Perceptrón III. La clasificación en Orientación.
IA. Modelos y paradigmas. Machine Learning
Mucho antes de que existieran los algoritmos de aprendizaje automático, los orientadores ya abordaban problemas que hoy pueden formularse como problemas de clasificación. La clasificación binaria no es una aportación del Machine Learning; constituye una estructura lógica presente en numerosas decisiones profesionales. Algunos ejemplos son los siguientes:
- ¿Se detectan indicios suficientes que justifiquen profundizar en el estudio de un caso?
- ¿Procede realizar una evaluación psicopedagógica?
- ¿Debe considerarse prioritaria una determinada actuación orientadora?
- ¿Resulta necesario establecer un seguimiento específico?
- ¿Se cumplen determinados criterios previamente definidos?
Aunque pertenecen a procesos diferentes, todas estas cuestiones comparten una misma estructura: cada caso debe asignarse a una de dos categorías posibles. Desde el punto de vista computacional, todas ellas pueden formularse como problemas de clasificación binaria.
Naturalmente, esto no significa que todas posean la misma complejidad ni que deban resolverse mediante los mismos procedimientos. Significa únicamente que el resultado final consiste en asignar cada caso a una de dos clases mutuamente excluyentes.
¿Qué elementos debe contener un problema de clasificación binaria?
Para formular un problema de clasificación no basta con disponer de dos posibles respuestas. Es necesario definir con precisión la estructura del problema.
En primer lugar, debe establecerse cuál es el tipo de casos que se pretende clasificar. Un clasificador debe operar siempre sobre instancias de la misma naturaleza; no tendría sentido mezclar alumnos, familias o centros educativos dentro del mismo problema.
En segundo lugar, cada caso debe describirse mediante un conjunto de variables. Esas variables constituyen la información a partir de la cual se realizará posteriormente la clasificación.
Finalmente, es necesario definir con claridad las dos clases posibles y el criterio que permite asignar cada caso a una de ellas.
Cuando estos elementos están bien definidos, el problema puede plantearse como un problema de clasificación binaria, con independencia del procedimiento que posteriormente se utilice para construir el clasificador.
Dos formas de construir un clasificador
Una vez formulado el problema, aparece una nueva cuestión: ¿cómo construir el clasificador?
Históricamente han coexistido dos grandes estrategias.
La primera consiste en definir explícitamente las reglas de decisión. El conocimiento procede del profesional, que establece los criterios necesarios para asignar cada caso a una de las dos clases. Este ha sido el enfoque característico de los sistemas heurísticos y continúa siendo la solución habitual cuando existen protocolos, criterios técnicos o normativa suficientemente definidos.
La segunda estrategia consiste en no escribir esas reglas de manera explícita, sino proporcionar al algoritmo un conjunto de ejemplos previamente clasificados para que aprenda automáticamente una función de decisión. Este es el planteamiento del aprendizaje automático.
Ambas estrategias persiguen exactamente el mismo objetivo: construir un clasificador. La diferencia no reside en el problema que intentan resolver, sino en el procedimiento utilizado para construir la función de clasificación.
Por ello, la aparición del aprendizaje automático no implica que determinados problemas no pudieran resolverse anteriormente mediante procedimientos heurísticos. La mayor parte de ellos ya se abordaban antes del desarrollo del ML y muchos continúan resolviéndose hoy mediante reglas explícitas, protocolos profesionales o criterios normativos. Dicho de otra manera: el aprendizaje automático no sustituye a la heurística; constituye otra forma de construir un clasificador.
¿Qué aporta el aprendizaje automático?
Si la heurística y el aprendizaje automático permiten construir clasificadores, resulta razonable preguntarse qué aporta realmente este último.
Su principal interés consiste en que permite construir un clasificador a partir de ejemplos previamente clasificados, sin necesidad de definir explícitamente todas las reglas de decisión. Desde esta perspectiva, el entrenamiento de un modelo puede entenderse como un experimento cuyo objetivo consiste en comprobar si una determinada arquitectura es capaz de aprender la función de clasificación utilizando las variables disponibles y los ejemplos proporcionados.
Cuando el entrenamiento tiene éxito, obtenemos un clasificador cuya capacidad de generalización deberá evaluarse posteriormente sobre nuevos datos. Pero un resultado poco satisfactorio también puede aportar información relevante al poner de manifiesto limitaciones de la arquitectura utilizada, problemas en la selección de las variables, deficiencias en los datos de entrenamiento o incluso la conveniencia de revisar la formulación inicial del problema de clasificación.
Por ello, el entrenamiento de un modelo no constituye únicamente un procedimiento para obtener un clasificador. También representa una fase de experimentación cuyos resultados pueden contribuir a mejorar tanto el propio modelo como el modo en que se ha planteado el problema.
El siguiente paso
Hasta aquí nos hemos ocupado del problema. Sabemos qué caracteriza a un problema de clasificación binaria y conocemos dos estrategias generales para construir un clasificador. La siguiente pregunta surge de forma natural:
¿Cuál es la arquitectura más sencilla capaz de aprender una función de clasificación binaria a partir de ejemplos?
La primera respuesta histórica a esa cuestión fue el perceptrón. Comprender su funcionamiento permitirá entender no solo cómo aprende un modelo de aprendizaje automático, sino también por qué determinadas arquitecturas poseen límites bien definidos y qué puede enseñarnos su comportamiento sobre los problemas que intentan resolver.
