¿Qué es Aprendizaje supervisado? — una analogía

1La analogía

Llega fruta a raudales a un almacén. Antes de instalar una clasificadora, el dueño pasó meses tomando la fruta pieza por pieza y repartiéndola en cajones de primera, segunda y tercera. Cada pieza queda con una respuesta pegada: su categoría. La clasificadora repasa esa fruta una y otra vez, ajustando por sí misma cómo el tamaño, el color y las marcas se relacionan con la categoría. Al principio manda piezas de primera al cajón de tercera. Cada vez que se equivoca, mide cuánto se alejó de la respuesta que dejó el dueño y corrige un poco su criterio. Cuando el error baja lo suficiente, la clasificadora ya puede decidir el cajón de una pieza nueva que nadie etiquetó. El aprendizaje supervisado es este proceso: la clasificadora afinando su criterio sobre un montón de fruta ya etiquetada.

2En detalle

Todo empieza con datos emparejados

Para arrancar un aprendizaje supervisado hace falta que los datos vengan en pares. Una foto y la etiqueta pegada a esa foto, una frase y el sentimiento de esa frase, los datos de un piso y el precio real al que se vendió. Si solo hay una mitad del par, no se llama aprendizaje supervisado.

Ese par lo arma una persona. Igual que el dueño repartió la fruta por categoría, alguien revisó los datos uno a uno y anotó la respuesta. Por eso el punto de partida no es el algoritmo, sino cuánto y qué tan bien están etiquetados los datos.

Los pares hay que reunirlos parecidos a la situación real donde se van a usar. Si al almacén llega fruta de verano pero el criterio solo se afinó con fruta de invierno, la clasificadora se pierde ante lo que nunca vio.

Se corrige solo lo que se desvía

Enseñar no termina de una vez. Se mete un ejemplo, sale una respuesta, y se mide con un solo número cuánto se alejó de la respuesta que ya estaba puesta. El criterio interno se mueve un poquito en la dirección que reduce ese número, y se pasa al siguiente ejemplo. Esto se repite cientos de miles de veces.

El truco está en no corregir mucho de golpe. Si una sola pieza cambia el criterio de golpe, lo que antes se acertaba empieza a fallar. Corrigiendo poco a poco y muchas veces, el criterio se asienta en la dirección que apuntan todos los ejemplos juntos, no en la de uno solo.

Poner etiqueta o decir un número

La rama depende de cómo es la respuesta. Si la respuesta es una etiqueta como primera, segunda o tercera, es clasificación. Ahí caben preguntas como qué aparece en una foto, si un correo es spam o si una reseña es positiva: la respuesta cae en una de varias categorías fijas.

Si la respuesta es un número, es regresión: el peso estimado de un cajón de fruta, el consumo eléctrico del mes que viene, el precio de un auto usado. Son casos donde la respuesta puede caer en cualquier punto de una escala. Con los mismos datos, la rama cambia según cómo se anote la respuesta: si el dulzor se anota como "dulce, normal, ácido" es clasificación, y si se anota como "12.4" es regresión.

Poner las respuestas es lo más caro

En las charlas técnicas se habla mucho del tiempo de entrenamiento, pero en la práctica lo que más tiempo consume es poner las respuestas. Alguien tiene que ponerle etiqueta, una por una, a decenas de miles de fotos. Si los datos requieren un experto, como radiografías o documentos legales, el costo sube todavía más.

Por eso es clave fijar de antemano el criterio para poner las respuestas. Si cada persona decide con un margen distinto cuántas marcas permite la categoría de primera, la misma pieza de fruta termina con respuestas distintas según quién la mire. Si se mezclan respuestas contradictorias, la clasificadora aprende un criterio que tambalea.

Se separa lo de práctica y lo de examen

No todos los datos con respuesta se usan para entrenar. Una parte se guarda intacta y se saca al final. Si se examina con la misma fruta que sirvió para entrenar, no hay forma de saber si la clasificadora realmente sabe hacer su trabajo.

El puntaje que sale con los datos guardados se parece mucho al que se obtendrá en uso real. Si en la práctica casi todo sale bien pero con los datos guardados el puntaje cae en picada, el modelo memorizó las respuestas; si falla en ambos, el criterio es demasiado simple.

3Con más precisión

El aprendizaje supervisado busca una función que lleve la entrada a la salida, a partir de datos donde entrada y salida vienen emparejadas. El desvío se convierte en un solo número mediante una regla llamada función de pérdida, y los valores internos se ajustan poco a poco en la dirección que reduce ese número. Este ajuste se repite muchas vueltas sobre todos los datos, y a cada vuelta se le llama época.

La analogía también tiene sus costuras. La clasificadora toca y hace rodar la fruta de verdad, pero el modelo nunca ve la fruta: solo recibe características ya convertidas en números, como el peso, el diámetro o el valor de color. Las respuestas que puso el dueño tampoco son siempre correctas, y si se cuela alguna mal puesta, el modelo aprende también ese error. Además, la clasificadora fija su criterio una vez y lo usa tal cual, pero un modelo real tiene que volver a aprender cuando llega una variedad nueva o cambia el criterio. Si el mundo cambia poco a poco y el criterio se queda fijo, la exactitud se va deslizando.

4Pruébalo

Teachable Machine ailearn.space Fotografía dos objetos distintos con la webcam y ponle un nombre a cada uno. En pocos minutos verás cómo se forma un criterio solo con ejemplos que ya traen la respuesta puesta

5Malentendidos comunes

Es fácil pensar que alguien vigila y corrige mientras se entrena, pero en realidad nadie interviene durante el entrenamiento. El papel de la persona termina antes de empezar, al poner las respuestas.
Es fácil pensar que mientras más respuestas correctas se muestren, más inteligente se vuelve, pero en realidad si se cuelan datos con la respuesta mal puesta, entre más cantidad, más se desordena el criterio.
Es fácil pensar que el aprendizaje supervisado consiste en memorizar respuestas, pero en realidad, en cuanto empieza a memorizar, el puntaje cae con datos que nunca vio. El objetivo no es memorizar, sino un criterio que también funcione con datos nuevos.

7Resumen en una línea

En resumenEl aprendizaje supervisado encuentra, en un montón de ejemplos que una persona etiquetó, el criterio que une la entrada con la respuesta, y con ese criterio pone respuesta a datos nuevos que no la traían.

¿Te ayudó esta analogía?

¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización2026-09-02