Capítulo 3: Sistemas de Clasificación Binaria

El Siguiente Paso: Regresión Logística y SVM

Con la predicción de insumos funcionando, Víctor y el equipo atacan las inasistencias; Alma los guía con regresión logística y SVM para convertir el sí/no en mejores agendas.

Este capítulo introduce la clasificación binaria: convertir señales en una decisión sí/no, evaluar bien el rendimiento y controlar el sobreajuste mediante regularización.

A lo largo de las siguientes secciones interactivas, explorarás:

• 3.1 - Juego de Clasificación SVM: Aprende sobre las Máquinas de Vectores de Soporte, uno de los algoritmos de clasificación más potentes. Encuentra el límite de decisión óptimo que separa dos clases maximizando el margen.

• 3.1 - El Traductor de Probabilidades: Descubrirás la regresión logística, el motor del nuevo modelo del equipo. Verás cómo transforma señales de entrada en una probabilidad.

• 3.3 - El clasificador: Aprenderás a encontrar la frontera de clasificación óptima ajustando los diferentes parámetros del modelo. Experimentarás con el umbral de decisión y cómo afecta a las predicciones.

• 3.3 - El Gestor de Riesgos: Te pondrás en la piel de un gestor y ajustarás el umbral de decisión del modelo. Experimentarás el equilibrio crítico entre el coste de los falsos positivos y los falsos negativos.

• 3.3 - El Domador de Complejidad: Lucharás contra el sobreajuste (overfitting). Ajustarás la complejidad y la regularización para crear un modelo que aprenda patrones reales sin memorizar el ruido, asegurando que funcione bien en casos futuros.

• 3.3 - Comparación de Regularización: Descubrirás las diferencias entre L1 (Lasso), L2 (Ridge) y Elastic Net. Verás en tiempo real cómo cada tipo de regularización afecta los pesos del modelo y la selección de características, ayudándote a elegir la mejor estrategia según el problema.

• 3.5 - El Validador Honesto: Entenderás por qué una simple prueba no es suficiente. Compararás la validación simple con la validación cruzada (K-Fold), el método que el equipo elige para obtener una medida de error estable y fiable.

• 3.5 - Curvas ROC y AUC: Explorarás los trade-offs entre las tasas de verdaderos positivos y falsos positivos. Aprenderás a interpretar las curvas ROC y calcular el AUC para evaluar el rendimiento del modelo en diferentes umbrales.

Prepárate para profundizar en el arte de la clasificación y la evaluación, dos pilares fundamentales para cualquier aplicación de inteligencia artificial en el mundo real.

Pseudocódigo de Algoritmos

• 📝 Pseudocódigo de Regresión Logística: Pseudocódigo completo para regresión logística binaria y multiclase con entrenamiento por descenso del gradiente.

Bibliografía y recursos complementarios

• 📚 Regresión logística y traductores de probabilidad: Fundamentos, guías prácticas e interpretabilidad para El Traductor de Probabilidades.
• 📚 Umbrales de clasificación, validación y regularización: Métricas, estrategias de validación y control de complejidad que respaldan las demos del Gestor de Riesgos, Validador Honesto y Domador de la Complejidad.