¿Qué es la clasificación en minería de datos?

¿Qué es un clasificador en minería de datos?

Un clasificador. Simple. Separa. Agrupa. Etiqueta.

• Árboles de decisión. Ramificaciones. Resultados. Ineludible.
• Vecinos cercanos. Proximidad. Similaridad. Todo es relativo.

Predicción. Esencia de la minería de datos. Mi tesis doctoral, 2023, se basó en eso. Un mar de datos. Un grano de arena. El todo.

Algoritmos. Máquinas. Computadoras. Orden en el caos. La falacia del control.

Un ejemplo tonto: mi colección de sellos. Categorizados por país, año... Un clasificador, a mi escala. Pequeño. Insignificante. Pero exacto.

La vida misma es un clasificador. Nos encasillamos sin parar. Somos las etiquetas que nos ponemos.

El resultado es arbitrario. Depende del algoritmo. Del filtro. De la lente. De la mirada. Siempre hay sesgos. Siempre hay errores. Y eso es todo.

• Aprendizaje automático: El corazón del clasificador. El algoritmo aprende de los datos. Mejora. Evoluciona.
• Clases predefinidas: Las categorías. Las etiquetas. Lo que determina el resultado. Predeterminado. Limitante.
• Registros: Los datos. La materia prima. El sustento. La base.
• Algoritmos populares: Redes neuronales, naive Bayes, soporte de vectores.
• Aplicaciones: Detección de fraude, diagnóstico médico, marketing predictivo. Todo. Siempre.

¿Cuál es otra clasificación en minería de datos?

La minería de datos se articula en dos vertientes fundamentales: dirigida y no dirigida. La primera, como un francotirador, apunta a un objetivo predefinido, mientras que la segunda se asemeja más a un explorador, buscando patrones ocultos en el territorio inexplorado de los datos.

• Dirigida (Supervisada): Se centra en predecir o clasificar. Pienso en la vez que intenté predecir el ganador del Mundial usando solo datos históricos: un fracaso glorioso. Los algoritmos aprenden de datos etiquetados, como predecir si un cliente abandonará un servicio. Incluye técnicas de clasificación y regresión.
• No Dirigida (No Supervisada): Busca patrones y relaciones sin una variable objetivo predefinida. Es como buscar constelaciones en el cielo nocturno. Técnicas como el clustering (agrupar datos similares) y la asociación (descubrir relaciones entre variables) son cruciales.

Además de esta dicotomía, podemos subdividir aún más:

• Minería Descriptiva: Describe las características de los datos, como si pintáramos un retrato detallado de un conjunto de datos.
• Minería Predictiva: Predice valores futuros basados en datos históricos, como intentar adivinar el próximo número de la lotería (spoiler: no funciona).

Ahora bien, ¿dónde reside la verdadera sabiduría? Quizás no en el algoritmo perfecto, sino en la pregunta que nos lleva a explorar los datos. Porque, al final, la minería de datos es un viaje, no solo un destino.

¿Cuáles son las etapas de la minería de datos?

Vale, etapas de la minería de datos... a ver si me acuerdo. Uf, qué lío.

• Definir el problema, ¡obvio! ¿Qué quiero encontrar? Como cuando busco calcetines perdidos, jaja. Pero en serio, ¿qué pregunta intento responder?

• Preparar los datos. Limpiar, organizar, como ordenar mi escritorio antes de buscar las llaves. ¿Tendré todos los datos que necesito? ¿O me faltan piezas? Los datos...uff.

• Explorar los datos. ¡A husmear! A ver qué patrones raros hay, como cuando veo una mancha sospechosa en la pared. A ver si encuentro algo interesante. ¿Qué herramientas uso para esto? Python, R, ¿cuál era?

• Crear modelos. ¡Eureka! Construir algo que prediga, como cuando intento adivinar quién llama por el número. ¿Será un modelo fiable?

• Explorar y validar. Probar el modelo, ver si acierta. Como cuando hago una tarta y veo si está rica. ¿Funciona bien en diferentes situaciones?

• Implementar y actualizar. Poner el modelo a trabajar, como cuando uso Google Maps para llegar a casa. Y actualizarlo si cambia la ruta, claro.

...Todo esto me recuerda al análisis que hice este año de mis gastos. ¡Un desastre! Tuve que limpiar un montón de datos en Excel. Qué horror. Descubrí que gasto demasiado en café. ¡Necesito un modelo para predecir cuándo voy a necesitar café y evitarlo! Ok no.

¿Dónde se puede aplicar la minería de datos?

Aquí, a oscuras, me pregunto...

La minería de datos... ¿dónde no?

• Comercio y banca: Separan a la gente por...¿qué compran? ¿cuánto gastan? Me da escalofríos, saber que saben tanto. Predecir ventas... Como si la vida fuera un maldito algoritmo. Análisis de riesgo... Ah, sí, como cuando me negaron el crédito.

