Cómo aprende de verdad un modelo de machine learning
'Entrenar un modelo' suena abstracto hasta que ves el ciclo real: predecir, medir el error, ajustar, repetir. Así es como una regresión lineal pasa de aleatoria a útil.
La frase "entrenar un modelo" puede sonar misteriosa la primera vez que se escucha. En el fondo es un ciclo simple que se repite muchas veces: el modelo predice, comparamos su predicción contra la respuesta real, medimos qué tan mal lo hizo, y ajustamos sus parámetros para hacerlo un poco mejor.
El ciclo de entrenamiento
- El modelo hace una predicción con sus parámetros actuales (al inicio, básicamente al azar).
- Se calcula una función de pérdida que mide qué tan lejos estuvo la predicción del valor real.
- El descenso de gradiente ajusta los parámetros en la dirección que reduce esa pérdida.
- El ciclo se repite miles de veces hasta que la pérdida deja de bajar de forma significativa.
Un ejemplo con regresión lineal
from sklearn.linear_model import LinearRegression
modelo = LinearRegression()
modelo.fit(X_entrenamiento, y_entrenamiento)
predicciones = modelo.predict(X_prueba)Detrás de esa única línea .fit() está exactamente el ciclo descrito arriba: scikit-learn ajusta los coeficientes de la recta hasta minimizar el error cuadrático entre predicción y valor real.
Overfitting: cuando el modelo memoriza en vez de aprender
Un modelo que reduce su error a casi cero en los datos de entrenamiento pero falla en datos nuevos probablemente memorizó el ruido específico de ese conjunto en lugar de aprender el patrón general. Por eso siempre se evalúa contra datos que el modelo nunca vio durante el entrenamiento.
De la teoría al código
Ver este ciclo funcionar con datos reales, ajustar hiperparámetros y observar cómo cambia el error es la forma más rápida de que estas ideas dejen de ser abstractas. Explora la ruta de Ciencia de Datos y entrena tu primer modelo.