← 16 · ¿Se puede predecir? Y las anomalías H9
Primero se descarta lo que no cumple una condición obligatoria y después se comparan los que quedan
¿Cómo se decide qué algoritmo usar?
1 El problema
Hay decenas de algoritmos y cada artículo recomienda el suyo. Es fácil acabar eligiendo el que está de moda o el que ya se sabe usar, y el más complejo tiende a parecer el más fiable.
2 Por qué engaña
Un algoritmo más flexible saca mejor nota sobre los datos con los que aprende. Esa nota se toma a menudo como prueba de que es mejor. Además, cuando el dato no tiene señal, ningún algoritmo la crea: la complejidad añadida solo cuesta tiempo y hace el modelo más difícil de explicar.
3 El principio
4 La solución
| Si en el caso… | …eso descarta o pide |
|---|---|
| Hay que explicar cada decisión a alguien | Descarta lo que no se puede leer. Quedan la regresión, un árbol poco profundo o una regla escrita. |
| Las variables tienen escalas muy distintas | Lo que mide distancias (k-means, vecinos) exige escalar antes. Los árboles no lo necesitan. |
| Hay atípicos o valores extremos | La regresión lineal y k-means se distorsionan. Los árboles y los bosques aguantan mejor. |
| Lo que se busca es muy raro | Hay que mirar la precisión antes que el acierto global y ver si una regla lo resuelve sin modelo. |
| Muchas filas y poco tiempo | Pesan la velocidad de entrenamiento y de predicción y los modelos sencillos van primero. |
5 Qué pasa con estos datos
La página 16 predice la satisfacción con dos modelos y con la referencia de predecir siempre la media, y los mide sobre 3.196 ventas apartadas:
| Modelo | R² de prueba | Error medio |
|---|---|---|
| Predecir siempre la media | 0,000 | 2,491 puntos |
| Regresión lineal | -0,002 | 2,488 puntos |
| Bosque aleatorio | -0,002 | 2,483 puntos |
Los tres resultados empatan. El bosque no mejora a predecir la media para todas las ventas, así que el algoritmo correcto aquí es el más simple y la conclusión útil es que estas variables no explican la satisfacción. Sin el modelo de referencia en la tabla, el bosque se habría presentado solo y nadie habría visto que no aporta.
Con las anomalías ocurre algo parecido. El IsolationForest detecta 15 de las 16 ventas imposibles y marca además 745 normales. La regla del catálogo las encuentra todas sin modelo, porque sabe qué está mal. El algoritmo propone candidatas y la regla decide.
6 Para qué sirve
En cualquier proyecto con un modelo, antes de escribir código. Y al revisar uno ajeno, la primera pregunta es contra qué modelo simple se comparó.
El detalle técnico
Los modelos de la tabla están en 07_ml.py, con partición 80/20 y
semilla 42.
Fuente: ml.json, campos prediccion_satisfaccion y anomalias.