados. Al igual que eliminamos la tierra, las imperfecciones y las partes no comestibles antes de cocinar, el científico de datos debe purificar los sets de información eliminando duplicados, corrigiendo valores inválidos y dando el formato exacto requerido por el algoritmo.
Continuando con la analogía, picar una cebolla finamente permite que sus sabores se distribuyan de forma homogénea por toda la salsa, algo que no ocurriría si se arrojara la pieza entera a la olla. Del mismo modo, transformar y moldear las variables facilita de manera drástica el trabajo del algoritmo de Machine Learning. Una vía altamente efectiva para mitigar la enorme carga operativa de esta fase es la automatización de los procesos de limpieza e ingesta directamente dentro de la base de datos, lo que puede reducir el tiempo dedicado a estas tareas hasta en un 50%, permitiendo a los equipos enfocarse en lo que realmente aporta valor: el diseño y optimización de los modelos predictivos.
Conceptos Clave en la Preparación de Datos
Para transformar con éxito el set de datos crudos en una matriz apta para el modelado, se deben dominar tres pilares procedimentales:
Saneamiento del Set de Datos: Consiste en el tratamiento de valores faltantes o nulos, la detección y eliminación de registros duplicados y la corrección de anomalías técnicas identificadas previamente.
Feature Engineering (Ingeniería de Características): Es el proceso de aplicar el conocimiento del dominio de negocio para estructurar y combinar datos crudos en nuevas variables explicativas (denominadas features o características). Estas variables sintéticas actúan como indicadores que simplifican la detección de patrones por parte de los algoritmos de Machine Learning.
Análisis de Texto y Datos No Estructurados: Es una práctica fundamental para asegurar que las agrupaciones y categorizaciones lógicas de las variables de texto sean rigurosas, garantizando que el código de programación no pase por alto información relevante u oculta en los campos alfanuméricos.
Caso de Estudio: Preparación y Modelado para Insuficiencia Cardíaca
Retomando de forma práctica el modelo de clasificación basado en árboles de decisión para la aseguradora médica, la fase de preparación de datos ilustra a la perfección cómo se ejecutan estos conceptos teóricos en un entorno corporativo real:
Delimitación de Conceptos Clínicos y Criterios Médicos
El primer desafío metodológico consistió en definir con precisión matemática qué constituye una “insuficiencia cardíaca congestiva”. Aunque conceptualmente parece una tarea sencilla, desde la perspectiva de los datos no lo es: esta patología implica una acumulación específica de fluidos corporales y representa solo una variante dentro del amplio espectro de fallos cardíacos. Para asegurar la viabilidad del modelo, se requirió asesoramiento clínico experto con el fin de mapear y seleccionar con exactitud el conjunto de códigos de diagnóstico médico (Diagnosis-Related Group codes) correspondientes a esta condición específica.
Definición del Target y Temporalidad de Eventos
El siguiente paso fue estructurar la variable dependiente o target (el objetivo que el modelo debe predecir). Esto exigió analizar detalladamente la secuencia cronológica de los ingresos de cada paciente para diferenciar metodológicamente entre dos tipos de eventos:
Index Admission (Admisión de Referencia): El reingreso inicial u hospitalización base por insuficiencia cardíaca.
Readmission (Readmisión): Cualquier reingreso hospitalario subsiguiente relacionado con la misma patología.
Bajo la guía de expertos del sector salud, se fijó una ventana temporal estricta de 30 días tras el alta médica de la admisión de referencia para contabilizar un evento como una readmisión válida. La variable resultante fue un objetivo de clasificación binaria con dos únicos valores posibles: Sí o No.
Agregación Masiva de Datos Transaccionales (Roll-up)
El reto técnico más complejo de este caso radicaba en la discrepancia de formatos. El algoritmo de árboles de decisión exige estrictamente una estructura tabular de un único registro por paciente. Sin embargo, el historial médico real de los asegurados es de naturaleza transaccional : los sistemas acumulan cientos o miles de filas independientes por persona que detallan visitas al médico, análisis de laboratorio, reclamaciones de seguros (claims), servicios de urgencias, procedimientos quirúrgicos y recetas farmacéuticas.
