Panorama y criterios de elección
No existe un algoritmo universal. Existen supuestos, sesgos inductivos y compromisos. Elegir bien requiere responder cuatro preguntas: ¿qué tipo de salida?, ¿cuántos datos?, ¿qué relación esperas?, ¿cuánto necesitas interpretar?
Árbol de decisión para elegir
| Si tu situación es… | Empieza con… | Alternativa fuerte |
|---|---|---|
| Salida continua, relación aproximadamente lineal | Regresión lineal / Ridge | Gradient boosting |
| Clasificación binaria, necesitas probabilidades | Regresión logística | Random Forest, XGBoost |
| Datos tabulares medianos, rendimiento máximo | Gradient boosting | Random Forest |
| Datos tabulares pequeños, interpretabilidad | Árbol de decisión | Regresión logística |
| Fronteras no lineales, datos densos y escalados | SVM RBF | KNN, redes |
| Texto con muchas features dispersas | Naive Bayes / lineal | SVM lineal, transformers |
| Pocos datos, distancia significativa | KNN | SVM |
| Imágenes, audio, texto sin features manuales | Deep Learning | Transfer learning |
Los compromisos que nunca desaparecen
Flexibilidad vs. estabilidad
Modelos flexibles capturan patrones complejos pero son sensibles al ruido. Modelos rígidos son estables pero pueden no capturar la señal.
Explicar vs. predecir
Una regresión logística se explica con coeficientes; un ensemble de 500 árboles requiere SHAP u otras técnicas post-hoc.
Entrenamiento vs. inferencia
KNN no entrena pero predice lento; un modelo lineal entrena rápido y predice rápido; los transformers son costosos en ambos.
Cantidad vs. calidad
Un modelo simple con datos limpios supera a uno complejo con datos sesgados o etiquetas ruidosas.
La línea base siempre primero
Antes de probar XGBoost, mide una baseline: la media para regresión, la clase mayoritaria para clasificación, o una regresión logística simple. Sin baseline no sabes si tu modelo aporta valor. En muchos problemas industriales, la diferencia entre un modelo simple y uno complejo es menor de lo que se supone.
Notación común
Justifica una elección inicial para: (a) predecir el precio de un departamento con 500 filas y 12 variables; (b) detectar spam con 5 000 correos; (c) clasificar dígitos manuscritos con 60 000 imágenes; (d) predecir cancelación con 50 000 clientes y 200 variables.
Orientación: (a) Ridge o gradient boosting con validación; (b) regresión logística o Naive Bayes con TF-IDF; (c) CNN o SVM RBF; (d) gradient boosting, con regresión logística como baseline interpretable.