Tutorial de machine learning con Python para principiantes

En 2023, más del 65 % de los proyectos de machine learning que se publicaron en GitHub usaban Python como lenguaje principal. Esa cifra refleja algo más que una moda: Python ofrece un ecosistema maduro de bibliotecas que permite pasar de un conjunto de datos en CSV a un modelo funcional en pocas horas.

Si estás empezando y quieres entender cómo construir modelos reales sin perderte en teoría abstracta, este tutorial de machine learning con Python para principiantes te da un camino concreto y verificable. — Más información: scikit-learn

Preparar el entorno de trabajo con las herramientas adecuadas

Antes de escribir la primera línea de código conviene tener claro qué piezas necesitas. La mayoría de los principiantes cometen el error de instalar paquetes de forma desordenada y terminan con conflictos de versiones que les hacen perder días. La forma más estable en 2024 sigue siendo crear un entorno virtual con venv y luego instalar las bibliotecas principales desde PyPI.

• Python 3.10 o superior es la versión recomendada porque mantiene compatibilidad con las últimas versiones de scikit-learn y TensorFlow sin sacrificar rendimiento en CPU.
• NumPy y Pandas forman la base para manipular datos numéricos y tabulares; sin ellos cualquier pipeline de machine learning se vuelve innecesariamente complicado.
• Scikit-learn proporciona los algoritmos clásicos de clasificación, regresión y clustering con una API consistente que facilita el aprendizaje progresivo.
• Matplotlib y Seaborn permiten visualizar distribuciones y resultados de forma rápida sin necesidad de exportar datos a otras herramientas.

Una vez creado el entorno, el comando habitual que uso es pip install numpy pandas scikit-learn matplotlib seaborn jupyter. Jupyter Notebook sigue siendo la herramienta más cómoda para experimentar porque permite ejecutar celdas de forma aislada y ver resultados inmediatos.

Verificación del entorno

Después de instalar, abre un notebook y ejecuta las siguientes importaciones. Si no aparecen errores, tu entorno está listo para trabajar con conjuntos de datos de tamaño medio sin problemas de memoria.

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
import matplotlib.pyplot as plt

Conceptos clave que necesitas dominar antes de entrenar modelos

El machine learning se divide principalmente en tres grandes familias: aprendizaje supervisado, no supervisado y por refuerzo. Para un principiante lo más práctico es empezar por el supervisado, donde el modelo aprende a partir de ejemplos etiquetados. Dentro de esta categoría destacan dos tareas muy comunes: clasificación y regresión.

• En clasificación el objetivo es asignar una categoría discreta a cada observación, como decidir si un correo es spam o no spam.
• En regresión se predice un valor continuo, por ejemplo el precio de una vivienda a partir de sus características.
• El concepto de división entre datos de entrenamiento y datos de prueba es fundamental para evitar que el modelo simplemente memorice los ejemplos en lugar de aprender patrones generales.
• La métrica de evaluación cambia según el problema: accuracy para clasificación equilibrada, RMSE para regresión, y F1-score cuando las clases están desbalanceadas.

Una observación que suelo compartir con quienes empiezan es que el 80 % del tiempo real de un proyecto se dedica a limpiar y preparar los datos, no a ajustar hiperparámetros. Ignorar esta fase es la causa más frecuente de modelos que funcionan bien en el notebook pero fallan en producción.

Construir el primer modelo de clasificación paso a paso

El conjunto de datos Iris sigue siendo uno de los mejores puntos de entrada porque es pequeño, limpio y permite visualizar resultados con facilidad. Vamos a cargar los datos directamente desde scikit-learn, dividirlos y entrenar un modelo de regresión logística.

1. Importa el conjunto de datos y conviértelo en un DataFrame de Pandas para facilitar la exploración inicial.
2. Separa las variables predictoras de la variable objetivo y realiza la división train-test con una proporción 80/20.
3. Instancia el modelo LogisticRegression y ajústalo con los datos de entrenamiento usando el método fit.
4. Realiza predicciones sobre el conjunto de prueba y calcula la accuracy para tener una primera medida de rendimiento.

El código completo suele ocupar menos de quince líneas. Lo importante no es copiarlo, sino entender qué hace cada paso y por qué se ejecuta en ese orden. Una vez que domines este flujo básico, podrás aplicarlo a cualquier otro conjunto de datos tabulares sin grandes cambios.

Exploración rápida de los datos

Antes de entrenar cualquier modelo es útil revisar la distribución de las clases y la correlación entre variables. En el caso de Iris, las tres especies están perfectamente equilibradas, lo que simplifica la interpretación de la accuracy.

Evaluación, ajuste y comparación de resultados

Después de obtener la primera accuracy, el siguiente paso natural es entender dónde se equivoca el modelo. La matriz de confusión proporciona esa información de forma visual y permite identificar si hay alguna clase que se confunde sistemáticamente con otra.

Si quieres conocer otros artículos parecidos a Tutorial de machine learning con Python para principiantes puedes visitar la categoría Tecnologia para Principiantes.