MACHINE LEARNING

Fundamentos, algoritmos y aplicaciones para

los negocios, industria y finanzas
 JACINTO VELASCO REBOLLEDO

MACHINE LEARNING
Fundamentos, algoritmos y aplicaciones para
los negocios, industria y finanzas

Madrid • Buenos Aires • México • Bogotá

© Jacinto Velasco Rebolledo, 2024

Reservados todos los derechos.

«No está permitida la reproducción total o parcial de este libro, ni su tratamiento

informático, ni la transmisión de ninguna forma o por cualquier
medio, ya sea electrónico, mecánico por fotocopia, por registro u otros métodos, sin
el permiso previo y por escrito de los titulares del Copyright.»

Ediciones Díaz de Santos

Internet: http//www.editdiazdesantos.com
E-mail: [email protected]

ISBN: 978-84-9052-530-2
Depósito Legal: M-17696-2024

Fotocomposición y diseño de cubiertas: P55 Servicios Culturales

Printed in Spain Impreso en España

 ÍNDICE

Prólogo.................................................................................................. XI

MÓDULO I. Conceptos generales............................................................1

1.1. Conceptos generales de aprendizaje automático................................3
1.2. Infraestructura y tipos de analítica de un proyecto de ciencia
de datos..............................................................................................5
1.2.1. Fundamentos sobre infraestructura de datos..........................5
1.2.2. Diseño de una infraestructura de datos..................................8
1.2.3. Tipos de analítica.................................................................13
1.3. Tipos de aprendizaje automático.....................................................15
1.3.1. Aprendizaje supervisado.......................................................16
1.3.2. Aprendizaje no supervisado..................................................17
1.3.3. Aprendizaje por refuerzo......................................................17
1.4. Etapas de un proyecto de aprendizaje automático............................19
1.4.1. Feature engineering................................................................19
1.4.2. Etapas en un proyecto de aprendizaje automático................20
1.5. Técnicas de optimización en aprendizaje automático.......................25
1.6. Python y buenas prácticas de programación....................................31
1.6.1. Conceptos fundamentales de Python...................................31
1.6.2. Buenas prácticas en la programación de modelos de
aprendizaje automático.............................................................41
1.7. Análisis exploratorio de datos (EDA)..............................................42

MÓDULO II. Aprendizaje supervisado. Clasificación.............................47

2.1. Técnicas de validación de modelos...................................................49
2.1.1. Matriz de confusión para modelos de clasificación..............49
2.1.2. Curva ROC..........................................................................53
2.1.3. Validación cruzada o cross validation.....................................57
2.1.4. Entropía e índice Gini. Curvas de aprendizaje.....................59
2.1.5. Medidas de distancias..........................................................63
2.2. Teoría de la decisión: clasificación bayesiana....................................65
2.2.1. Teorema de Bayes.................................................................65
2.2.2. Algoritmo de Naive Bayes....................................................67
2.3. Sistemas de clasificación básicos......................................................71
2.3.1. Árbol de decisión simple......................................................71
2.3.2. Algoritmo KNN...................................................................73

-VII-
 MACHINE LEARNING

2.4. Sistemas de clasificación avanzados.................................................76

2.4.1. Random forest........................................................................76
2.4.2. Boosting................................................................................80
2.5. Máquinas de soporte vectorial.........................................................87
2.6. Introducción a redes neuronales.......................................................92
2.6.1. Definición y tipos de redes neuronales.................................92
2.6.2. Redes neuronales multicapa.................................................96
2.6.3. Redes neuronales convolucionales (CNN).........................102
2.6.4. Redes neuronales recurrentes (RNN).................................106
2.7. Procesamiento del lenguaje natural (NLP)...................................108
2.8. Estrategias de resolución de problemas en modelos
de clasificación...............................................................................115

