CaracterísticaFeature

Elegir qué mirar es la mitad del trabajo

Con el mismo material, el resultado cambia mucho según qué valores se saquen. Para calcular el precio de un auto usado, el año y el kilometraje son imprescindibles, y el número de la placa no sirve de nada. Si falta un valor necesario, ningún método por bueno que sea puede acertar.

Los valores tampoco se usan siempre tal cual: a veces se retocan. La edad es más útil que la fecha de nacimiento, y los años transcurridos son más útiles que la fecha de fabricación y la fecha de hoy por separado. A esta tarea de fabricar, a partir del dato original, valores que ayuden a decidir se le llama ingeniería de características.

En los tiempos en que el aprendizaje automático empezaba a extenderse, este trabajo era la mayor parte de la tarea. Que alguien conocedor del área eligiera qué mirar pesaba más que cambiar de modelo.

Los valores sin relación estorban

Meter más valores parece que debería ayudar, pero no siempre es así. Si se cuela un valor sin relación con la decisión, el modelo agarra una regularidad que salió por pura casualidad de ese valor. Si por coincidencia, en los datos de entrenamiento, los autos con un número de placa más alto resultaron más caros, el modelo aprende esa relación como si fuera real.

Un valor así funciona solo en los datos de entrenamiento y se cae de inmediato frente a datos nuevos. Por eso, al elegir las características, se presta más atención a quitar los valores que no ayudan que a sumar más.

Que varios valores parecidos se repitan también es un problema. Si se mete la estatura en centímetros y también en metros, no se agrega ninguna información nueva y solo aumenta el cálculo.

La característica y la etiqueta ocupan lugares distintos

Si cada dato es una fila de una tabla, las columnas de adelante son las características y la última columna es la etiqueta. La característica es la pregunta que el modelo tiene que resolver con lo que ve, y la etiqueta es la respuesta que alguien ya anotó de antemano.

Al entrenar hacen falta las dos: se compara la respuesta que dio el modelo mirando las características con la etiqueta, y se corrigen los números según el error. Pero al usarlo de verdad no hay etiqueta. El dato nuevo solo trae características, y averiguar esa respuesta es justamente la tarea del modelo.

Confundir estos lugares provoca errores grandes. Si se mete en las características un valor que solo se puede llenar sabiendo ya la respuesta correcta, el puntaje del examen sale muy alto, pero en la situación real ese valor no se puede conseguir y el modelo no sirve para nada.

Todo tiene que volverse número para entrar al cálculo

El modelo no maneja letras ni imágenes tal cual. Cualquier característica termina convertida en número. Un valor como refrigerado o temperatura ambiente se despliega en columnas de presencia y ausencia, y valores sin un orden natural, como la región o la categoría, también se reparten en columnas de esa forma.

Los valores de escalas muy distintas también hay que emparejarlos. Si uno se mueve entre 0 y 1 mientras otro se mueve en cientos de miles, el valor grande termina arrastrando toda la decisión. Por eso se hace de antemano un ajuste para que los rangos de los valores queden parecidos.

Hoy el modelo encuentra los materiales por sí solo

Con el aprendizaje profundo, este panorama cambió bastante. Sin que nadie indique qué mirar en una foto, un modelo con varias capas apiladas va fabricando por capas materiales útiles a partir de los píxeles originales. Las primeras capas capturan algo simple, como líneas y bordes; las siguientes capturan bloques más grandes, como una rueda o el contorno de una cara.

Aun así, la parte humana no desapareció. Qué material meter, y qué valor conviene descartar de plano, lo sigue decidiendo una persona. Sobre todo con valores como la edad o la región, que pueden derivar en sesgos, hay que decidir con cuidado si conviene incluirlos.