Aprendizaje Supervisado

El aprendizaje supervisado mapea características de entrada a etiquetas conocidas. La regresión predice valores continuos; la clasificación asigna categorías discretas. sklearn proporciona una API coherente entre algoritmos.

Receta

Tarjeta de referencia rápida - lista para copiar y pegar.

from sklearn.linear_model import Ridge, LogisticRegression
from sklearn.ensemble import RandomForestClassifier, GradientBoostingRegressor
 
# Clasificación
clf = LogisticRegression(max_iter=1000)
clf.fit(X_train, y_train)
 
# Regresión
reg = Ridge(alpha=1.0)
reg.fit(X_train, y_train)

Cuándo usar esto:

Predicción de un resultado numérico (precio, demanda, latencia) - regresión.
Asignación de categorías (abandono, fraude, sentimiento) - clasificación.
Datos tabulares con ejemplos de entrenamiento etiquetados.
Modelado de línea base antes de la optimización de deep learning o gradient boosting.

Ejemplo de Trabajo

"""supervised_learning.py - regresión y clasificación con sklearn."""
from __future__ import annotations
 
import pandas as pd
from sklearn.datasets import fetch_california_housing, load_breast_cancer
from sklearn.ensemble import RandomForestClassifier, RandomForestRegressor
from sklearn.linear_model import LogisticRegression, Ridge
from sklearn.metrics import mean_absolute_error, roc_auc_score
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
 
# --- Clasificación ---
cancer = load_breast_cancer(as_frame=True)
Xc, yc = cancer.data, cancer.target
Xc_train, Xc_test, yc_train, yc_test = train_test_split(Xc, yc, test_size=0.2, random_state=42)
 
clf_pipe = Pipeline([
    ("scale", StandardScaler()),
    ("clf", LogisticRegression(max_iter=1000, random_state=42)),
])
clf_pipe.fit(Xc_train, yc_train)
proba = clf_pipe.predict_proba(Xc_test)[:, 1]
print("AUC de clasificación:", roc_auc_score(yc_test, proba))
 
# --- Regresión ---
housing = fetch_california_housing(as_frame=True)
Xr, yr = housing.data, housing.target
Xr_train, Xr_test, yr_train, yr_test = train_test_split(Xr, yr, test_size=0.2, random_state=42)
 
reg = RandomForestRegressor(n_estimators=200, random_state=42, n_jobs=-1)
reg.fit(Xr_train, yr_train)
print("MAE de regresión:", mean_absolute_error(yr_test, reg.predict(Xr_test)))

Lo que esto demuestra:

Misma API fit/predict para regresión y clasificación.
Escalado antes de la regresión logística; los modelos de árbol omiten el escalado.
Salidas de probabilidad para métricas de clasificación de ranking.
MAE como métrica de regresión interpretable (dólares, unidades).

Inmersión Profunda

Cómo Funciona

Entrenamiento minimiza una función de pérdida sobre ejemplos etiquetados (pérdida logarítmica, MSE, pérdida de bisagra).
Los modelos lineales aprenden sumas ponderadas de características; rápidos e interpretables.
Los conjuntos de árboles particionan el espacio de características con divisiones alineadas con los ejes; capturan interacciones no lineales.
La regularización (L1/L2) penaliza los pesos grandes para reducir el sobreajuste.
La complejidad del límite de decisión crece con la capacidad del modelo: equilibra con métricas de validación.

Selección de Algoritmos

Problema	Empieza Con	Mejora a
Clasificación binaria	LogisticRegression	RandomForest, XGBoost
Multiclase	LogisticRegression (multinomial)	RandomForestClassifier
Regresión (lineal-ish)	Ridge	GradientBoostingRegressor
Regresión (no lineal)	RandomForestRegressor	LightGBM
Datos pequeños, interpretabilidad	Modelos lineales	-
Datos tabulares grandes, precisión	Gradient boosting	-

Notas de Python

from sklearn.svm import SVC
from sklearn.neighbors import KNeighborsClassifier
 
# SVM: potente con características escaladas, más lento en datos grandes
svm = Pipeline([("scale", StandardScaler()), ("clf", SVC(probability=True))])
 
# k-NN: aprendiz perezoso, sensible a la escala y dimensionalidad
knn = Pipeline([("scale", StandardScaler()), ("clf", KNeighborsClassifier(n_neighbors=5))])