MÓDULO III. Modelos de regresión y series temporales......................119

3.1. Validación en modelos de regresión...............................................121
3.2. Regresión lineal múltiple...............................................................128
3.3. Regresión logística.........................................................................134
3.4. Modelos de árboles con regresión..................................................139
3.5. Regresión con vector soporte.........................................................144
3.6. Series temporales con aprendizaje automático...............................147
3.6.1. Introducción a las series temporales y análisis de
componentes......................................................................147
3.6.2. Modelos ARIMA y SARIMA...........................................150
3.6.3. Series temporales con redes neuronales..............................155

MÓDULO IV. Aprendizaje no supervisado y por refuerzo....................159

4.1. Análisis de componentes principales (PCA)..................................161
4.2. Modelos de aprendizaje no supervisado.........................................163
4.2.1. Agrupación en clústeres: K-means.....................................163
4.2.2. DBSCAN..........................................................................167
4.2.3. Algoritmos a priori.............................................................169
4.2.4. Técnicas de validación de modelos no supervisados...........173
4.3. Aprendizaje por refuerzo...............................................................177

MÓDULO V. Casos de uso..................................................................181

5.1. Caso de uso de una segmentación de prospectos...........................183
5.1.1. Definición del modelo........................................................183
5.1.2. Descripción del caso de uso................................................184
5.1.3. Resolución técnica..............................................................184
5.1.4. Análisis de resultados.........................................................188

-VIII-
 Índice

5.2. Caso de uso de un modelo de propensión......................................192

5.2.1. Definición del modelo........................................................192
5.2.2. Descripción del caso de uso................................................193
5.2.3. EDA...................................................................................194
5.2.4. Resolución técnica..............................................................196
5.2.5. Cálculo del tiempo de retorno............................................204
5.2.6. Distribución de nuevas probabilidades...............................208
5.2.8. Conclusiones y análisis de negocio.....................................210
5.3. Análisis de series temporales para predecir el número de via-
jeros en el transporte urbano..........................................................210
5.3.1. Descripción del caso de uso................................................210
5.3.2 Resolución técnica usando SARIMA................................211
5.3.3. Conclusiones y análisis de negocio.....................................217
5.4. Caso de uso de un modelo de abandono (churn) para explicar
la pérdida de clientes en el sector financiero. Optimización de
parámetros......................................................................................218
5.4.1. Definición del modelo........................................................218
5.4.2. Descripción del caso de uso................................................219
5.4.3. EDA...................................................................................220
5.4.4. Resolución técnica..............................................................223
5.4.5. Conclusiones y análisis de negocio.....................................229
5.5. Caso de uso para el análisis de sentimiento en redes sociales
mediante el teorema de Bayes........................................................231
5.5.1. Definición del modelo........................................................231
5.5.2. Descripción del caso de uso................................................232
5.5.3. Resolución técnica..............................................................233
5.5.4. Conclusiones y análisis de negocio.....................................235

Bibliografía...........................................................................................237

-IX-
 PRÓLOGO

En la intersección entre la innovación tecnológica y las estrategias empresariales,