Para resolver esta asimetría, los científicos de datos procedieron a agregar todo el historial transaccional al nivel de paciente, consolidando miles de filas en una sola línea maestra por individuo. Durante este proceso de agregación y a través de la ingeniería de características (feature engineering), se crearon decenas de variables sintéticas nuevas basadas en la frecuencia y la recencia, tales como:
El número total de visitas realizadas a médicos y clínicas especialistas.
La fecha de la hospitalización más reciente asociada a los diagnósticos analizados.
Indicadores consolidados de la historia clínica general (edad, género, tipo de cobertura de seguro).
El resultado final de esta fase fue una tabla unificada y saneada donde cada fila recopilaba los atributos analíticos de la historia clínica de un paciente único, dejando el set de datos completamente listo para nutrir la fase de Modelado.
¿Procedemos a redactar la siguiente sección del artículo orientada a las fases de Modelado y Evaluación (Modeling & Evaluation), o prefieres profundizar en los criterios matemáticos utilizados para la selección de variables predictoras?
7. La Fase de Modelado (Modeling)
Tras completar la extensa y demandante fase de preparación de datos, la metodología alcanza su núcleo algorítmico: el Modelado. Si las etapas previas se encargaron de asegurar, limpiar y estructurar los ingredientes, esta fase representa el momento exacto en el que el científico de datos “prueba la salsa” para determinar si el sabor es el correcto o si el plato requiere más condimento.
El modelado no es un proceso estático ni de un solo paso; es un pilar intensamente iterativo donde el profesional técnico calibra las matemáticas subyacentes para alinearlas con los objetivos del negocio antes de pasar a cualquier etapa de evaluación formal o despliegue en producción.
Conceptos Fundamentales del Modelado de Datos
El propósito principal del modelado es desarrollar estructuras matemáticas capaces de identificar y aprender patrones complejos dentro de los conjuntos de datos que han sido previamente preparados. Dependiendo de la naturaleza de la pregunta de negocio y del enfoque analítico seleccionado al inicio del proyecto, los modelos se dividen de forma general en dos grandes categorías:
Modelos Descriptivos: Se orientan a responder preguntas sobre relaciones existentes y dinámicas internas de los datos. Por ejemplo: “Si un cliente realiza determinada acción, ¿qué otros comportamientos asociados suele presentar?” o “¿Cómo se agrupan nuestros usuarios según sus hábitos de consumo?” (estructuras habituales en algoritmos de clustering o reglas de asociación).
Modelos Predictivos: Tienen como finalidad anticipar resultados futuros o clasificar entidades basándose en variables históricas. Su objetivo es calcular la probabilidad de que ocurra un evento específico o asignar etiquetas automáticas a nuevas observaciones (como determinar si una transacción es fraudulenta o no).
El entrenamiento de estos modelos se ejecuta sobre un conjunto de datos específico (denominado training set o conjunto de entrenamiento), y su éxito radica en la capacidad del científico de datos para realizar un ajuste fino de sus parámetros internos.
Caso de Estudio: Calibración de Parámetros mediante Árboles de Decisión
Para entender cómo opera el modelado en la práctica, analicemos el desarrollo del modelo de clasificación diseñado para la aseguradora médica, cuyo objetivo era predecir si un paciente con insuficiencia cardíaca congestiva sería reingresado en un plazo de 30 días tras su alta (una variable objetivo binaria: Sí o No).