Trampas

Usar métricas de clasificación para regresión - la precisión en objetivos continuos no tiene sentido. Solución: MAE, RMSE, R-cuadrado para regresión.
No escalar para SVM/k-NN/regresión logística - los métodos de distancia y gradiente fallan en características no escaladas. Solución: StandardScaler en un pipeline.
Ignorar el desequilibrio de clases - la precisión parece buena mientras el modelo predice la clase mayoritaria. Solución: F1, ROC-AUC o remuestreo.
Sobreajuste con árboles profundos - max_depth=None memoriza ruido en datos pequeños. Solución: limitar la profundidad, aumentar min_samples_leaf, usar CV.
Multicolinealidad en regresión lineal - coeficientes inestables con características correlacionadas. Solución: regresión Ridge o selección de características.
Predecir sin predict_proba - algunos modelos necesitan probability=True (SVC) para salidas de probabilidad. Solución: verificar el soporte del estimador antes de usar proba.

Alternativas

Alternativa	Usar Cuando	No Usar Cuando
Modelos lineales	Interpretabilidad, línea base rápida	Interacciones no lineales complejas dominan
Random Forest	Predeterminado robusto, poca optimización	Necesita máxima precisión en datos tabulares grandes
Gradient boosting	Mejor precisión tabular	Necesita iteración de entrenamiento rápida o interpretabilidad
Deep learning	Imágenes, texto, secuencias	Datos tabulares pequeños con <10k filas

Preguntas Frecuentes

¿Cuál es la diferencia entre regresión y clasificación?

La regresión produce valores continuos (precio = 249.99).
La clasificación produce etiquetas discretas (spam = sí/no).
La clasificación multiclase tiene 3+ categorías.

¿Cuándo debería usar regresión logística?

Sólida línea base lineal para clasificación.
Coeficientes interpretables para revisión de partes interesadas.
Entrenamiento rápido en características de texto dispersas de alta dimensión.

¿Qué hace el parámetro alpha de regularización en Ridge?

Un alpha más alto encoge los coeficientes hacia cero, reduciendo el sobreajuste.
alpha=0 es mínimos cuadrados ordinarios.
Optimizar con validación cruzada (RidgeCV).

¿Cómo manejan los modelos de árbol los valores faltantes?

RandomForest de sklearn no maneja NaN de forma nativa - imputar primero.
XGBoost y LightGBM aprenden direcciones óptimas para valores faltantes.
Imputar dentro de un pipeline para árboles de sklearn.

¿Qué es la compensación sesgo-varianza?

Los modelos simples subajustan (alto sesgo); los modelos complejos sobreajustan (alta varianza).
Las métricas de validación revelan el punto óptimo.
La regularización y los ensambles reducen la varianza.

¿Puedo usar el mismo pipeline para entrenamiento y producción?

Sí - joblib.dump el pipeline ajustado.
Producción llama a pipe.predict(new_row) con los mismos nombres de columna.

¿Cómo manejo la clasificación multiclase?

LogisticRegression(multi_class="multinomial", max_iter=1000)
# o
RandomForestClassifier()  # maneja multiclase de forma nativa

Usar F1 con average="macro" cuando las clases están desequilibradas.

¿Cuál es un buen primer modelo para un nuevo conjunto de datos?

Regresión logística o Ridge para líneas base.
RandomForest para una verificación no lineal sin optimización intensiva.
Comparar ambos antes de invertir en gradient boosting.

¿Cómo interpreto la importancia de las características?

for name, imp in zip(feature_names, reg.feature_importances_):
    print(f"{name}: {imp:.3f}")

Los modelos de árbol exponen feature_importances_.
Los modelos lineales usan la magnitud de los coeficientes (después del escalado).

¿Siempre debo usar métodos de ensamblaje?

Los ensambles ganan en datos tabulares tipo Kaggle.
Los modelos lineales ganan cuando la interpretabilidad y la velocidad son importantes.
Empieza simple, mejora cuando la validación justifique la complejidad.

¿Cómo maneja sklearn las etiquetas de cadena?

La mayoría de los clasificadores aceptan etiquetas y de cadena directamente.
Codificadas internamente; las predicciones devuelven el tipo de etiqueta original.

¿Cuándo necesito características polinómicas?

Cuando los modelos lineales subajustan pero las relaciones son suaves.
Aumenta el recuento de características rápidamente - emparejar con regularización.
Los modelos de árbol generalmente hacen que los polinomios sean innecesarios.

Relacionados

Evaluación de Modelos - elegir las métricas correctas
Ingeniería de Características - preprocesamiento por algoritmo
Gradient Boosting - XGBoost y LightGBM
Optimización de Hiperparámetros - optimizar parámetros del modelo
Datos Desequilibrados - peso de clase y remuestreo

Versiones de la pila: Esta página fue escrita 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+.

