supervisado

En el aprendizaje automático, el aprendizaje supervisado es un enfoque en el que un modelo se entrena con datos etiquetados, es decir, pares de entrada y salida deseada. El objetivo es aprender una función que asigna a cada entrada la etiqueta o el valor correspondientes, de modo que pueda generalizar a casos nuevos.

Se divide principalmente en dos tareas: clasificación y regresión. En clasificación, la salida es una etiqueta discreta; en regresión, la salida es un valor numérico continuo. Los datos deben ser representativos de la tarea y estar correctamente etiquetados para que el modelo generalice bien.

El proceso típico incluye dividir el conjunto de datos en entrenamiento, validación y prueba, entrenar el modelo con el conjunto de entrenamiento, ajustar hiperparámetros con la validación y evaluar el rendimiento en la prueba. Se utilizan métricas como precisión, recall y F1 para clasificación, y RMSE o MAE para regresión. También se emplean técnicas como la validación cruzada y la regularización para evitar el sobreajuste.

Entre los algoritmos comunes se encuentran la regresión lineal y logística, los árboles de decisión y bosques aleatorios, máquinas de vectores de soporte, redes neuronales y métodos de k-vecinos más cercanos. El marco abarca desde modelos simples hasta enfoques más complejos, incluidos los modelos de aprendizaje profundo.

Ventajas y limitaciones: requiere conjuntos de datos etiquetados grandes y representativos; puede generalizar bien cuando hay buena calidad de datos y sesgos controlados. Sin embargo, puede ser sensible a ruidos, desbalanceo de clases y deriva de datos, y su rendimiento puede disminuir ante cambios en la distribución.

Aplicaciones: reconocimiento de imágenes, procesamiento de lenguaje natural, predicción de series temporales, diagnóstico médico y finanzas, entre otros.