La construcción de este modelo demostró que el diseño algorítmico requiere un ejercicio constante de experimentación y equilibrio de fuerzas mediante la sintonización de parámetros (parameter tuning):
Intento 1: El Modelo Base (Parámetros por Defecto)
El primer árbol de decisión se construyó utilizando los parámetros estándar del software analítico. Al revisar el rendimiento de este modelo inicial, los científicos de datos identificaron una asimetría crítica y peligrosa:
Precisión en la clasificación del “No” (No reingresa): 95%
Precisión en la clasificación del “Sí” (Sí reingresa): 19%
Aunque un 95% de acierto en los pacientes estables parece sobresaliente a nivel global, el objetivo primordial del negocio era detectar a los pacientes en riesgo de reingreso (el “Sí”) para poder intervenir médicamente a tiempo. Un 19% de precisión hacía que el modelo fuera completamente inútil para los fines asistenciales de la organización.
Intento 2: Ajuste Extremo del Coste de Clasificación Errónea
Para corregir el déficit del primer intento, el equipo modificó un parámetro clave: el coste relativo de clasificación errónea. Se penalizó severamente al algoritmo cada vez que fallara en predecir un “Sí”, estableciendo una relación de coste extrema de 10 a 1 (asumiendo que predecir erróneamente un “No” cuando era un “Sí” era diez veces peor).
Resultado: La precisión del “Sí” aumentó drásticamente al 85%, pero la precisión del “No” se desplomó al 45%.
Este escenario planteó un problema operativo grave. Clasificar erróneamente a tantos pacientes estables como “casos de riesgo” desencadenaría una ola de intervenciones médicas innecesarias, saturando los servicios de salud y generando costes logísticos inviables para la empresa. El algoritmo se había vuelto demasiado sensible.
Intento 3: El Balance Óptimo
Mediante experimentación continua, los científicos de datos recalibraron el parámetro a una relación de coste más moderada y realista de 4 a 1. Este ajuste técnico en el algoritmo permitió alcanzar el mejor equilibrio posible para las dimensiones del training set:
Métrica Estadística
Parámetro Evaluado
Resultado Obtenido
Sensibilidad (Sensitivity)
Precisión exclusiva del “Sí” (Reingresa)
68%
Especificidad (Specificity)
Precisión exclusiva del “No” (Estable)
85%
Precisión Global (Overall Accuracy)
Rendimiento total del modelo
81%
Este tercer modelo proporcionó la estabilidad técnica y la viabilidad comercial exigidas por la organización. Este caso real demuestra que el modelado en Machine Learning no consiste en ejecutar un algoritmo una sola vez esperando un resultado perfecto; es un proceso riguroso de prueba, análisis de métricas y sintonización de parámetros hasta encontrar el punto exacto de equilibrio que responda a la necesidad original del negocio.
8. La Fase de Evaluación (Evaluation)
Una vez que el modelo analítico ha sido calibrado y sintonizado mediante el ajuste de sus parámetros, la metodología avanza hacia un punto de control riguroso: la Evaluación. Esta fase se ejecuta de forma simultánea e iterativa con la construcción del modelo durante la etapa de desarrollo y siempre tiene lugar antes de planificar cualquier despliegue (deployment) en los sistemas de producción.
Si en el modelado el científico de datos “prueba la salsa” para ajustar su sazón, en la evaluación se somete el plato a un panel de críticos para responder a una pregunta imperativa y pragmática: ¿El modelo desarrollado realmente responde a la pregunta inicial o es necesario realizar ajustes adicionales?
Los Dos Pilares de la Evaluación Analítica
Para evaluar la calidad y la viabilidad de una solución de Machine Learning, el equipo técnico debe abordar el diagnóstico desde dos perspectivas complementarias:
Garantía de Rendimiento Técnico: Consiste en aplicar métricas estadísticas rigurosas para certificar que el modelo posee un poder predictivo real y que es capaz de generalizar sus conclusiones al enfrentarse a datos nuevos que no vio durante la fase de entrenamiento.
Validación del Enfoque de Negocio: Un modelo puede ser una obra maestra matemática, pero si no responde a la necesidad u objetivos de la organización, o si sus resultados no son accionables para los interesados (stakeholders), carece de valor práctico. Esta faceta evalúa la relevancia de los insights generados en el contexto del problema real.