emerge el mundo del aprendizaje automático. En la era digital, donde los datos
son valorados como el nuevo petróleo y la habilidad para tomar decisiones pre-
cisas y ágiles se considera la clave del éxito empresarial, el dominio de las herra-
mientas y técnicas del aprendizaje automático se ha vuelto imprescindible tanto
para líderes empresariales consolidados como para estudiantes universitarios.
Este campo en constante evolución no solo revoluciona la forma en que las
organizaciones abordan sus operaciones y estrategias comerciales, sino que tam-
bién abre un vasto espectro de oportunidades para aquellos que están dispuestos
a explorarlo. Desde la personalización de experiencias para los clientes hasta la
detección de patrones ocultos en grandes conjuntos de datos, el aprendizaje auto-
mático se ha convertido en un motor fundamental de la innovación y el progreso
en el ámbito empresarial moderno.
En este contexto, comprender los fundamentos y aplicaciones del apren-
dizaje automático se convierte en una ventaja competitiva crucial. Los líderes
empresariales deben estar equipados con el conocimiento necesario para apro-
vechar al máximo el potencial de esta tecnología, mientras que los estudian-
tes universitarios buscan adquirir las habilidades esenciales que les permitirán
prosperar en el mercado laboral del futuro.
El autor, con más de 20 años de experiencia en la aplicación de estas me-
todologías para resolver casos de uso en diversas áreas empresariales, desde la
financiera e industrial hasta la comercial y de marketing, ha destilado su conoci-
miento en este libro. La obra ha sido diseñada para ser una guía completa y ac-
cesible sobre aprendizaje automático aplicado a los negocios, representando un
recurso invaluable tanto para aquellos que buscan mejorar su comprensión de
las complejidades del aprendizaje automático en el contexto empresarial, como
para profesores que desean impartir conocimientos actualizados y relevantes en
el aula universitaria.
Dentro de las páginas de este compendio, los lectores serán guiados en un
fascinante viaje que parte desde los cimientos elementales hasta las sofisticadas
técnicas del aprendizaje automático, todo ello expuesto mediante un lenguaje
matemático comprensible por cualquier lector con formación básica en econo-
mía, finanzas o tecnología. A lo largo de este recorrido, se explorará minucio-
samente cómo aplicar algoritmos de aprendizaje supervisado y no supervisado
para abordar una amplia variedad de desafíos empresariales.
Desde la anticipación de la demanda hasta la optimización de la cadena
de suministro, así como el análisis de sentimientos y la personalización de ex-

-XI-
 MACHINE LEARNING

periencias para los clientes, este libro se convierte en un recurso esencial para
aquellos que buscan ampliar su comprensión y dominio en el ámbito del apren-
dizaje automático aplicado al entorno empresarial.
Este texto va más allá de meras teorías abstractas; su enfoque se concentra
en proporcionar a los lectores las habilidades prácticas necesarias para afrontar
los desafíos cambiantes del mundo empresarial contemporáneo. Además, está
meticulosamente estructurado para ser utilizado tanto por estudiantes univer-
sitarios en busca de conocimientos fundamentales como por profesionales que
aspiran a integrar el aprendizaje automático en sus actividades cotidianas.
En el libro se incluyen ejemplos en Python para ayudar a comprender me-
jor la teoría presentada. Estos ejemplos prácticos muestran cómo aplicar los
conceptos de aprendizaje automático a situaciones empresariales concretas. No
solo clarifican la teoría expuesta en el texto, sino que también proporcionan a
los lectores herramientas prácticas que pueden aplicar en sus propios proyectos
empresariales. Al ver cómo se implementan los conceptos de aprendizaje auto-
mático en código, los lectores pueden comprender mejor cómo adaptar y aplicar
estas técnicas a sus propios casos de uso específicos dentro de sus organizacio-
nes. Esta combinación de teoría y ejemplos prácticos en Python asegura que los
lectores no solo adquieran conocimientos conceptuales sobre aprendizaje auto-
mático, sino que también desarrollen habilidades prácticas que puedan utilizar
para abordar desafíos empresariales reales.
En última instancia, este libro tiene como objetivo capacitar a sus lectores
para que se conviertan en líderes visionarios y tomadores de decisiones infor-
madas, capaces de aprovechar el poder del aprendizaje automático para impul-
sar la innovación, la eficiencia y el crecimiento en sus organizaciones y en la
sociedad en general.

Dr. Jacinto Velasco Rebolledo

-XII-
 Módulo IV
APRENDIZAJE NO SUPERVISADO
Y POR REFUERZO
4.1. ANÁLISIS DE COMPONENTES
PRINCIPALES (PCA)
El análisis de componentes principales (PCA) es una técnica estadística amplia-
mente utilizada en diversos campos, desde la biología hasta la ingeniería y la eco-
nomía, debido a su capacidad para simplificar conjuntos de datos complejos sin
perder información crucial. Su objetivo principal es reducir la dimensionalidad de
los datos, lo que significa representar la información original utilizando un número
menor de variables, conocidas como componentes principales. Esta reducción de
dimensionalidad es esencial para manejar conjuntos de datos grandes y complejos,
así como para visualizar y comprender la estructura subyacente de los datos.
El proceso de PCA implica una transformación lineal de las variables origi-
nales para encontrar un nuevo sistema de coordenadas en el que los datos estén
mejor representados. Esto se logra mediante la identificación de los ejes princi-
pales de variación en los datos, que son ortogonales entre sí y ordenados según
la cantidad de variabilidad que explican. Estos ejes principales, o componentes
principales, son combinaciones lineales de las variables originales y están des-
correlacionados entre sí, lo que significa que capturan diferentes aspectos de la
variabilidad presente en los datos sin redundancia. El proceso de PCA implica
los siguientes pasos:

