Predictive Modeling

El modelado predictivo es el proceso de crear un modelo estadístico o de aprendizaje automático a partir de datos históricos para estimar un resultado desconocido o que aún no se ha producido, como si un cliente cancelará, cuánto venderá una tienda la semana que viene o si una exploración muestra una enfermedad. El modelo aprende cómo se relacionan las características de entrada con un resultado conocido en ejemplos anteriores, una forma de aprendizaje supervisado, y después aplica esa relación a casos nuevos, a menudo devolviendo una probabilidad o un intervalo junto con la predicción. La analítica predictiva es la práctica empresarial de aplicar estos modelos a decisiones de marketing, finanzas, operaciones y sanidad; se sitúa entre la analítica descriptiva, que resume lo ocurrido, y la analítica prescriptiva, que recomienda qué hacer al respecto.

Flujo de trabajo del modelado predictivo#

Un proyecto empieza definiendo el objetivo y la decisión que ayudará a tomar; después reúne ejemplos históricos cuyas entradas se conocían en el momento en que se habría realizado la predicción. La ingeniería de características convierte los registros sin procesar en entradas para el modelo, y los datos se dividen en conjuntos de entrenamiento, validación y prueba. Los problemas de predicción se dividen por tiempo para que el modelo siempre se evalúe en periodos posteriores a aquellos con los que aprendió; en ese caso, una división aleatoria, o cualquier característica que codifique la respuesta, provoca fuga de datos e infla las puntuaciones. Los modelos candidatos se comparan con una referencia sencilla usando datos reservados y, tras la implementación, se vigila la deriva de datos, porque las relaciones aprendidas se debilitan a medida que cambia el mundo.

La evaluación utiliza métricas acordes con la decisión: precisión, exhaustividad y el área bajo la curva ROC para los clasificadores, y el error absoluto medio (MAE) o la raíz del error cuadrático medio para las predicciones numéricas. La validación cruzada estima el rendimiento en conjuntos de datos pequeños promediando varios conjuntos de entrenamiento y prueba. Este ejemplo utiliza scikit-learn para predecir la progresión de la diabetes un año después de las mediciones iniciales de un paciente, y compara dos modelos con una referencia que siempre predice la media:

from sklearn.datasets import load_diabetes
from sklearn.dummy import DummyRegressor
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.linear_model import Ridge
from sklearn.model_selection import cross_val_score

# 442 patients: 10 baseline measurements and disease progression one year later
X, y = load_diabetes(return_X_y=True)

models = {
    "Baseline (always predict the mean)": DummyRegressor(),
    "Ridge regression": Ridge(alpha=0.1),
    "Gradient-boosted trees": HistGradientBoostingRegressor(max_depth=3, random_state=0),
}
for name, model in models.items():
    # Mean absolute error on held-out folds of 5-fold cross-validation
    scores = cross_val_score(model, X, y, cv=5, scoring="neg_mean_absolute_error")
    print(f"{name}: MAE {-scores.mean():.1f}")

La predicción de referencia se desvía una media de 66,0 puntos de la puntuación de progresión; la regresión ridge, 44,6; y los árboles potenciados por gradiente, 46,5. Por tanto, ambos modelos reducen el error en aproximadamente un tercio y, para estos 442 pacientes, el modelo lineal más sencillo es el más preciso.

Tipos de modelos predictivos#

Los modelos predictivos se diferencian por el resultado que estiman. Los modelos de clasificación, como la regresión logística y los árboles de decisión, predicen una categoría y, normalmente, su probabilidad. Los modelos de regresión, como la regresión lineal, predicen un número. Los modelos de predicción para series temporales predicen valores futuros de una secuencia a partir de su propio historial, la estacionalidad y factores externos; los modelos de supervivencia predicen el tiempo hasta un evento, como el fallo de una máquina, incluidos los casos en que el evento aún no ha ocurrido. Para los datos tabulares, los algoritmos habituales son los modelos lineales regularizados y los conjuntos de árboles, como los bosques aleatorios y XGBoost, mientras que las redes neuronales dominan en imágenes, audio y texto, y los modelos fundacionales tabulares predicen sobre tablas nuevas sin entrenar un modelo para cada conjunto de datos.

Modelización predictiva en visión artificial#

Los modelos de visión son modelos predictivos cuyas entradas son píxeles. YOLO26 en modo de predicción devuelve, por cada objeto que encuentra en una imagen, una clase predicha, una puntuación de confianza y las coordenadas del cuadro; los recuentos de objetos obtenidos a partir de esas predicciones suelen convertirse en características de entrada para predicciones posteriores, como el tráfico peatonal por hora para planificar el personal.

Aplicaciones#

• Mantenimiento predictivo: Los modelos entrenados con datos de vibración, temperatura y tiempo de funcionamiento estiman cuándo fallará un componente, de modo que las reparaciones se hacen antes de una avería, en lugar de seguir un calendario fijo.
• Sanidad: Los modelos de riesgo estiman la probabilidad de reingreso hospitalario o sepsis a partir de los historiales de los pacientes, y los modelos de imagen señalan posibles hallazgos para que los radiólogos los revisen primero.
• Puntuación crediticia y detección del fraude: Los bancos predicen la probabilidad de que un prestatario no pague o de que una transacción con tarjeta sea fraudulenta, y puntúan cada transacción en tiempo real cuando se autoriza.
• Planificación de la demanda y el inventario: Los minoristas pronostican las ventas por tienda y producto a partir del historial, los precios, las promociones y los festivos para decidir cuánto inventario pedir.

Modelado predictivo frente a términos relacionados#

• Minería de datos: Busca patrones, grupos y asociaciones en conjuntos de datos grandes, con o sin un objetivo que predecir; el modelado predictivo, en cambio, siempre estima un resultado específico.
• IA generativa: Modela la distribución de los propios datos para crear texto, imágenes o audio nuevos, mientras que un modelo predictivo relaciona una entrada con un valor objetivo.
• Inferencia causal: Estima qué ocurre cuando alguien interviene, algo que un modelo predictivo no puede responder basándose únicamente en correlaciones. Un modelo entrenado con historiales de neumonía de la década de 1990 aprendió que los pacientes con asma tenían menos riesgo de morir, porque normalmente ingresaban directamente en cuidados intensivos; actuar según esa predicción podría haber enviado a casa a pacientes de alto riesgo.