Perceptrón IV. Del problema al clasificador
IA. Modelos y paradigmas. Machine Learning
En la entrada anterior vimos que numerosos problemas de la orientación educativa pueden formularse como problemas de clasificación binaria. También comprobamos que un mismo problema puede abordarse mediante estrategias diferentes: definiendo explícitamente las reglas de decisión (heurística) o permitiendo que un algoritmo las aprenda a partir de ejemplos (aprendizaje automático).
Antes de estudiar cómo aprende un perceptrón conviene recorrer ese camino paso a paso mediante un ejemplo.
Como ocurre con frecuencia en la enseñanza de un nuevo modelo, utilizaremos un problema deliberadamente simplificado. Los problemas reales de clasificación en orientación educativa suelen depender de numerosas variables, de información procedente de distintas fuentes y de criterios cuya interpretación exige el juicio profesional del orientador.
Por ello, trabajaremos con un ejemplo reducido a dos variables binarias. Esta simplificación responde exclusivamente a un propósito didáctico: facilitar la comprensión del mecanismo de aprendizaje del perceptrón. No constituye una limitación ni de los problemas de clasificación ni de esta arquitectura, que puede operar con un número mucho mayor de variables una vez representadas en forma numérica.
Un problema real de clasificación muy simplificado
Supongamos un procedimiento interno de revisión de documentación. Para facilitar la explicación, el procedimiento considera únicamente dos condiciones asociadas al cumplimiento de su respectivo criterio.
- Condición A: se cumple el criterio 1
- Condición B: se cumple el criterio 2
El objetivo consiste en clasificar cada colección documental en una de dos categorías:
- Clase 0: no pasa a la siguiente fase de revisión.
- Clase 1: pasa a la siguiente fase de revisión.
Nos encontramos ante un problema de clasificación binaria en el que cada colección documental ("expediente") constituye un caso; cada caso queda descrito mediante dos variables binarias y el resultado final consiste en asignarlo a una de dos clases posibles. Reitero por necesario, la extremada simplicidad (y simplificación) del ejemplo, derivada exclusivamente de motivos didácticos, empezando por la reducción a dos las variables consideradas (criterios 1 y 2), que ni siquiera concretamos, y que ambos sean de naturaleza nominal-dicotómica.
Primera estrategia: construir el clasificador mediante reglas
Supongamos ahora que el procedimiento establece una única regla...
Un expediente pasará a la siguiente fase únicamente cuando se cumplan simultáneamente las dos condiciones.
... lo que expresado como regla heurística
- SI se cumple la condición A
- Y se cumple la condición B
- ENTONCES... el expediente pasa a la siguiente fase de revisión.
El clasificador ya está diseñado, ahora lo vamos a construir sobre Calc de la forma más simple posible: haciendo uso exclusivamente de sus funcionalidades.
Como podemos ver, el procedimiento no ha realizado ningún tipo de aprendizaje ya que es el conocimiento que aporta el profesional mediante la regla (función reside íntegramente en la regla =SI(Y(C5=1;C6=1);1;0) posicionada sobre la celda C8 quien ejecuta el análisis del contenido de las celdas C5 y C6 en los términos en que estan establecidos. Otros componentes de la "aplicación" son accesorios o simplemente aclaratorios.
Ahora bien, nos interesa entender que si representamos todos los casos posibles obtenemos la siguiente tabla.
| Criterio 1 | Criterio 2 | Decisión |
|---|---|---|
| No | No | No |
| Sí | No | No |
| No | Sí | No |
| Sí | Sí | Sí |
A partir de este momento, cualquier expediente podrá clasificarse aplicando simplemente la regla implementada en C8, asociada a los datos (variables) valorados dicotómicamente en C5 y C6.
Una representación diferente del mismo problema
Hasta aquí no ha intervenido ningún algoritmo de aprendizaje. El clasificador existe porque alguien ha definido explícitamente la regla de decisión. Sin embargo, esa misma información puede representarse de otra forma: en lugar de expresar la regla mediante una condición lógica, podemos conservar únicamente un conjunto de ejemplos ya clasificados, es decir, una muestra suficientemente amplia de registros en la que se recogen los valores de las variables (las respuestas a los dos criterios considerados) y la clasificación resultante de aplicar dicha regla.
La información es exactamente la misma, pero ha cambiado su representación: en lugar de disponer de una regla escrita por el experto, disponemos de un conjunto de ejemplos correctamente clasificados. Ahora lo que interesa responder es si una máquina podría descubrir por sí sola la regla de clasificación observando únicamente estos ejemplos.
Esta pregunta marca el paso del enfoque heurístico al paradigma del aprendizaje automático (ML).
Del conocimiento explícito al conocimiento aprendido
En un sistema de aprendizaje automático, el procedimiento se basa en el análisis de ejemplos (registros) previamente clasificados. La tarea del algoritmo consiste en aprender una función que reproduzca esa clasificación y pueda aplicarse posteriormente a nuevos casos.
Desde el punto de vista computacional, el problema no ha cambiado, ya que siguen existiendo los mismos casos, las mismas variables y las mismas clases, pero cambia la forma de construir el clasificador. Ese fue el objetivo del perceptrón, propuesto por Frank Rosenblatt a finales de la década de 1950.
En la siguiente entrada veremos cómo esta arquitectura recibe ejemplos ya clasificados, modifica progresivamente sus parámetros durante el entrenamiento y termina construyendo —cuando el problema lo permite— un clasificador capaz de reproducir la regla que antes, en la solución heurística, había sido escrita por el experto.