Estandarización de datos
Se normalizan los datos para asegurar que todas las variables tengan la misma
escala. Esto es importante para evitar que las variables con escalas más grandes
dominen el análisis. Dada una matriz A de n filas y p columnas, la ecuación
matemática sería la siguiente

Cálculo de la matriz de covarianza o matriz de correlación

Se calcula la matriz que describe las relaciones entre todas las variables del
conjunto de datos.

-161-
 MACHINE LEARNING

Descomposición de la matriz
Se realiza una descomposición de la matriz de covarianza o correlación para ob-
tener los autovectores y autovalores asociados. Si denominamos a λ los autova-
lores, S a la matriz de covarianza y V a la matriz de autovectores, la formulación
matemática sería:

Selección de componentes principales

Se ordenan los autovalores de mayor a menor y se eligen los primeros k compo-
nentes principales que explican la mayor parte de la varianza en los datos. Ge-
neralmente, se decide un umbral de varianza explicada para determinar cuántos
componentes principales se mantienen.
Transformación de datos: se proyectan los datos originales sobre el espacio
definido por los componentes principales seleccionados. Esto implica multipli-
car la matriz de datos original por la matriz de autovectores seleccionados.

El resultado final del PCA es un conjunto de componentes principales que

son combinaciones lineales de las variables originales y que capturan la mayor
parte de la variabilidad presente en los datos originales. Estos componentes
pueden utilizarse para visualización, análisis exploratorio de datos o como en-
trada para otros algoritmos de aprendizaje automático.

Figura 4.1. Ejemplo de clasificación PCA.

-162-
 MÓDULO IV. Aprendizaje no supervisado y por refuerzo

Código Python

PCA(n_components, whiten,svd_solver, tol, iterated_power, random_state,-

copy)

Parámetros:

• Número de componentes principales (n_components): especifica el

número de componentes principales
• whiten: este parámetro, si se establece en True, indica si se debe aplicar
el blanqueo de datos antes de calcular los componentes principales.
• svd_solver: PCA utiliza una descomposición de valores singulares
(SVD) para calcular los componentes principales. Algunas opciones co-
munes son auto, full, randomized y arpack.
• tol: este parámetro controla la tolerancia para el corte de la singularidad
en SVD.
• iterated_power: este parámetro solo se aplica si svd_solver es randomi-
zed. Controla la cantidad de potencias iterativas.
• random_state: controla la aleatoriedad en la inicialización del estado
interno del generador de números aleatorios.
• copy: si se establece en True, una copia de los datos se realiza antes de
realizar el PCA.

4.2. MODELOS DE APRENDIZAJE NO

SUPERVISADO

4.2.1. Agrupación en clústeres: K-means

El clustering, una técnica fundamental en el análisis no supervisado, juega un

papel crucial en la exploración y comprensión de conjuntos de datos complejos
al permitir descubrir estructuras y patrones inherentes que pueden pasar desa-
percibidos a simple vista, sin la necesidad de etiquetas predefinidas.
En el proceso de conglomerado, cada punto de datos se representa como un
vector en un espacio multidimensional, donde cada dimensión corresponde a
una característica o atributo del conjunto de datos. Estas características pueden
abarcar variables numéricas, categóricas o incluso de texto, proporcionando así
la flexibilidad necesaria para analizar una amplia gama de datos.
El objetivo principal del clustering es agrupar los puntos de datos de manera
que los miembros de un mismo clúster sean más similares entre sí que con los
puntos de otros clústeres. Esta similitud se evalúa utilizando medidas de dis-
tancia o similitud, como la distancia euclidiana, la distancia de Manhattan o la
similitud del coseno, entre otras.