Herramientas de Diagnóstico: La Curva ROC
En el diseño de modelos de clasificación binaria —como el desarrollado para clasificar si un paciente reingresará o no—, una de las herramientas estadísticas más potentes para evaluar el rendimiento es la curva ROC (Receiver Operating Characteristic).
La curva ROC es una gráfica diagnóstica que cuantifica el desempeño de un modelo de clasificación al contrastar de forma directa dos métricas fundamentales a medida que varía el umbral de discriminación del algoritmo:
Tasa de Verdaderos Positivos (Sensibilidad): El porcentaje de casos positivos correctamente identificados.
Tasa de Falsos Positivos: El porcentaje de casos negativos que el modelo clasifica erróneamente como positivos.
El área bajo esta curva (conocida como AUC – Area Under the Curve) sirve como un indicador unificado para comparar la calidad de diferentes modelos de un vistazo.
Raíces Históricas de la Curva ROC: Como dato de gran interés educativo para la ciencia de datos, los orígenes de la curva ROC no se encuentran en la informática, sino en el ámbito militar durante la Segunda Guerra Mundial. Fue desarrollada por ingenieros aliados para optimizar la detección de aeronaves enemigas a través de las señales de radar tras el ataque a Pearl Harbor. Su propósito original era encontrar el equilibrio perfecto para configurar los radares: debían ser lo suficientemente sensibles para alertar de un ataque real (Verdadero Positivo), pero no tanto como para confundir una bandada de pájaros con bombardeos enemigos (Falso Positivo). En la actualidad, esta misma lógica matemática se aplica en el Machine Learning y la minería de datos moderna.
Caso de Estudio: Evaluación Comparativa para la Toma de Decisiones
Retomando de forma práctica el proyecto de la aseguradora médica para la insuficiencia cardíaca congestiva, la fase de evaluación consistió en someter los diferentes intentos de modelado a un análisis comparativo utilizando curvas ROC. El objetivo era medir gráficamente la efectividad de cada configuración en la discriminación de los pacientes en riesgo:
Evaluación del Modelo 1 (Parámetros por defecto): La curva ROC reflejó visualmente las deficiencias de este enfoque. Al poseer una precisión del “Sí” de apenas el 19%, la gráfica evidenció un modelo plano e incapaz de resolver el problema de negocio principal.
Evaluación del Modelo 2 (Relación de coste 10 a 1): Aunque este modelo incrementó la sensibilidad, la curva expuso un aumento inaceptable en la tasa de falsos positivos (desplomando la especificidad al 45%), lo que visualmente se tradujo en un rendimiento deficiente para las operaciones de la empresa.
Evaluación del Modelo 3 (Relación de coste 4 a 1): Al trazar la curva ROC de esta versión, el equipo validó matemáticamente que este modelo lograba la mayor distancia óptima frente a la línea de asignación aleatoria. Consiguió un balance ideal con un 68% de sensibilidad y un 85% de especificidad, consolidando una precisión global del 81%.
A través de este diagnóstico visual y estadístico, los científicos de datos demostraron con certeza que el Modelo 3 era la solución más robusta y equilibrada de las opciones desarrolladas. Esta validación técnica cerró con éxito el bloque de diseño, otorgando la confianza necesaria para avanzar hacia la puesta en marcha de la estrategia analítica.
¿Procedemos a redactar las dos fases finales de la metodología, correspondientes al Despliegue (Deployment) y la Retroalimentación (Feedback), o prefieres profundizar en la interpretación matemática del Área Bajo la Curva (AUC)?
9. Fase de Implementación: El Despliegue (Deployment)
Una vez que el modelo ha sido validado estadísticamente y se ha certificado que responde con rigor a la pregunta de negocio original, la metodología avanza hacia la fase que materializa todo el valor del proyecto: el Despliegue.
Desarrollar un modelo de Machine Learning preciso no es el objetivo final de una iniciativa corporativa. El verdadero valor se genera cuando esa solución matemática se pone en práctica, se integra en los sistemas de la organización y se convierte en una herramienta accionable para los usuarios finales.