Aprendizaje Supervisado

Receta

Tarjeta de referencia rápida - lista para copiar y pegar.

from sklearn.linear_model import Ridge, LogisticRegression
from sklearn.ensemble import RandomForestClassifier, GradientBoostingRegressor
 
# Clasificación
clf = LogisticRegression(max_iter=1000)
clf.fit(X_train, y_train)
 
# Regresión
reg = Ridge(alpha=1.0)
reg.fit(X_train, y_train)

Cuándo usar esto:

Predicción de un resultado numérico (precio, demanda, latencia) - regresión.
Asignación de categorías (abandono, fraude, sentimiento) - clasificación.
Datos tabulares con ejemplos de entrenamiento etiquetados.
Modelado de línea base antes de la optimización de deep learning o gradient boosting.

Ejemplo de Trabajo

"""supervised_learning.py - regresión y clasificación con sklearn."""
from __future__ import annotations
 
import pandas as pd
from sklearn.datasets import fetch_california_housing, load_breast_cancer
from sklearn.ensemble import RandomForestClassifier, RandomForestRegressor
from sklearn.linear_model import LogisticRegression, Ridge
from sklearn.metrics import mean_absolute_error, roc_auc_score
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
 
# --- Clasificación ---
cancer = load_breast_cancer(as_frame=True)
Xc, yc = cancer.data, cancer.target
Xc_train, Xc_test, yc_train, yc_test = train_test_split(Xc, yc, test_size=0.2, random_state=42)
 
clf_pipe = Pipeline([
    ("scale", StandardScaler()),
    ("clf", LogisticRegression(max_iter=1000, random_state=42)),
])
clf_pipe.fit(Xc_train, yc_train)
proba = clf_pipe.predict_proba(Xc_test)[:, 1]
print("AUC de clasificación:", roc_auc_score(yc_test, proba))
 
# --- Regresión ---
housing = fetch_california_housing(as_frame=True)
Xr, yr = housing.data, housing.target
Xr_train, Xr_test, yr_train, yr_test = train_test_split(Xr, yr, test_size=0.2, random_state=42)
 
reg = RandomForestRegressor(n_estimators=200, random_state=42, n_jobs=-1)
reg.fit(Xr_train, yr_train)
print("MAE de regresión:", mean_absolute_error(yr_test, reg.predict(Xr_test)))

Lo que esto demuestra:

Misma API fit/predict para regresión y clasificación.
Escalado antes de la regresión logística; los modelos de árbol omiten el escalado.
Salidas de probabilidad para métricas de clasificación de ranking.
MAE como métrica de regresión interpretable (dólares, unidades).

Inmersión Profunda

Cómo Funciona

Entrenamiento minimiza una función de pérdida sobre ejemplos etiquetados (pérdida logarítmica, MSE, pérdida de bisagra).
Los modelos lineales aprenden sumas ponderadas de características; rápidos e interpretables.
Los conjuntos de árboles particionan el espacio de características con divisiones alineadas con los ejes; capturan interacciones no lineales.
La regularización (L1/L2) penaliza los pesos grandes para reducir el sobreajuste.
La complejidad del límite de decisión crece con la capacidad del modelo: equilibra con métricas de validación.

Selección de Algoritmos

Problema	Empieza Con	Mejora a
Clasificación binaria	LogisticRegression	RandomForest, XGBoost
Multiclase	LogisticRegression (multinomial)	RandomForestClassifier
Regresión (lineal-ish)	Ridge	GradientBoostingRegressor
Regresión (no lineal)	RandomForestRegressor	LightGBM
Datos pequeños, interpretabilidad	Modelos lineales	-
Datos tabulares grandes, precisión	Gradient boosting	-

Notas de Python

from sklearn.svm import SVC
from sklearn.neighbors import KNeighborsClassifier
 
# SVM: potente con características escaladas, más lento en datos grandes
svm = Pipeline([("scale", StandardScaler()), ("clf", SVC(probability=True))])
 
# k-NN: aprendiz perezoso, sensible a la escala y dimensionalidad
knn = Pipeline([("scale", StandardScaler()), ("clf", KNeighborsClassifier(n_neighbors=5))])

Trampas

Usar métricas de clasificación para regresión - la precisión en objetivos continuos no tiene sentido. Solución: MAE, RMSE, R-cuadrado para regresión.
No escalar para SVM/k-NN/regresión logística - los métodos de distancia y gradiente fallan en características no escaladas. Solución: StandardScaler en un pipeline.
Ignorar el desequilibrio de clases - la precisión parece buena mientras el modelo predice la clase mayoritaria. Solución: F1, ROC-AUC o remuestreo.
Sobreajuste con árboles profundos - max_depth=None memoriza ruido en datos pequeños. Solución: limitar la profundidad, aumentar min_samples_leaf, usar CV.
Multicolinealidad en regresión lineal - coeficientes inestables con características correlacionadas. Solución: regresión Ridge o selección de características.
Predecir sin predict_proba - algunos modelos necesitan probability=True (SVC) para salidas de probabilidad. Solución: verificar el soporte del estimador antes de usar proba.

