Aprendizaje supervisado frente a aprendizaje no supervisado: ¿cuál es la diferencia?

El mundo es cada día más "inteligente" y, para estar a la altura de las expectativas de los consumidores, las empresas utilizan cada vez más algoritmos de machine learning para facilitar las cosas. Puede verlos en uso en los dispositivos de los usuarios finales (a través del reconocimiento facial para desbloquear smartphones) o para detectar fraudes con tarjetas de crédito (como activar alertas para compras inusuales).

Dentro de la inteligencia artificial (IA) y el machine learning, existen dos enfoques básicos: el aprendizaje supervisado y el aprendizaje no supervisado. La principal diferencia es que uno utiliza datos etiquetados para ayudar a predecir los resultados, y el otro no. Sin embargo, hay algunos matices entre los dos enfoques y áreas clave en las que uno supera al otro. Esta publicación aclara las diferencias para que pueda elegir el mejor enfoque para su situación.

El aprendizaje supervisado es un enfoque de machine learning que se define por el uso de conjuntos de datos etiquetados. Estos conjuntos de datos están diseñados para entrenar o "supervisar" algoritmos para clasificar datos o predecir resultados con precisión. Mediante el uso de entradas etiquetadas y outputs, el modelo puede medir su precisión y aprender con el tiempo.

El aprendizaje supervisado se puede dividir en dos tipos de problemas en la minería de datos: clasificación y regresión.

• Los problemas declasificación utilizan un algoritmo para asignar con precisión los datos de prueba en categorías específicas, como separar manzanas de naranjas. O, en el mundo real, se pueden utilizar algoritmos de aprendizaje supervisado para clasificar el spam en una carpeta separada de su bandeja de entrada. Los clasificadores lineales, las máquinas de vectores de soporte, los árboles de decisión y los bosques aleatorios son tipos comunes de algoritmos de clasificación.
  
  
• La regresión es otro tipo de método de aprendizaje supervisado que utiliza un algoritmo para comprender la relación entre variables dependientes e independientes. Los modelos de regresión son útiles para predecir valores numéricos basados en diferentes puntos de datos, como las proyecciones de ingresos por ventas para un negocio determinado. Algunos algoritmos de regresión populares son la regresión lineal, la regresión logística y la regresión polinomial.

El aprendizaje no supervisado utiliza algoritmos de machine learning para analizar y agrupar conjuntos de datos no etiquetados. Estos algoritmos descubren patrones ocultos en los datos sin necesidad de intervención humana (por lo tanto, son "no supervisados").

Los modelos de aprendizaje no supervisado se utilizan para tres tareas principales: clustering, asociación y reducción de la dimensionalidad:

• El clustering es una técnica de minería de datos para agrupar datos no etiquetados en función de sus similitudes o diferencias. Por ejemplo, los algoritmos de clustering de K-medias asignan puntos de datos similares en grupos, donde el valor K representa el tamaño de la agrupación y la granularidad. Esta técnica es útil para la segmentación del mercado, la compresión de imágenes, etc.
  
  
• La asociación es otro tipo de método de aprendizaje no supervisado que utiliza diferentes reglas para encontrar relaciones entre variables en un conjunto de datos determinado. Estos métodos se utilizan con frecuencia para el análisis de la cesta de la compra y los motores de recomendación, en la línea de las recomendaciones "Clientes que compraron este artículo también compraron".
  
  
• La reducción de la dimensionalidad es una técnica de aprendizaje que se utiliza cuando el número de características (o dimensiones) en un conjunto de datos determinado es demasiado alto. Reduce el número de entradas de datos a un tamaño manejable al tiempo que preserva la integridad de los datos. A menudo, esta técnica se utiliza en la etapa de preprocesamiento de datos, como cuando los autocodificadores eliminan el ruido de los datos visuales para mejorar la calidad de la imagen.

La principal distinción entre los dos enfoques es el uso de conjuntos de datos etiquetados. En pocas palabras, el aprendizaje supervisado utiliza datos de entrada y salida etiquetados, mientras que un algoritmo de aprendizaje no supervisado no lo hace.

En el aprendizaje supervisado, el algoritmo "aprende" del conjunto de datos de entrenamiento haciendo predicciones iterativas sobre los datos y ajustándose a la respuesta correcta. Aunque los modelos de aprendizaje supervisado tienden a ser más precisos que los modelos de aprendizaje no supervisado, requieren una intervención humana inicial para etiquetar los datos adecuadamente. Por ejemplo, un modelo de aprendizaje supervisado puede predecir la duración de su viaje en función de la hora del día, las condiciones meteorológicas, etc. Pero primero, debe entrenarlo para saber que el clima lluvioso prolonga el tiempo de conducción.