-163-
 MACHINE LEARNING

Los resultados del agrupamiento pueden interpretarse y visualizarse para

obtener información valiosa sobre la estructura subyacente de los datos. Esta
interpretación puede revelar patrones emergentes, segmentos de clientes, rela-
ciones entre variables o incluso anomalías en los datos, lo que facilita la toma de
decisiones informadas en una variedad de campos y aplicaciones.
El algoritmo K-means es una técnica de agrupación de datos ampliamente
utilizada en el aprendizaje no supervisado. Su objetivo principal es dividir un
conjunto de datos en un número predefinido de k grupos, con el fin de minimi-
zar la varianza intraclúster y maximizar la varianza interclúster. Este algoritmo
se basa en la asignación iterativa de puntos de datos a clústeres, llevándose a
cabo iteraciones hasta alcanzar la convergencia o un criterio de parada definido.
Dado un conjunto de valores X= {x1, x2, … ,xn) que queremos dividir en CK
grupos, de tal manera que minimicemos la suma de las distancias cuadradas de
cada punto al centro de su respectivo conglomerado. Para ello, se define µi como
el centroide CK, cuya función a minimizar es la siguiente:

Para realizar la minimización de la función se siguen los siguientes pasos:

1. Inicialización de centroides: seleccionamos k puntos aleatorios como

centroides iniciales.
2. Asignación de puntos al clúster más cercano: para cada punto xi, calcu-
lamos la distancia Euclidiana a cada centroide y asignamos xi al clúster
cuyo centroide está más cercano.

3. Actualización de los centroides: para cada clúster, actualizamos el cen-

troide, como el promedio de todos los puntos asignados a ese clúster.

4. El algoritmo convergerá cuando los centroides no cambien o cambien

por debajo de un cierto umbral predefinido.

El algoritmo K-means es una herramienta altamente valorada en diversos

campos debido a su capacidad para agrupar datos de manera eficiente y sencilla.
Entre sus múltiples aplicaciones, una de las más destacadas se encuentra en el ám-
bito del marketing, donde se emplea para llevar a cabo la segmentación de mer-

-164-
 MÓDULO IV. Aprendizaje no supervisado y por refuerzo

cado. En esta tarea, K-means desempeña un papel crucial al dividir a los clientes
en grupos homogéneos Módulo IV: Aprendizaje
basados no supervisado
en una variedad y por
de criterios, que refuerzo
pueden incluir
comportamientos de compra, preferencias de productos o servicios, características
demográfi
complejidad del cas y otros datos
mercado relevantes.de
y la cantidad Ladatos
elección del númeroes
disponibles, defundamental
conglomerados,
que suele
para obtener situarse entre
segmentos 3 y 5, aunquey puede
significativos útiles.variar según la complejidad
La segmentación del mer-
de mercado
cado y la cantidad de datos disponibles, es fundamental
mediante K-means permite a las empresas personalizar sus estrategias de para obtener segmentos
signifi
marketing ycativos y útiles.de
publicidad La forma
segmentación de mercado
más precisa mediante Al
y efectiva. K-means permite a
comprender
las empresas personalizar sus estrategias de marketing
mejor las necesidades y preferencias específicas de cada segmento de y publicidad de forma más
clientes,precisa y efectiva.pueden
las empresas Al comprender
adaptar mejor
sus las necesidades
mensajes, y preferencias
ofertas y serviciosespecífi
paracas
satisfacer de manera más adecuada las demandas de cada grupo. Estoofertas
de cada segmento de clientes, las empresas pueden adaptar sus mensajes, no
y servicios
solo puede mejorar paralasatisfacer
eficaciadedemanera más adecuada
las campañas las demandas
de marketing, de cada
sino grupo.
también
aumentarEstolano solo puede
retención demejorar
clienteslayefi cacia de las
fortalecer lacampañas de marketing,
lealtad hacia la marca.sino tam-
bién aumentar la retención de clientes y fortalecer la lealtad hacia la marca.

