Aprendizaje supervisado es una forma de aprendizaje automático en la que el modelo aprende a relacionar entradas con respuestas conocidas, llamadas etiquetas. Durante el entrenamiento, recibe ejemplos con la salida esperada y ajusta sus parámetros para aproximar las predicciones a esos resultados.
La supervisión no significa que una persona acompaña cada cálculo del modelo. Significa que los ejemplos de entrenamiento incluyen una respuesta de referencia. Las etiquetas pueden ser categorías, como “spam” o “no spam”, o valores numéricos, como la demanda estimada de un producto.
Como funciona
Primero, el equipo define la tarea y reúne ejemplos relevantes. Cada ejemplo contiene los datos de entrada y la etiqueta correspondiente. Luego, el conjunto se divide en partes con funciones distintas. El entrenamiento ajusta el modelo; la validación orienta decisiones de desarrollo; y un conjunto de prueba separado ayuda a estimar el desempeño en ejemplos no usados en los ajustes.
El modelo produce predicciones y compara esas salidas con las etiquetas. Una función de pérdida representa el tamaño del error, y un algoritmo de optimización actualiza los parámetros para reducirlo. El proceso se repite a lo largo del entrenamiento, pero reducir el error en los ejemplos vistos no garantiza buen desempeño en datos nuevos.
La calidad de las etiquetas es central. Si las categorías son inconsistentes, si algunos grupos están subrepresentados o si la respuesta esperada está equivocada, el modelo puede aprender patrones indeseados. También es necesario evitar la fuga de datos, cuando la entrada contiene información que revela directamente la respuesta.
Ejemplo práctico
Un equipo de soporte quiere clasificar mensajes en “cobranza”, “acceso” y “cancelación”. Reúne mensajes anonimizados y etiquetas revisadas. El modelo aprende asociaciones entre palabras y categorías; después, el equipo mide si clasifica correctamente mensajes separados del entrenamiento.
Si la misma conversación aparece tanto en el entrenamiento como en la prueba, el resultado puede parecer mejor de lo que será en mensajes nuevos. El equipo puede separar conversaciones por cliente o período, revisar casos de error y verificar si las categorías siguen representando el trabajo real.
Para predecir ventas, la tarea cambia: la salida es un valor numérico, y el entrenamiento compara predicciones con resultados históricos. En ese caso, fechas y datos futuros deben excluirse de las entradas.
Para qué sirve
El aprendizaje supervisado se usa en clasificación, predicción numérica, detección de defectos y reconocimiento de patrones cuando hay suficientes ejemplos etiquetados. Es apropiado cuando el equipo puede definir una salida deseada y obtener referencias de calidad aceptable.
No es la mejor elección automática para toda tarea. Etiquetar ejemplos puede requerir trabajo especializado, los datos históricos pueden reflejar decisiones injustas y el comportamiento puede cambiar con el tiempo. Una evaluación precisa debe considerar errores distintos, grupos relevantes y el costo de cada tipo de falla.
Antes de entrenar, pregúntese si las etiquetas son confiables, si los ejemplos representan el uso futuro y cómo se evaluará el modelo. El aprendizaje supervisado transforma ejemplos etiquetados en un predictor, pero la validez del resultado depende de la calidad de la tarea, de los datos y de la evaluación.