La Colaboración Multidisciplinar en la Puesta en Producción
El despliegue no es una tarea exclusiva del científico de datos; por el contrario, exige la articulación de un equipo multidisciplinar. En un escenario empresarial, el éxito de esta fase requiere la estrecha colaboración de diversos perfiles especializados:
El Propietario de la Solución (Solution Owner): Garantiza que la implementación cumpla con las expectativas estratégicas y operativas del negocio.
Ingenieros y Desarrolladores de Aplicaciones: Se encargan de encapsular el modelo y conectarlo mediante tuberías de datos o APIs con las interfaces de usuario.
Administradores de TI y DevOps: Aseguran la escalabilidad, seguridad e infraestructura de servidores necesaria para que el modelo funcione de manera óptima en tiempo real o en lotes.
Equipos de Negocio y Marketing: Diseñan las estrategias de comunicación y adopción del nuevo sistema.
El Factor Clave de Adopción: Un modelo puede proporcionar predicciones perfectas, pero si los interesados (stakeholders) no están familiarizados con la herramienta, desconocen cómo interpretar sus salidas o no confían en el sistema, la solución analítica quedará obsoleta. Familiarizar e integrar a los usuarios en el uso de la solución es un requisito indispensable en esta etapa.
Flexibilidad en el Ámbito de Aplicación
Los requisitos de despliegue varían de forma drástica según el canal y el contexto del problema. La metodología de John Rollins contempla que el despliegue puede ser tan directo o complejo como la solución lo requiera:
Despliegue de Alcance Limitado: En escenarios donde los insights van dirigidos exclusivamente a la toma de decisiones ejecutivas, el despliegue puede consistir simplemente en la puesta en marcha del modelo ante un grupo reducido de usuarios clave o la publicación de los resultados en un cuadro de mando corporativo.
Despliegue a Gran Escala: Si el modelo está diseñado para automatizar operaciones de cara al cliente (como un motor de recomendación en un e-commerce o un sistema de detección de fraudes bancarios), la solución requerirá integrarse en canales de producción masivos con alta disponibilidad y procesamiento en tiempo real.
Caso de Estudio: Aplicaciones Interactivas en el Sector Salud
Para ilustrar un despliegue de alta relevancia operativa, analicemos un caso de estudio paralelo aplicado al modelado del riesgo de hospitalización para pacientes con diabetes juvenil. Al igual que el modelo de insuficiencia cardíaca congestiva, este proyecto utilizó un algoritmo de clasificación basado en árboles de decisión como motor predictivo subyacente.
En este escenario, el despliegue definitivo se realizó a través de una aplicación analítica avanzada (desarrollada sobre entornos como IBM Cognos), transformando las salidas matemáticas del árbol de decisión en un entorno visual e interactivo para el personal médico:
Mapas de Riesgo Geográfico: La aplicación integró una interfaz cartográfica que proporcionaba una visión general del riesgo de hospitalización a nivel nacional. Esto permitía a los administradores de salud identificar de un vistazo las regiones o zonas geográficas con mayor vulnerabilidad.
Reportes de Nodos Clínicos: La solución desplegada incluyó un sistema de reportes interactivos estructurado según los nodos específicos derivados del árbol de decisión. De este modo, los médicos y clínicos podían explorar visualmente las combinaciones exactas de condiciones médicas, variables demográficas e historiales clínicos que ponían a un grupo determinado de pacientes en una situación de alto riesgo.
Al estructurar el despliegue mediante dashboards interactivos, el conocimiento derivado de las matemáticas complejas del Machine Learning se transformó en una herramienta intuitiva de soporte a la toma de decisiones médicas, permitiendo diseñar intervenciones preventivas personalizadas y optimizar los recursos hospitalarios.
¿Procedemos a redactar la última sección de la metodología, correspondiente a la fase de Retroalimentación (Feedback), o prefieres detallar las estrategias de integración tecnológica (como APIs y arquitecturas de microservicios) para modelos predictivos?