Figura 4.2.4.2.
Figura Pasos
Pasos en unproceso
en un proceso iterativo
iterativo de K-means.
de k-means

Otra aplicación común de K-means-165-

es la compresión de imágenes. En
este caso, el algoritmo agrupa los píxeles de una imagen en grupos
representados por los colores medios, lo que reduce el número de colores
necesarios para representar la imagen sin perder su calidad visual de
 MACHINE LEARNING

Otra aplicación común de K-means es la compresión de imágenes. En este

caso, el algoritmo agrupa los píxeles de una imagen en grupos representados por
los colores medios, lo que reduce el número de colores necesarios para represen-
tar la imagen sin perder su calidad visual de manera significativa. Esta técnica es
especialmente útil en situaciones donde se necesita optimizar el almacenamien-
to o la transmisión de imágenes, como en el caso de la compresión de imágenes
para su uso en sitios web o en la transmisión de datos multimedia.

Figura 4.3. Ejemplo de clasificador K-means.

En el análisis de redes sociales, K-means se utiliza para agrupar usuarios con

perfiles de comportamiento similares en diferentes segmentos. Esto facilita la
identificación de comunidades dentro de una red social, así como la detección
de patrones de interacción entre usuarios. Por ejemplo, en plataformas como
Twitter, K-means podría emplearse para agrupar usuarios con intereses simi-
lares o comportamientos de interacción, lo que sería útil para personalizar la
experiencia del usuario o para identificar influencers dentro de la plataforma.
En el ámbito del comercio electrónico, K-means se emplea para segmentar
clientes en tiendas en línea según sus patrones de compra, preferencias de pro-
ductos, comportamientos de navegación y otros datos relevantes. Esto ayuda a las
empresas a comprender mejor a sus clientes y a ofrecer recomendaciones de pro-
ductos más precisas y relevantes, así como a personalizar la experiencia de compra
en línea para cada usuario.
Además, en el análisis de texto y minería de datos, K-means se utiliza para
agrupar documentos de texto o palabras similares en temas o categorías rela-

-166-
 MÓDULO IV. Aprendizaje no supervisado y por refuerzo

cionadas. Esto facilita la organización y comprensión de grandes conjuntos de

datos textuales, así como la identificación de tendencias o temas emergentes, y
mejora la búsqueda y recuperación de información.

Código Python

KMeans(n_clústeres, init, n_init, max_iter, tol, algorithm)

Los parámetros son:

• n_clústeres: número de clústeres que se desean encontrar.

• init: método de inicialización de los centroides. Puede ser k-means++,
random, o un array de centroides iniciales.
• n_init: número de veces que se ejecutará el algoritmo K-means con dife-
rentes centroides iniciales. El resultado final será el modelo con la inercia
más baja.
• max_iter: número máximo de iteraciones en cada ejecución del algorit-
mo K-means.
• tol: tolerancia para declarar la convergencia del algoritmo, es decir, el
criterio de parada. Si la diferencia entre los centroides de dos iteraciones
consecutivas es menor que tol, se considera que el algoritmo ha conver-
gido.
• algorithm: algoritmo para calcular el K-means. Puede ser auto, full,
elkan, entre otros.

4.2.2. DBSCAN
El algoritmo DBSCAN (density-based spatial clustering of applications with
noise) es una técnica de agrupamiento ampliamente utilizada en el campo del
aprendizaje automático y la minería de datos. A diferencia de otros algoritmos
de clustering, como k-medias, que requieren la especificación previa del número
de clústeres, DBSCAN es capaz de identificar áreas densas de puntos en el es-
pacio de características de manera automática, sin necesidad de conocimiento
previo sobre la cantidad de clústeres presentes en los datos.
DBSCAN se fundamenta en el concepto de densidad de puntos en el espa-
cio de características. La idea principal detrás de este algoritmo es que los pun-
tos cercanos entre sí en el espacio de características tienen más probabilidades
de pertenecer al mismo clúster que puntos más alejados. Por lo tanto, en lugar
de definir los clústeres mediante la minimización de una métrica de distancia
como en k-medias, DBSCAN busca identificar áreas densas de puntos y con-
siderarlos como clústeres.
Una de las ventajas más importantes de DBSCAN es su capacidad para
detectar clústeres de diferentes formas y tamaños de manera automática. Esto