Alternativas

Alternativa	Usar Cuando	No Usar Cuando
Modelos lineales	Interpretabilidad, línea base rápida	Interacciones no lineales complejas dominan
Random Forest	Predeterminado robusto, poca optimización	Necesita máxima precisión en datos tabulares grandes
Gradient boosting	Mejor precisión tabular	Necesita iteración de entrenamiento rápida o interpretabilidad
Deep learning	Imágenes, texto, secuencias	Datos tabulares pequeños con <10k filas

Preguntas Frecuentes

¿Cuál es la diferencia entre regresión y clasificación?

La regresión produce valores continuos (precio = 249.99).
La clasificación produce etiquetas discretas (spam = sí/no).
La clasificación multiclase tiene 3+ categorías.

¿Cuándo debería usar regresión logística?

Sólida línea base lineal para clasificación.
Coeficientes interpretables para revisión de partes interesadas.
Entrenamiento rápido en características de texto dispersas de alta dimensión.

¿Qué hace el parámetro alpha de regularización en Ridge?

Un alpha más alto encoge los coeficientes hacia cero, reduciendo el sobreajuste.
alpha=0 es mínimos cuadrados ordinarios.
Optimizar con validación cruzada (RidgeCV).

¿Cómo manejan los modelos de árbol los valores faltantes?

RandomForest de sklearn no maneja NaN de forma nativa - imputar primero.
XGBoost y LightGBM aprenden direcciones óptimas para valores faltantes.
Imputar dentro de un pipeline para árboles de sklearn.

¿Qué es la compensación sesgo-varianza?

Los modelos simples subajustan (alto sesgo); los modelos complejos sobreajustan (alta varianza).
Las métricas de validación revelan el punto óptimo.
La regularización y los ensambles reducen la varianza.

¿Puedo usar el mismo pipeline para entrenamiento y producción?

Sí - joblib.dump el pipeline ajustado.
Producción llama a pipe.predict(new_row) con los mismos nombres de columna.

¿Cómo manejo la clasificación multiclase?

LogisticRegression(multi_class="multinomial", max_iter=1000)
# o
RandomForestClassifier()  # maneja multiclase de forma nativa

Usar F1 con average="macro" cuando las clases están desequilibradas.

¿Cuál es un buen primer modelo para un nuevo conjunto de datos?

Regresión logística o Ridge para líneas base.
RandomForest para una verificación no lineal sin optimización intensiva.
Comparar ambos antes de invertir en gradient boosting.

¿Cómo interpreto la importancia de las características?

for name, imp in zip(feature_names, reg.feature_importances_):
    print(f"{name}: {imp:.3f}")

Los modelos de árbol exponen feature_importances_.
Los modelos lineales usan la magnitud de los coeficientes (después del escalado).

¿Siempre debo usar métodos de ensamblaje?

Los ensambles ganan en datos tabulares tipo Kaggle.
Los modelos lineales ganan cuando la interpretabilidad y la velocidad son importantes.
Empieza simple, mejora cuando la validación justifique la complejidad.

¿Cómo maneja sklearn las etiquetas de cadena?

La mayoría de los clasificadores aceptan etiquetas y de cadena directamente.
Codificadas internamente; las predicciones devuelven el tipo de etiqueta original.

¿Cuándo necesito características polinómicas?

Cuando los modelos lineales subajustan pero las relaciones son suaves.
Aumenta el recuento de características rápidamente - emparejar con regularización.
Los modelos de árbol generalmente hacen que los polinomios sean innecesarios.

Relacionados

Evaluación de Modelos - elegir las métricas correctas
Ingeniería de Características - preprocesamiento por algoritmo
Gradient Boosting - XGBoost y LightGBM
Optimización de Hiperparámetros - optimizar parámetros del modelo
Datos Desequilibrados - peso de clase y remuestreo

Versiones de la pila: Esta página fue escrita 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+.

Aprendizaje Supervisado

Buscar en la documentación

Aprendizaje Supervisado