Flujo de Trabajo de Aprendizaje Automático

Veamos el flujo de trabajo que se sigue para construir un proyecto exitoso de aprendizaje automático.

Paso 1. Obtener los datos

Definición del problema, selección de una métrica de rendimiento y determinación de qué se considera un buen resultado. Recolección de los datos necesarios de fuentes disponibles y preparación en un formato compatible con Python. Si los datos ya existen en un archivo CSV, el preprocesamiento puede comenzar de inmediato.

Ejemplo

Un hospital recopila registros de pacientes y datos demográficos en un archivo CSV. El objetivo es predecir readmisiones, buscando una precisión superior al 80%.

Paso 2. Preprocesar los datos

Este paso incluye:

• Limpieza de datos: manejo de valores faltantes y entradas no numéricas;
• EDA: análisis y visualización de datos para comprender relaciones y detectar problemas;
• Ingeniería de características: selección o creación de características que mejoren el rendimiento del modelo.

Ejemplo

Los valores faltantes (por ejemplo, presión arterial) se completan y las características categóricas (por ejemplo, raza) se convierten en formato numérico.

Paso 3. Modelado

Esta etapa incluye:

• Selección de un modelo según el tipo de problema y experimentos;
• Ajuste de hiperparámetros para mejorar el rendimiento;
• Evaluación del modelo con datos no vistos.

Ejemplo

Se selecciona un modelo de clasificación para predecir la readmisión (sí/no). Tras el ajuste, se evalúa en un conjunto de validación/prueba para medir la capacidad de generalización.

Paso 4. Despliegue

Una vez que un modelo tiene un buen desempeño, se despliega en sistemas reales. El modelo debe ser monitoreado, actualizado con nuevos datos y mejorado con el tiempo, reiniciando a menudo el ciclo desde el Paso 1.

Ejemplo

El modelo se integra en el sistema hospitalario para identificar a pacientes de alto riesgo en el momento del ingreso, ayudando al personal a actuar de manera temprana.

El preprocesamiento de datos y la modelización pueden realizarse con scikit-learn. Los próximos capítulos presentan flujos de trabajo y pipelines de preprocesamiento, seguidos de la modelización utilizando k-nearest neighbors (KNeighborsClassifier), incluyendo entrenamiento, ajuste y evaluación.