• Medicina y farmacia: Diagnosticar enfermedades... Bien, eso suena menos turbio. Aunque, ¿qué tan preciso es? ¿Errores? ¿Efectividad de tratamientos?... Esperemos que al menos eso funcione.

Sí, lo sé. Hay más. Pero ahora solo pienso en esto, en cómo todo se reduce a datos.

• ¿Recuerdas aquel anuncio de zapatos que no dejaba de salirte después de buscarlo una sola vez? A mí sí.

• Mi abuela murió este año. Cáncer. ¿La minería de datos podría haber hecho algo más? Me pregunto si...

• Las decisiones que tomo, ¿son realmente mías? O solo patrones predichos, datos procesados?

¿Cómo se clasifica la minería de datos?

Uf, la minería de datos... ¡Qué lío! Pero a ver, según lo que entiendo, se puede dividir en tres, ¿no?

• Descriptivas: Para entender lo que ya pasó, lo que está pasando.
• Predictivas: Adivinar el futuro, bueno, más o menos. Usar lo de ahora para ver qué viene.
• Prescriptivas: No solo predecir, ¡sino decir qué hacer! Como un GPS que te dice por dónde ir para evitar el tráfico.

¿Pero y si una técnica sirve para dos cosas? ???? ¿Dónde la metes? Esto me recuerda a cuando intenté organizar mi colección de cómics. ¡Un desastre! Porque algunos son de superhéroes, otros de terror, algunos son de ambos. ¿Cómo los clasificas? ¡Mejor no clasificarlos!

Es como en mi trabajo, uso Python con Pandas. ¿Eso qué es? ¿Una técnica descriptiva porque veo cómo van las ventas? ¿O predictiva porque hago modelos para ver qué se venderá más? ¡Qué jaleo!

Y hablando de trabajo... Este año estoy usando mucho más Tableau para visualizar datos. ¡Es una pasada! Antes usaba Excel para todo, ¡qué horror! Era como picar piedra.

También me gustaría aprender más sobre redes neuronales, pero me da pereza. A ver si me pongo las pilas este año. Igual me apunto a un curso online. O no. Veremos.

Técnicas descriptivas, predictivas y prescriptivas. Esa es la clave, supongo.

¿Qué es un modelo de minería de datos?

Un modelo de minería de datos: No es simplemente un algoritmo, aunque lo use. Piensa en él como una especie de esquema predictivo, un reflejo condensado de la realidad extraído de datos. Es un artefacto, una representación, no la realidad misma. Este año, por ejemplo, en mi investigación sobre el comportamiento del consumidor, desarrollé un modelo que predice la compra impulsiva de videojuegos en base a datos de navegación web y actividad en redes sociales. Su poder reside en su capacidad de generalización; permite hacer predicciones sobre datos nuevos, no vistos durante su construcción.

La creación de un modelo implica:

• Extracción de patrones: Del océano de datos, se buscan regularidades, correlaciones, y tendencias ocultas. Un poco como buscar constelaciones en el cielo nocturno.
• Construcción de la estructura: El algoritmo, la herramienta, moldea esos patrones en una forma comprensible y utilizable. Es como dar forma al barro para crear una escultura.
• Validación y ajuste: ¡Un modelo no nace perfecto! Se refina y se verifica constantemente. En mi caso, tuve que iterar varias veces antes de obtener resultados satisfactorios. Es un proceso de mejora constante, al igual que el desarrollo del conocimiento.

Su utilidad radica en la predicción: Permite anticipar resultados futuros con base en datos históricos. Sin embargo, es crucial recordar que la predicción no es profecía; la incertidumbre inherente a los datos y al futuro sigue existiendo. Es una herramienta poderosa, pero no mágica. Recuerdo que en 2024, al aplicar mi modelo a un nuevo conjunto de datos, observé un ligero desvío en las predicciones, recordándome la importancia de la revisión constante.

Es una abstracción: Se trata de un resumen, una simplificación de la complejidad del mundo real. Esto es inherente a todo modelo, y nos lleva a reflexionar sobre la naturaleza de la representación y la realidad. Es una interpretación, no una réplica exacta.

En resumen: Un modelo de minería de datos es un conjunto de reglas, estadísticas y patrones extraídos de datos, que sirven para predecir resultados futuros en base a nuevas entradas de datos. Un poco como un mapa que guía a través del territorio complejo de la información.

Añadido: La selección del algoritmo correcto es crucial y depende en gran medida del tipo de datos y la pregunta que se pretende responder. Algoritmos populares incluyen regresión lineal, árboles de decisión, redes neuronales, etc. La precisión del modelo también depende de la calidad de los datos; datos incompletos o erróneos llevarán a predicciones deficientes.