Cómo funciona
La clasificación es una tarea de aprendizaje automático en la que el sistema asigna una observación a una categoría. Las categorías también se llaman clases o etiquetas. En el aprendizaje supervisado, el modelo recibe ejemplos previos con la clase correcta y aprende patrones para predecir la clase de nuevos casos.
La documentación de scikit-learn describe diferentes tipos de objetivo, incluyendo clasificación binaria, con dos clases, y multiclase, con más de dos. Un modelo puede, por ejemplo, separar mensajes en “urgente” y “no urgente”, o clasificar solicitudes en “financiero”, “soporte” y “ventas”.
El clasificador aprende a partir de atributos, es decir, información usada para tomar la decisión. En un filtro de mensajes, estos atributos pueden incluir palabras, remitente y contexto. El algoritmo puede producir una clase directamente o calcular puntuaciones y probabilidades para cada clase. Un umbral de decisión convierte una puntuación en una elección final, y cambiarlo modifica el equilibrio entre falsos positivos y falsos negativos.
Ejemplo práctico
Una tienda quiere derivar automáticamente los mensajes recibidos a los equipos correctos. Reúne ejemplos ya clasificados por personas, como “cambio”, “entrega” y “pago”. Parte de los ejemplos sirve para entrenar el modelo y otros quedan separados para evaluar si funciona en mensajes que no ha visto.
Si el clasificador predice “pago” para una solicitud de cambio, ese error debe contarse en la evaluación. El equipo puede examinar una matriz de confusión, que muestra en qué clases el sistema se confunde, y observar métricas como precisión y recall según el impacto de cada tipo de error.
Los datos de evaluación necesitan representar el uso esperado. Si los mensajes cambian de estilo, incluyen nuevos productos o provienen de otros canales, la calidad puede caer. Por eso, monitorear ejemplos recientes y permitir corrección humana ayuda a detectar problemas que no aparecían en los datos antiguos.
Para qué sirve
La clasificación sirve para triaje, detección de spam, análisis de sentimiento, identificación de documentos, inspección de imágenes y apoyo a decisiones con categorías definidas. En negocios, puede ayudar a priorizar tickets o sugerir una cola de atención, manteniendo a una persona responsable de los casos inciertos o de mayor impacto.
No confundas clasificación con regresión. La clasificación predice una clase, como “riesgo alto” o “riesgo bajo”; la regresión estima un valor numérico, como tiempo de entrega. Algunas tareas pueden formularse de más de una manera, pero transformar números en rangos puede perder detalles útiles.
Antes de usar un clasificador, define las clases, documenta cómo se asignaron las etiquetas y evalúa errores por grupo. Una exactitud general alta puede ocultar fallas en una clase poco frecuente. El modelo debe apoyar el proceso, no enmascarar criterios mal definidos o datos sesgados.