Unsupervised Learning

El aprendizaje no supervisado es la rama del aprendizaje automático que encuentra estructuras en los datos sin etiquetas. El modelo solo recibe entradas, como imágenes, lecturas de sensores o registros de clientes, y aprende cómo se organizan: qué ejemplos se parecen entre sí, qué características varían conjuntamente y qué puntos son distintos del resto. El aprendizaje supervisado necesita una respuesta correcta para cada ejemplo de entrenamiento, y la mayoría de los datos recopilados no la tienen; por eso, los métodos no supervisados suelen ser el primer recurso para explorar un conjunto de datos nuevo y encontrar los grupos, las características compactas y las puntuaciones de anomalía sobre los que se construyen modelos posteriores.

Principales familias de métodos#

El agrupamiento reúne ejemplos similares. El agrupamiento k-means asigna cada punto al centroide más cercano de entre k centroides, DBSCAN amplía los clústeres a partir de regiones densas y etiqueta los puntos aislados como ruido, y los modelos de mezcla gaussiana ajustan distribuciones de probabilidad superpuestas mediante el algoritmo de esperanza-maximización.

La reducción de dimensionalidad comprime muchas características en unas pocas que conservan la mayor parte de la información. El análisis de componentes principales (PCA) encuentra las direcciones de mayor varianza, y t-SNE y UMAP representan puntos de alta dimensionalidad en un mapa 2D para la visualización de datos. Los autocodificadores aprenden un tipo de compresión similar con una red neuronal que debe reconstruir su propia entrada.

La estimación de densidad modela la probabilidad de cada entrada, lo que permite la detección de anomalías a partir únicamente de datos normales: un modelo entrenado solo con piezas intactas o transacciones habituales señala todo lo que considera improbable. La minería de reglas de asociación, como el algoritmo Apriori, encuentra elementos que aparecen juntos en cestas de la compra o registros de eventos.

Aprender y evaluar sin etiquetas#

Sin valores objetivo, cada método optimiza un criterio definido sobre las propias entradas: k-means minimiza la distancia entre los puntos y los centros de sus clústeres; PCA y los autocodificadores minimizan el error de reconstrucción, y los modelos de mezcla maximizan la verosimilitud de los datos. La precisión no se puede medir directamente, así que los resultados se evalúan mediante puntuaciones internas como el coeficiente de silueta, según la utilidad de los resultados para tareas posteriores o frente a etiquetas reservadas únicamente para la evaluación.

Este ejemplo de scikit-learn agrupa 1.797 imágenes de dígitos escritos a mano según los valores de sus píxeles y luego compara los grupos con las etiquetas de dígitos que el algoritmo nunca vio:

from sklearn.cluster import KMeans
from sklearn.datasets import load_digits
from sklearn.metrics import adjusted_rand_score

# Load 1,797 handwritten digit images as 64 pixel values each, then set the labels aside
X, y = load_digits(return_X_y=True)

# Group the images into 10 clusters using the pixels alone
kmeans = KMeans(n_clusters=10, n_init=10, random_state=0)
clusters = kmeans.fit_predict(X)

# Compare the clusters with the digit labels the model never saw
print(f"Adjusted Rand index: {adjusted_rand_score(y, clusters):.2f}")

El índice Rand ajustado es 1,0 si la coincidencia es perfecta y aproximadamente 0 si la coincidencia se debe al azar; en este caso es 0,67. Los ceros, los cuatros y los seises quedan casi por completo en sus propios clústeres, mientras que un clúster mezcla 100 unos con 100 ochos.

Aprendizaje no supervisado, semisupervisado y autosupervisado#

El aprendizaje semisupervisado combina un pequeño conjunto etiquetado con otro grande sin etiquetar; normalmente, se entrena primero con las etiquetas y después se aprende de las predicciones seguras del propio modelo. El aprendizaje autosupervisado suele considerarse aprendizaje no supervisado y es el método con el que la mayoría de los grandes modelos de aprendizaje profundo aprenden a partir de datos sin etiquetar: crea objetivos de predicción a partir de los propios datos, como la siguiente palabra de una frase o los fragmentos ocultos de una imagen en los autocodificadores enmascarados. Los modelos de lenguaje de gran tamaño se preentrenan así con texto sin etiquetar, y DINOv2 de Meta aprendió características de imagen de uso general a partir de 142 millones de imágenes sin etiquetas. El aprendizaje por refuerzo es un paradigma distinto, en el que la señal es una recompensa por las acciones y no la estructura de un conjunto de datos fijo.

Aplicaciones#

Los equipos de visión artificial utilizan métodos no supervisados para explorar conjuntos de datos antes de etiquetarlos o entrenarlos: agrupar las incrustaciones de imágenes revela casi duplicados, valores atípicos y escenas sobrerrepresentadas que podrían sesgar un modelo. El panel Clustering de Ultralytics Platform lo hace con todo un conjunto de datos: genera una incrustación para cada imagen, las sitúa en un mapa 2D y, al seleccionar «Color por» y «Clústeres», marca cada isla de imágenes visualmente similares, empezando por la más grande, y enumera como dispersos los puntos que quedan fuera de todas las islas. Así, una ráfaga de fotogramas de vídeo casi idénticos o unos pocos valores atípicos destacan antes de que un modelo YOLO26 se entrene con los datos.

La inspección industrial se apoya en la detección de anomalías. Los defectos son raros y variados, por lo que muchos sistemas de detección de defectos aprenden únicamente el aspecto de las piezas correctas y señalan cualquier región de una imagen que se desvíe de él. Los bancos aplican la misma idea a las transacciones para la detección de fraude, y los minoristas agrupan historiales de compra en segmentos de clientes para el marketing y los sistemas de recomendación. En genómica de célula única, los investigadores agrupan los perfiles de expresión génica de miles de células individuales y los representan con UMAP para descubrir tipos celulares sin conocerlos de antemano.