Aprendizaje supervisado:
clasificación.
Un modelo aprende de mensajes etiquetados y decide entre dos categorías: «spam» y «no spam».
Predecir una categoría
Aprendizaje automático → aprendizaje supervisado → clasificación binaria. Al entrenar conocemos la etiqueta correcta de cada mensaje. A diferencia de la regresión, que estima una cantidad, aquí la salida final es una categoría.
Para verlo con claridad usamos un único dato: el número de términos promocionales de un mensaje, como «oferta», «premio» o «gratis». Los datos y las etiquetas son ficticios. Un filtro real de spam necesitaría muchas más señales.
El número de palabras es la entrada; la etiqueta es la respuesta
MENSAJE
MODELO LOGÍSTICO
PROBABILIDAD
0 = no spam · 1 = spam
La etiqueta correcta sirve para ajustar el modelo durante el entrenamiento. No se introduce como dato de entrada al predecir un mensaje nuevo.
Predice, compara, mide y ajusta
Predice
Compara
Mide
Ajusta
Una curva de probabilidad, dos categorías
Los puntos representan etiquetas conocidas: «no spam» abajo y «spam» arriba. La curva muestra la probabilidad estimada de spam. Para decidir una categoría usamos aquí un umbral del 50 %: si p(spam) ≥ 50 %, predecimos «spam».
¿Encajan las probabilidades con las etiquetas?
Usamos entropía cruzada binaria: penaliza predecir con mucha confianza la etiqueta incorrecta. No es un porcentaje de errores ni el MSE de la regresión.
Los aciertos se calculan con el umbral del 50 %. La pérdida puede bajar aunque el número de aciertos no cambie.
De una puntuación a una probabilidad
La sigmoide transforma la puntuación en un valor entre 0 y 1. Este modelo se llama regresión logística, pero aquí realiza una tarea de clasificación.
Comprueba qué acierta y qué falla
Estos resultados pertenecen a los mismos ejemplos usados para entrenar. Incluimos etiquetas solapadas: contar palabras no permite distinguir todos los mensajes.
| Términos (x) | Etiqueta real | p(spam) | Predicción (50 %) | Resultado |
|---|
La animación realiza 20 ajustes por descenso de gradiente. Para evaluar si funciona en mensajes nuevos habría que usar datos separados, no empleados al entrenar.
Ahora no conocemos su etiqueta
Introduce el número de términos promocionales que has contado. Este ejemplo usa ese número; no analiza el texto de un correo.
Los valores de entrenamiento van de 0 a 10 términos. El mensaje es un caso nuevo aunque pueda tener el mismo número de términos que otro.
La probabilidad no es todavía una etiqueta
Si p(spam) alcanza el umbral, la salida es «spam»; si no, «no spam». Cambiar el umbral cambia la decisión, pero no la probabilidad ni los parámetros aprendidos.
Es una estimación del modelo, no la etiqueta real. Una probabilidad alta tampoco garantiza que la decisión sea correcta.
¿Qué es la clasificación en aprendizaje automático?
La clasificación asigna una entrada a una categoría. En este ejemplo, una regresión logística estima la probabilidad de spam a partir del número de términos promocionales y compara esa probabilidad con un umbral para decidir entre spam y no spam.
Cómo se utiliza en este recurso
La simulación usa once mensajes ficticios y veinte ajustes. El entrenamiento reduce la pérdida logística. Cambiar el umbral modifica la decisión, pero no vuelve a entrenar el modelo ni cambia su probabilidad estimada.
Alcance y límites
El número de términos es una sola característica y hay etiquetas solapadas. Los aciertos mostrados pertenecen a los datos de entrenamiento; no son una evaluación de un filtro de correo real.
Preguntas frecuentes
¿Por qué se llama regresión logística si clasifica?
Su función logística estima una probabilidad. Al aplicar un umbral a esa probabilidad se obtiene la categoría.
¿Qué pasa al subir el umbral?
Se exige una probabilidad mayor para marcar spam. Puede reducir algunas alertas, pero también dejar pasar mensajes que antes se señalaban.