10. La Retroalimentación (Feedback)
El despliegue de un modelo predictivo en producción no representa, bajo ningún concepto, el desenlace de un proyecto de ciencia de datos. Al contrario, marca el inicio de una fase operativa crucial y continua: la Retroalimentación.
Una vez que la solución analítica se encuentra activa y operando en el mundo real, los flujos de datos generados por la experiencia de los usuarios finales y el rendimiento del propio algoritmo se convierten en el activo más valioso para su evolución. El valor sostenido de cualquier modelo de Machine Learning en el tiempo depende por completo de la capacidad del equipo para recolectar de forma sistemática este feedback y realizar los ajustes técnicos necesarios durante todo el ciclo de vida de la solución.
La Naturaleza Cíclica de la Metodología
La metodología de John Rollins no es un camino lineal de un solo sentido, sino un proceso intrínsecamente cíclico e iterativo. Cada una de las diez etapas estudiadas actúa como el pilar fundamental que define y prepara el escenario para la fase subsiguiente.
Este diseño modular garantiza que el refinamiento sea una constante en el juego analítico. El proceso de retroalimentación se fundamenta en una premisa científica ineludible: cuanto más se conoce sobre el comportamiento real de un fenómeno, más capacidad se tiene para refinar la solución analítica. A medida que el modelo se enfrenta a nuevas condiciones y recopila métricas de uso real, el equipo de ciencia de datos profundiza en el entendimiento del problema de negocio, lo que permite reiniciar el ciclo metodológico con un grado de precisión significativamente mayor.
Caso de Estudio: Refinamiento Evolutivo en Programas de Intervención Médica
Para comprender el impacto del feedback en la práctica, observemos el comportamiento posdespliegue del programa de gestión de salud diseñado para mitigar los reingresos y hospitalizaciones. La puesta en marcha de la aplicación interactiva abrió un canal de retroalimentación que redefinió por completo la estrategia técnica de los científicos de datos, impulsando dos mejoras de gran calado:
1. Incorporación de Datos de Participación Operativa
El uso de la herramienta por parte del personal de salud permitió identificar que los pacientes asignados a grupos de alto riesgo reaccionaban de forma diversa según su nivel de involucramiento en las actividades preventivas. La retroalimentación de los médicos clínicos sugirió que no bastaba con conocer el perfil histórico del paciente; era indispensable registrar si el individuo participaba activamente en el programa de intervención diseñado. Esta nueva variable operativa se integró de inmediato al modelo para afinar su capacidad de discriminación.
2. Reactivación y Absorción de Datos Diferidos (Farmacéuticos)
Si recordamos las etapas iniciales de la metodología (Específicamente en Data Collection), el equipo analítico había tomado la decisión de posponer e interrumpir temporalmente la recolección de los datos farmacéuticos detallados debido a que los sistemas de información de las recetas no estaban integrados y su extracción exigía un coste de desarrollo prohibitivo. El modelo inicial demostró ser lo suficientemente robusto para operar sin ellos.
Sin embargo, tras la fase de despliegue y tras evaluar los resultados prácticos del modelo en producción, el proceso de retroalimentación evidenció que para romper el techo de precisión alcanzado y optimizar las intervenciones clínicas más complejas, valía totalmente la pena realizar la inversión de tiempo, código y esfuerzo tecnológico necesaria para extraer e incorporar ese historial farmacéutico detallado que se había descartado al principio.
El Proceso de Revisión de Intervenciones y Prácticas Clave
El proceso de retroalimentación obliga a los científicos de datos y a los líderes de la organización a implementar una rutina de gobernanza analítica basada en tres mejores prácticas indispensables:
Monitoreo de Métricas en Producción: Definir paneles de control para supervisar el comportamiento del modelo, midiendo si las tasas de falsos positivos y verdaderos positivos se mantienen estables o si sufren degradación (data drift o model degradation) ante los cambios del entorno real.
Evaluación del Impacto de las Acciones: Analizar si las decisiones operativas basadas en las predicciones del modelo (por ejemplo, priorizar la atención de ciertos pacientes) están modificando positivamente los indicadores clave de rendimiento (KPIs) del negocio.