-167-
 MACHINE LEARNING

se debe a su capacidad para adaptarse a la densidad local de los puntos en el

espacio de características. Mientras que otros algoritmos de clustering pueden
tener dificultades para identificar clústeres no esféricos o de formas irregulares,
DBSCAN puede manejar estas situaciones de manera efectiva.
Además, DBSCAN es robusto ante la presencia de ruido y outliers en los
datos. Los puntos que no están lo suficientemente cerca de ningún otro punto
se consideran ruido y no se asignan a ningún clúster. Esto significa que DBS-
CAN puede identificar y aislar puntos anómalos en el conjunto de datos, lo
que puede ser útil en diversas aplicaciones, como la detección de anomalías o la
eliminación de ruido en conjuntos de datos.

Figura 4.4. Ejemplo de clasificador DBSCAN.

Denominamos e como el radio del vecindario alrededor de un punto x. Para

cada punto p en el conjunto de datos N(p), definimos su vecindario con respec-
to a un punto x en un conjunto de datos X como:

Un punto p se considera un punto núcleo si su vecindario contiene al menos

un número mínimo de puntos (MinPts), es decir, N(x) ≥MinPts. Un punto de
borde es un punto que no es un punto núcleo, pero está en el vecindario de al
menos un punto núcleo, matemáticamente sería N(X) ≤MinPts. Los puntos
que no son ni puntos núcleo ni puntos de borde se consideran puntos de ruido

-168-
 MÓDULO IV. Aprendizaje no supervisado y por refuerzo

y no se asignan a ningún clúster. El proceso de clusterización para cada punto p

se realiza de la siguiente manera:

• Si p es un punto núcleo, se forma un nuevo clúster con él y todos los

puntos alcanzables desde él.
• Si p es un punto de borde, se asigna al mismo clúster que un punto nú-
cleo en su vecindario.
• Si p es un punto de ruido, no se asigna a ningún clúster.

El algoritmo DBSCAN puede ser implementado de manera eficiente uti-

lizando estructuras de datos como árboles de búsqueda espacial. Al ajustar los
parámetros e y MinPts, podemos controlar la sensibilidad del algoritmo y ob-
tener diferentes resultados de clustering según las características del conjunto de
datos y los requisitos del problema.
Una de las diferencias más importante con el algoritmo de k-medias es que
no hay que dar un número de clústeres predefinido. Además, k-medias funciona
mejor en conjuntos de datos donde los clústeres son aproximadamente esféricos
y de tamaño similar, y puede ser sensible a outliers, ya que los puntos distantes
de los centroides pueden influir en la definición de los clústeres.

Código Python

DBSCAN(eps, min_samples, metric, algorithm, leaf_size)

Parámetros:

• eps: la distancia máxima entre dos muestras para que una se considere
como en el vecindario de la otra. Este es el parámetro más importante
en DBSCAN.
• min_samples: el número mínimo de muestras en un vecindario para que
un punto sea considerado como núcleo. Esto incluye el punto en sí
• metric: la métrica de distancia utilizada para calcular las distancias entre
puntos. Las opciones comunes incluyen euclidean, manhattan, cosine,
entre otras.
• algorithm: el algoritmo utilizado para calcular las distancias entre pun-
tos. Las opciones incluyen auto, ball_tree, kd_tree y brute.
• leaf_size: tamaño de hoja pasado a los algoritmos de árbol. Esto puede
afectar la velocidad y el uso de memoria del algoritmo.

