Conceptos básicos de aprendizaje automático

10 ejemplos para empezar con ML Clásico: 7 básicos y 3 intermedios.

Prerrequisitos

uv venv && source .venv/bin/activate
uv pip install "pandas>=2.2" "scikit-learn>=1.5" "numpy>=2.0"

• Python 3.14.0 con un entorno virtual aislado.
• pandas 2.2+ para datos tabulares; scikit-learn para algoritmos y canalizaciones de ML clásico.

Ejemplos básicos

1. Cargar datos en un DataFrame

Comience cada proyecto inspeccionando la forma (shape), los tipos de datos (dtypes) y los valores faltantes.

import pandas as pd
from sklearn.datasets import load_iris
 
iris = load_iris(as_frame=True)
df = iris.frame.assign(species=iris.target_names[iris.target])
print(df.shape, df.dtypes)
print(df.isna().sum())

• as_frame=True devuelve un DataFrame de pandas directamente desde los conjuntos de datos de sklearn.
• Compruebe df.info() y df.describe() antes de modelar.
• Registre la versión del conjunto de datos o la URL de origen para la reproducibilidad.

Relacionado: Conjuntos de datos y divisiones - divisiones de entrenamiento/prueba/validación

2. Separar características y objetivo

Defina X (entradas) y y (etiqueta) explícitamente.

X = df.drop(columns=["species"])
y = df["species"]
feature_names = list(X.columns)

• Las características deben excluir la columna objetivo y cualquier columna posterior al resultado.
• Mantenga los nombres de las características como una lista para su posterior inspección y explicabilidad.
• Los objetivos categóricos pueden permanecer como cadenas hasta que se ajuste un codificador.

Relacionado: Ingeniería de características - codificación y escalado

3. División entrenamiento/prueba

Retenga datos no vistos antes de ajustar nada.

from sklearn.model_selection import train_test_split
 
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

• stratify=y preserva las proporciones de clases en tareas de clasificación.
• Ajuste los preprocesadores y modelos solo en X_train, nunca en el conjunto de datos completo.
• El conjunto de prueba se toca una vez al final para obtener una puntuación imparcial.

Relacionado: Conjuntos de datos y divisiones - validación cruzada

4. Ajustar un clasificador de referencia

Establezca un punto de referencia simple antes de ajustar modelos complejos.

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
 
clf = LogisticRegression(max_iter=1000, random_state=42)
clf.fit(X_train, y_train)
preds = clf.predict(X_test)
print("accuracy:", accuracy_score(y_test, preds))

• La regresión logística es una sólida referencia lineal para la clasificación tabular.
• Compare cada nuevo modelo con esta puntuación de referencia.
• max_iter=1000 evita advertencias de convergencia en algunos conjuntos de datos.

Relacionado: Aprendizaje supervisado - opciones de algoritmos

5. Escalar características numéricas

Muchos algoritmos esperan entradas escaladas de manera similar.

from sklearn.preprocessing import StandardScaler
 
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)  # ajustar solo en entrenamiento

• fit aprende la media y la desviación estándar de los datos de entrenamiento; transform las aplica.
• Nunca llame a fit_transform en el conjunto de prueba, eso filtra las estadísticas.
• Envuelva el escalado en una Pipeline para evitar errores manuales.

Relacionado: Ingeniería de características - ColumnTransformer

6. Construir una canalización (Pipeline) sin fugas de información

Encadene el preprocesamiento y el modelo en un único objeto estimable.

from sklearn.pipeline import Pipeline
 
pipe = Pipeline([
    ("scaler", StandardScaler()),
    ("clf", LogisticRegression(max_iter=1000, random_state=42)),
])
pipe.fit(X_train, y_train)
print("pipeline accuracy:", accuracy_score(y_test, pipe.predict(X_test)))

• Una Pipeline asegura que los datos de prueba nunca influyan en las estadísticas de preprocesamiento.
• pipe.predict(X_test) realiza el escalado y luego la clasificación en una sola llamada.
• Serialice toda la canalización para su implementación, no solo el modelo.

Relacionado: Pipelines - composición de pasos

7. Validación cruzada para puntuaciones estables

Las divisiones únicas de entrenamiento/prueba pueden ser ruidosas; la CV promedia múltiples pliegues (folds).

from sklearn.model_selection import cross_val_score
 
scores = cross_val_score(pipe, X_train, y_train, cv=5, scoring="accuracy")
print(f"CV mean: {scores.mean():.3f} +/- {scores.std():.3f}")

• La validación cruzada se ejecuta solo en los datos de entrenamiento; el conjunto de prueba permanece bloqueado.
• Informe la media y la desviación estándar, no solo el mejor pliegue.
• Utilice scoring apropiado para el problema (F1, ROC-AUC, etc.).

Relacionado: Evaluación de modelos - métricas y curvas

Ejemplos intermedios

8. Codificar características categóricas

Las columnas numéricas y categóricas mixtas necesitan transformaciones específicas.

from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
 
num_cols = ["sepal length (cm)", "sepal width (cm)"]
cat_cols = ["petal length (cm)"]  # ejemplo: tratar una columna como categórica
 
preprocessor = ColumnTransformer([
    ("num", StandardScaler(), num_cols),
    ("cat", OneHotEncoder(handle_unknown="ignore"), cat_cols),
])

• ColumnTransformer aplica diferentes transformaciones a diferentes grupos de columnas.
• handle_unknown="ignore" evita errores en categorías no vistas durante la inferencia.
• Ajuste el preprocesador dentro de una canalización, nunca en el conjunto de datos completo de antemano.

Relacionado: Ingeniería de características - patrones completos de codificación

9. Ajustar hiperparámetros con búsqueda en cuadrícula (Grid Search)

Busque combinaciones de parámetros dentro de la validación cruzada.

from sklearn.model_selection import GridSearchCV
 
param_grid = {"clf__C": [0.1, 1.0, 10.0]}
search = GridSearchCV(pipe, param_grid, cv=5, scoring="accuracy")
search.fit(X_train, y_train)
print("best params:", search.best_params_)
print("test accuracy:", accuracy_score(y_test, search.predict(X_test)))

• Prefije los parámetros del paso de la canalización con el nombre del paso (clf__C).
• GridSearchCV selecciona los mejores parámetros mediante la puntuación CV en los datos de entrenamiento.
• Evalúe al ganador una vez en el conjunto de prueba retenido.

Relacionado: Ajuste de hiperparámetros - Optuna y búsqueda aleatoria

10. Guardar y cargar una canalización entrenada

Persista el artefacto completo para una inferencia reproducible.

import joblib
 
joblib.dump(pipe, "iris_pipeline.joblib")
loaded = joblib.load("iris_pipeline.joblib")
print(loaded.predict(X_test[:3]))

• Guarde toda la canalización para que el preprocesamiento viaje con el modelo.
• Versionar el artefacto junto con el hash de los datos de entrenamiento y la semilla aleatoria.
• Cargue y prediga con los mismos nombres de columna de pandas utilizados durante el entrenamiento.

Relacionado: Pipelines - serialización e implementación

Versiones de la pila: Esta página se escribió para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+ y uv 0.6+.