Revisión de Procesos en Base de Datos: Colaborar con ingenieros de datos para asegurar que los nuevos elementos detectados en la fase de retroalimentación se automaticen e integren de forma eficiente en los almacenes de datos (Data Warehouses), cerrando el flujo metodológico con un sistema escalable, dinámico y en constante aprendizaje.
Más Allá de los Algoritmos: El Rol del Storytelling en Ciencia de Datos
Existe una última habilidad, frecuentemente subestimada en las formaciones puramente técnicas, que marca la diferencia entre un modelo archivado en un repositorio y una solución que transforma una organización: el storytelling con datos.
El rol de la narrativa en la vida de un científico de datos o analista no puede exagerarse. Dominar la construcción de historias no es un complemento cosmético; es una competencia crítica para cualquier profesional que necesite convertir métricas abstractas en decisiones estratégicas.
La Psicología Detrás de las Historias y los Datos
La razón por la que el storytelling es tan potente radica en la propia naturaleza humana. Los seres humanos entendemos, procesamos y recordamos el mundo de forma innata a través de historias.
Cuando un equipo técnico presenta un proyecto limitándose a proyectar números y KPIs aislados, es muy probable que la audiencia desconecte. Cualquiera puede mostrar datos en una pantalla, pero si esos datos no están respaldados por una narrativa estructurada y un argumento sólido que justifique la acción, la propuesta difícilmente resonará en la organización.
El Experimento de Stanford: Un estudio emblemático realizado en la Universidad de Stanford analizó el impacto de la comunicación cuantitativa. En el experimento, varios participantes debían realizar presentaciones de negocios (pitches). Algunos basaron sus discursos exclusivamente en estadísticas, gráficos rígidos y KPIs. Otros, en cambio, entrelazaron esos mismos datos numéricos dentro de una historia. Al evaluar el impacto a largo plazo, los resultados fueron contundentes: la audiencia recordaba de forma nítida los datos de aquellos ponentes que habían estructurado su presentación mediante un relato, mientras que los datos aislados de las presentaciones puramente estadísticas se olvidaron casi por completo.
El “Puente” entre el Equipo Técnico y el Negocio
En el ecosistema corporativo actual, el científico de datos actúa como un traductor. Su trabajo consiste en sumergirse en bases de datos relacionales complejas, entrenar algoritmos de Machine Learning y, posteriormente, emerger de ese entorno técnico para explicarle a un comité ejecutivo —que no tiene por qué entender de matemáticas avanzadas o de hiperparámetros— qué significan esos hallazgos.
El storytelling es el vehículo que permite cruzar ese puente. No se trata de simplificar el trabajo u ocultar el rigor estadístico, sino de contextualizar el dato. Una buena narrativa responde de forma clara a tres preguntas clave para los interesados (stakeholders):
¿Qué está pasando? (El hecho respaldado por el dato crudo).
¿Por qué importa? (El impacto financiero, operativo o asistencial de ese hecho).
¿Qué debemos hacer ahora? (La llamada a la acción o decisión estratégica).
Al dominar esta técnica, el profesional de la ciencia de datos no solo demuestra su competencia técnica, sino que dota a la organización de una razón convincente para actuar, garantizando que el ciclo metodológico culmine en un verdadero impacto transformador.
Marcos de Trabajo Alternativos: Introducción a CRISP-DM
Para concluir este recorrido por las metodologías analíticas, es fundamental estudiar el marco de trabajo que sentó los precedentes de la industria y que sigue siendo el estándar más utilizado en el ecosistema corporativo global: CRISP-DM (Cross-Industry Standard Process for Data Mining o Proceso Estándar de la Industria Cruzada para la Minería de Datos).
Si la metodología de John Rollins destaca por su desglose minucioso en 10 etapas secuenciales e iterativas, CRISP-DM ofrece un modelo robusto, probado por la industria, que proporciona un enfoque estructurado y flexible para guiar cualquier esfuerzo de minería de datos y Machine Learning. Comprender la relación y las equivalencias entre ambos marcos teóricos permite a los equipos de ciencia de datos adaptar sus procesos con la máxima agilidad según el alcance del proyecto.