Los modelos de aprendizaje no supervisado, por el contrario, funcionan por sí solos para descubrir la estructura inherente de los datos no etiquetados. Tenga en cuenta que aún requieren cierta intervención humana para validar el output. Por ejemplo, un modelo de aprendizaje no supervisado puede identificar que los compradores en línea suelen comprar grupos de productos al mismo tiempo. Sin embargo, un analista de datos tendría que validar que tiene sentido que un motor de recomendaciones agrupe la ropa de bebé con un pedido de pañales, puré de manzana y vasitos para sorber.

• Objetivos: en el aprendizaje supervisado, el objetivo es predecir los resultados de los nuevos datos. Usted sabe de antemano el tipo de resultados que puede esperar. Con un algoritmo de aprendizaje no supervisado, el objetivo es obtener conocimientos de grandes volúmenes de datos nuevos. El propio machine learning determina qué es diferente o interesante del conjunto de datos.
  
  
• Aplicaciones: los modelos de aprendizaje supervisado son ideales para la detección, el análisis de sentimientos, la previsión y las predicciones de precios, entre otras cosas. Por el contrario, el aprendizaje no supervisado es ideal para la detección de anomalías, los motores de recomendación, los perfiles de clientes y las imágenes médicas.
  
  
• Complejidad: el aprendizaje supervisado es un método sencillo para el machine learning, que suele calcularse mediante programas como R o Python. En el aprendizaje no supervisado, se necesitan herramientas potentes para trabajar con grandes cantidades de datos no clasificados. Los modelos de aprendizaje no supervisado son computacionalmente complejos porque necesitan un gran conjunto de entrenamiento para producir los resultados previstos.
  
  
• Inconvenientes: el entrenamiento de los modelos de aprendizaje supervisado puede llevar mucho tiempo, y las etiquetas de las variables de entrada y de output requieren experiencia. Mientras tanto, los métodos de aprendizaje no supervisados pueden tener resultados muy inexactos a menos que tenga intervención humana para validar el output.

Elegir el enfoque adecuado para su situación depende de cómo sus científicos de datos evalúen la estructura y el volumen de sus datos, así como el caso de uso. Para tomar su decisión, asegúrese de hacer lo siguiente:

• Evalúe sus datos de entrada: ¿son datos etiquetados o no etiquetados? ¿Dispone de expertos que puedan respaldar el etiquetado adicional?
  
  
• Defina sus objetivos: ¿tiene un problema recurrente y bien definido que resolver? ¿O el algoritmo tendrá que predecir nuevos problemas?
  
  
• Revise sus opciones de algoritmos: ¿hay algoritmos con la misma dimensionalidad que necesita (número de entidades, atributos o características)? ¿Pueden soportar su volumen y estructura de datos?

Clasificar big data puede ser un verdadero desafío en el aprendizaje supervisado, pero los resultados son muy precisos y fiables. Por el contrario, el aprendizaje no supervisado puede manejar grandes volúmenes de datos en tiempo real. Sin embargo, hay una falta de transparencia sobre cómo se agrupan los datos y un mayor riesgo de resultados inexactos. Aquí es donde entra en juego el aprendizaje semisupervisado.

¿Le cuesta decidirse entre el aprendizaje supervisado y el no supervisado? El aprendizaje semisupervisado es un término medio, en el que se utiliza un conjunto de datos de entrenamiento con datos etiquetados y no etiquetados. Es especialmente útil cuando es difícil extraer características relevantes de los datos y cuando se dispone de un gran volumen de datos.

El aprendizaje semisupervisado es ideal para imágenes médicas, donde una pequeña cantidad de datos de entrenamiento puede conducir a una mejora significativa en la precisión. Por ejemplo, un radiólogo puede etiquetar un pequeño subconjunto de tomografías computarizadas para detectar tumores o enfermedades, de modo que la máquina pueda predecir con mayor precisión qué pacientes podrían requerir más atención médica.

Los modelos de machine learning son una forma potente de obtener los conocimientos de datos que mejoran nuestro mundo. Para obtener más información sobre los algoritmos específicos que se utilizan con el aprendizaje supervisado y no supervisado, le animamos a profundizar en los artículos de Learn Hub sobre estas técnicas. También recomendamos consultar la entrada de blog que va un paso más allá, con una visión detallada del deep learning y las redes neuronales.

• ¿Qué es el aprendizaje supervisado?
• ¿Qué es el aprendizaje no supervisado?
• IA vs. machine learning vs. deep learning vs. redes neuronales: ¿cuál es la diferencia?