Aprendizaje automático a partir de datos: más muestras, más precisión
InformáticaDatos, IA y aprendizaje automáticoEdades 16–17
Úsala con tu clase: tus estudiantes la abren con un enlace o un código QR, sin crear una cuenta.
Sigue con Datos, IA y aprendizaje automático
Un clasificador sencillo aprende de muestras etiquetadas: calcula el centroide de cada clase y usa la mediatriz entre los dos centroides como frontera de decisión. Los estudiantes ajustan el número de muestras de entrenamiento, la tasa de ruido en las etiquetas y el sesgo en la recogida de datos; el modelo se vuelve a entrenar y su precisión se mide sobre un conjunto fijo de 400 muestras de prueba. Cuando los datos de entrenamiento vienen sobre todo de un grupo, la precisión global sigue pareciendo alta, pero la del grupo menos representado cae bruscamente: así actúa el sesgo de datos.
Lección: Inteligencia artificial y aprendizaje automático: las máquinas aprenden de los datos, y la calidad de los datos determina la calidad del modelo
Qué muestra
Un modelo de aprendizaje automático no trae reglas incorporadas: las deduce de ejemplos etiquetados. Aquí un clasificador de centroide más cercano calcula el punto medio de cada clase en los datos de entrenamiento y usa la mediatriz entre los dos centroides como frontera de decisión. La precisión se mide con 400 muestras de prueba fijas que el modelo nunca vio al entrenar. Con pocas muestras o muchas mal etiquetadas, la frontera aprendida se aleja de la real. Si la mayoría de los datos proviene de un grupo, la precisión global puede seguir alta mientras la del otro grupo cae: es un sesgo que nace de los datos.
Cómo usarla
Elige un Problema, activa Mostrar la frontera real para comparar y cambia un ajuste cada vez: Número de muestras de entrenamiento, Porcentaje de muestras mal etiquetadas y Proporción de datos de un solo grupo. Tras cada cambio, compara la frontera aprendida con la real y lee la precisión global y la de los grupos A y B. Usa Reentrenar para obtener una muestra aleatoria nueva, o haz clic en el gráfico para añadir tus propias muestras.
Parámetros que puedes cambiar
- Problema Filtrado de spam, Detección de madurez
- Número de muestras de entrenamiento 10–500 muestras
- Porcentaje de muestras mal etiquetadas 0–40 %
- Proporción de datos de un solo grupo 0–100 %
- Mostrar la frontera real para comparar
Preguntas para explorar
- ¿Por qué la precisión del modelo se mide con 400 muestras que no se usaron para entrenarlo?
- ¿Cómo se desplaza la frontera de decisión cuando el 30 % de las muestras de entrenamiento está mal etiquetado?
- Si la precisión global es alta, ¿puede el modelo funcionar mal para un grupo, según las cifras de los grupos A y B?