Las 6 Etapas del Modelo CRISP-DM
A diferencia de la estructura de Rollins, el ciclo de vida de un proyecto bajo el estándar CRISP-DM se condensa en seis etapas principales interconectadas. El proceso es marcadamente iterativo, lo que significa que el avance a una fase frecuentemente depende de los hallazgos y validaciones de la etapa anterior:
Business Understanding (Comprensión del negocio): Al igual que en el modelo de Rollins, esta fase inicial se enfoca en entender detalladamente los objetivos, requisitos y restricciones del proyecto desde una perspectiva empresarial, traduciendo dicha necesidad en la definición de un problema técnico de minería de datos.
Data Understanding (Comprensión de los datos): Implica la recolección inicial de los datos, la familiarización con ellos, la identificación de problemas de calidad y la extracción de los primeros insights o subconjuntos ocultos mediante estadísticas descriptivas.
Data Preparation (Preparación de los datos): Comprende todas las tareas necesarias para construir el set de datos final (la matriz de modelado) a partir de los datos en bruto. Incluye la selección de tablas, filas y atributos, la limpieza de registros y la transformación de variables.
Modeling (Modelado): En esta fase se seleccionan y aplican diversas técnicas y algoritmos analíticos (como árboles de decisión, redes neuronales o regresiones) y se calibran sus hiperparámetros para optimizar su rendimiento.
Evaluation (Evaluación): Antes de proceder al despliegue final, se evalúa rigurosamente el modelo construido para asegurar que alcanza los objetivos de negocio preestablecidos. Aquí se determina si existe alguna razón importante por la cual la solución no deba ponerse en marcha.
Deployment (Despliegue): La fase final donde los conocimientos y modelos se integran en la operación diaria de la empresa. Puede ser tan simple como la generación de un reporte o tan compleja como la implementación de un proceso de Machine Learning automatizado en tiempo real.
Puntos de Encuentro y Divergencias Técnicas
Al contrastar la metodología clásica de John Rollins con el estándar CRISP-DM, se hacen evidentes sus paralelismos teóricos, pero también sus sutiles diferencias conceptuales. El análisis comparativo revela cómo ambos modelos distribuyen la carga de trabajo analítico:
Fusión de Etapas de Datos: Lo que en CRISP-DM se denomina simplemente Data Understanding, en la metodología de Rollins se desglosa formalmente en tres pasos independientes y explícitos: Data Requirements (Requisitos), Data Collection (Recolección) y Data Understanding (Comprensión). Esta ramificación de Rollins aporta una guía más granular para las fases tempranas de ingeniería de datos.
El Cierre del Ciclo: La Reunión de Feedback: Una de las diferencias más notables ocurre tras completar la fase de evaluación y puesta en marcha. En la práctica real de CRISP-DM, al finalizar las seis etapas, los científicos de datos convocan una nueva reunión de comprensión del negocio con los interesados (stakeholders) para discutir formalmente los resultados y decidir los siguientes pasos.
Aunque conceptualmente representa lo mismo, en el estándar CRISP-DM esta etapa final de revisión no cuenta con un nombre explícito dentro del diagrama oficial. Por el contrario, el modelo de John Rollins subsana este vacío metodológico nombrando y estructurando de forma directa y rigurosa la fase número diez como la Etapa de Retroalimentación (Feedback Stage).
Independientemente de si un equipo elige la granularidad de las 10 etapas de Rollins o la estructura consolidada de las 6 fases de CRISP-DM, el factor crítico de éxito radica en respetar la naturaleza cíclica del proceso. Las etapas continúan repitiéndose de forma sistemática hasta que la gerencia, los especialistas del dominio y los científicos de datos acuerden unánimemente que los modelos proporcionan las respuestas precisas para resolver los problemas de la organización y alcanzar sus metas estratégicas.
