Qué es la clasificación en machine learning

Dos grupos se juntan por separado

Los puntos vuelven a estar dispersos, pero esta vez cada uno tiene un color: uno para los correos basura y otro para los normales. La posición de cada punto la fijan las características del correo, por ejemplo la cantidad de enlaces en horizontal y la cantidad de palabras publicitarias en vertical.
Si miras con atención, verás que los puntos del mismo color se juntan en lugares parecidos: basura con basura, normal con normal. Eso pasa porque lo que tiene características parecidas queda cerca.

Toca desplegar. Los puntos mezclados se juntan por color en lugares parecidos y aparecen dos grupos.

Se ven dos grupos: un color reunido a la izquierda y otro a la derecha. Una persona ve la separación enseguida, pero para que lo haga una computadora hace falta una regla clara, no un cálculo a ojo.
Si se traza una línea que marque dónde termina un lado y empieza el otro, la regla queda limpia.

Trazar una frontera entre ellos

Se traza una sola línea entre los dos grupos. Esa línea se llama frontera de decisión. Un lado es el territorio de un grupo y el otro, el del otro grupo.
Una buena frontera separa los dos grupos limpiamente, sin que ningún punto de ninguno de los colores la cruce. Si la línea se traza cargada hacia un lado, los colores se mezclan, así que su posición importa.

Toca para mover la frontera. Cargada hacia un lado, puntos del mismo color cruzan la línea; en el medio, los dos grupos se separan limpiamente.

La frontera separó los dos grupos. Ahora se puede decir con claridad que a la izquierda de la línea está un grupo y a la derecha, el otro. Una regla reemplazó al cálculo a ojo.
Los datos reales a menudo no se separan tan limpiamente. En ese caso se busca la línea que clasifica mal la menor cantidad de puntos, ajustando de a poco su inclinación y su posición para bajar la cantidad de errores, la misma idea que achicar el desajuste en la lección anterior. Entonces, ¿a qué grupo va un punto totalmente nuevo?

Un punto nuevo va según el lado en que cae

Supón que llega un correo nuevo. Todavía no sabes si es basura, pero si mides sus características, sabes dónde quedaría. Basta con ver de qué lado de la frontera está ese lugar.
Si cae a la izquierda, pertenece al grupo de la izquierda; si cae a la derecha, al de la derecha. Muchos clasificadores van un paso más allá y dicen que, cuanto más lejos de la frontera está un punto, más probable es que pertenezca a ese grupo. Un punto pegado a la frontera tiene una probabilidad cercana a mitad y mitad, y por eso es un caso dudoso.

Toca un lugar vacío para poner un punto nuevo. El lado de la frontera donde cae decide su color, es decir, su grupo.

Cada punto nuevo recibió su color según dónde cayó: a la izquierda de la frontera, el color de la izquierda; a la derecha, el de la derecha. La regla es simple y constante, así que aunque lleguen cien puntos nuevos, se los separa uno por uno con la misma regla.
Pero en el mundo no siempre hay solo dos grupos. ¿Y si son tres o más, como gatos, perros y pájaros?

Con tres o más, se agregan fronteras

Con tres grupos, una línea no alcanza, porque una sola línea divide el espacio solo en dos. En ese caso se trazan más fronteras y se divide el espacio en tres o cuatro regiones.
Cada región pasa a ser el territorio de un grupo, y un punto nuevo se clasifica igual, según la región donde cae. Un clasificador que responde con probabilidades le da una a cada grupo y elige la mayor. La idea de probabilidad de antes se usa tal cual.

Toca añadir frontera. El espacio pasa de dos regiones a tres y luego a cuatro, y cada grupo tiene su propia región.

Aunque haya más regiones, la regla siguió igual: trazar más fronteras para dividir el espacio y clasificar un punto nuevo según la región donde está. Sean dos grupos o cuatro, la idea de fondo es la misma.
La frontera tampoco tiene que ser una recta. Cuando los grupos se entremezclan en formas sinuosas, hace falta una frontera curva, y las redes neuronales que verás más adelante pueden dibujar fronteras complicadas como esas.

Resumen

En resumen: la clasificación decide a cuál de varios grupos fijos pertenece algo. A diferencia de la regresión, que predice un valor, responde con el nombre de un grupo. Se traza una frontera entre dos grupos y un punto nuevo se clasifica según el lado de la frontera en que está.
Con tres o más grupos, se trazan más fronteras. Decidir el grupo por una sola posición y, cuando hace falta, decir con una probabilidad qué tan seguro se está: eso es la clasificación.

Toca los puntos clave en orden para repasar. (dividir en dos grupos → una frontera en medio → un punto nuevo según su lado → más fronteras para tres o más)

Ahora ya viste los dos tipos de predicción, la regresión y la clasificación. Una responde con un número y la otra con un grupo, pero las dos encuentran una línea en los ejemplos y la usan con entradas nuevas.
Pero para encontrar una buena línea, primero hay que medir qué tan equivocada está la línea actual. La próxima lección, sobre la pérdida, explica cómo expresar ese error con un solo número.