1 - Introducción a Machine Learning in tidymodels

Authors

Affiliation

Francisco Cardozo

Universidad de Miami

Edgar Ruiz

1 Objetivos del capítulo

Este capítulo introduce el flujo de trabajo básico para construir modelos de machine learning con tidymodels. Al finalizar deberías poder:

• Reconocer los tipos de modelos más comunes y sus propósitos.
• Distinguir entre aprendizaje supervisado y no supervisado.
• Explicar las etapas del proceso de análisis de datos y cómo se evalúan los modelos.
• Identificar los paquetes del ecosistema tidyverse que facilitan la preparación y el modelado.

2 Tipos de modelos

2.1 Modelos descriptivos

Se centran en comprender y comunicar qué ocurre en los datos:

• Describen la estructura general de la base.
• Resumen y visualizan patrones relevantes.
• Sirven como punto de partida para generar hipótesis.

2.2 Modelos inferenciales

Buscan responder preguntas sobre parámetros poblacionales:

• Estiman probabilidades y cuantifican la incertidumbre.
• Contrastan hipótesis específicas mediante valores p o intervalos de confianza.
• Requieren supuestos explícitos que permiten extrapolar conclusiones.

2.3 Modelos predictivos

Priorizan la capacidad de anticipar resultados:

• Asignan reglas a eventos futuros, aun si el mecanismo no es completamente conocido.
• Evalúan el desempeño con datos no utilizados durante el entrenamiento.
• Prefieren métricas enfocadas en el error de predicción o la generalización.

3 Modelos comunes de machine learning

Algunos algoritmos ampliamente usados en predicción supervisada incluyen:

• k-nearest neighbors (k-NN).
• Árboles de decisión y variantes ensembladas como Random Forests.
• Máquinas de vectores de soporte (Support Vector Machines).
• Modelos lineales regularizados (glmnet) o bayesianos (stan_glm).

Cada algoritmo ofrece un balance distinto entre interpretabilidad, capacidad de ajuste y requisitos computacionales.

4 Tipos de aprendizaje en machine learning

4.1 Aprendizaje supervisado

Se dispone de una variable de resultado (Y) y el objetivo es mapear predictores (X) contra ella.

• Regresión: Y continua.
• Clasificación: Y categórica.

4.2 Aprendizaje no supervisado

No existe un resultado etiquetado. El foco está en encontrar estructura latente.

• Reducción de dimensión (componentes principales).
• Agrupamiento (clustering) y detección de anomalías.

5 Proceso de análisis de datos

Un proyecto analítico rara vez comienza construyendo el modelo definitivo. Los pasos habituales incluyen:

1. Explorar los datos (EDA) para entender la calidad y los patrones principales.
2. Ingeniería de variables para crear representaciones que capturen la señal.
3. Ajustar y sintonizar modelos con remuestreo o validación cruzada.
4. Evaluar el desempeño con métricas alineadas al problema.

Durante cada etapa conviene responder preguntas como:

• ¿Qué tanto preprocesamiento necesita la base antes de modelar?
• ¿Cuál es el plan de evaluación (hold-out, validación cruzada, bootstrapping)?
• ¿Cómo se compartirá el conocimiento generado?

6 Dos ideas importantes

1. Error de generalización: se estima usando muestras de validación o remuestreo para aproximar el comportamiento fuera de muestra.
2. Balance sesgo-varianza: modelos muy flexibles pueden sobreajustar (bajo sesgo, alta varianza), mientras que modelos rígidos pueden subajustar (alto sesgo, baja varianza).

7 Modelar datos en R

Existen múltiples enfoques para crear modelos:

• Base R: funciones como lm() o glm() permiten especificar fórmulas de manera directa.
• Paquetes especializados: glmnet, ranger, xgboost, stan, entre otros.
• Ecosistema tidymodels: provee una sintaxis coherente para especificar modelos, recetas de preprocesamiento y flujos de trabajo reproducibles.

8 Paquetes esenciales del tidyverse

Cada paquete se enfoca en una parte del pipeline:

• ggplot2: visualización declarativa.
• dplyr: transformación y manipulación de datos.
• tidyr: normalización y reshaping en formato tidy.
• readr: ingestión de datos en formatos planos.
• purrr: programación funcional y operaciones iterativas.
• tibble: data frames modernos que respetan el principio tidy.
• stringr: procesamiento de cadenas.
• forcats: manejo de factores y codificaciones categóricas.

9 Estilo tidyverse

Trabajar con tidyverse implica una convención clara:

• Uso extensivo del operador |> para encadenar pasos.
• Nombres de objetos consistentes y expresivos.
• Preferencia por funciones puras que retornan objetos de la misma clase que reciben.
• Uso explícito de comillas y factores, evitando transformaciones implícitas.
• Promoción de la programación funcional para iterar sin bucles mutables.