4.2.3. Algoritmos a priori

El algoritmo Apriori es una herramienta fundamental en la minería de da-
tos, diseñada para descubrir patrones de asociación en conjuntos de datos. Su

-169-
 MACHINE LEARNING

principal objetivo es identificar conjuntos de elementos que tienden a aparecer

juntos con frecuencia en un conjunto de transacciones. Este algoritmo se basa
en la premisa de que, si un conjunto de elementos es frecuente, entonces todos
sus subconjuntos también deben serlo.
El nombre Apriori se deriva del concepto filosófico de “a priori”, que se re-
fiere al conocimiento previo o las suposiciones fundamentales antes de realizar
un análisis. En el contexto del algoritmo Apriori, se utilizan reglas de asociación
para determinar la frecuencia de los conjuntos de elementos y extraer patrones
de asociación significativos a partir de ellos.
El funcionamiento del algoritmo Apriori consta de varias etapas. En primer
lugar, se identifican los elementos individuales que aparecen con una frecuencia
mínima en el conjunto de datos, conocido como el “umbral de soporte mínimo”.
Luego, se generan conjuntos de elementos más grandes a partir de estos ele-
mentos individuales, utilizando la propiedad Apriori mencionada anteriormen-
te. Este proceso se repite iterativamente para encontrar conjuntos de elementos
cada vez más grandes que cumplan con el umbral de soporte mínimo establecido.
Una vez identificados los conjuntos de elementos frecuentes, el algoritmo
apriori puede emplearse para generar reglas de asociación entre los elementos.
Estas reglas describen las relaciones entre los elementos y pueden aplicarse en
diversas aplicaciones prácticas, como la recomendación de productos, el análisis
de cestas de compra y la optimización de inventarios.
A continuación, desarrollaremos tres medidas esenciales en el algoritmo
Apriori:

• Soporte (support). El soporte de un conjunto de elementos (o un con-

junto de ítems) es la proporción de transacciones en el conjunto de datos
que contienen ese conjunto de elementos. Matemáticamente, el soporte
se calcula como la frecuencia relativa de un conjunto de elementos en
todas las transacciones.

• Confianza (confidence). La confianza mide la probabilidad de que ocurra

una consecuencia (o elemento) dado que ocurre un antecedente (o conjunto
de elementos). En términos de reglas de asociación, la confianza se refiere a
la proporción de transacciones que contienen tanto el antecedente como la
consecuencia en relación con las transacciones que contienen el antecedente.

-170-
 MÓDULO IV. Aprendizaje no supervisado y por refuerzo

• Lift. Mide la importancia de una regla de asociación sobre el azar. In-

dica cuántas veces más probable es que ocurra la consecuencia dado el
antecedente, en comparación con si fueran eventos independientes. Un
valor de lift mayor que 1 indica una correlación positiva, mientras que un
valor menor que 1 indica una correlación negativa.

El algoritmo Apriori utiliza estos conceptos para generar conjuntos de ítems

frecuentes y generar reglas de asociación a partir de ellos. Comienza identifi-
cando los ítems individuales que tienen un soporte mayor que el umbral míni-
mo establecido. Luego, se generan conjuntos de ítems más grandes mediante la
combinación de ítems frecuentes anteriores, y estos conjuntos se evalúan uti-
lizando los criterios de soporte y confianza. Las reglas de asociación finales se
seleccionan basadas en los umbrales de soporte y confianza especificados por el
usuario. Veamos un ejemplo sencillo. En un restaurante se tienen las siguientes
combinaciones:

Figura 4.5. Ejemplo de caso de uso del algoritmo A priori.

Aplicando el algoritmo Apriori podemos ver qué tipo de reglas hay en la

combinación de estos 5 productos y cuál es la que tiene mejor probabilidad.
Esto se puede usar, perfectamente para recomendar un producto.

-171-
 MACHINE LEARNING

Figura 4.6. Ejemplo de reglas de asociación.

La mejor medida depende del objetivo a lograr con tu análisis. Si estás in-
teresado en la fuerza de la relación entre el antecedente y el consecuente, la
confianza podría ser la medida más relevante. Si estás buscando reglas que sean
aplicables a una gran cantidad de transacciones, el soporte podría ser más im-
portante. Por otro lado, si deseas identificar reglas que sean más que una simple
correlación y tengan una relación causal o de dependencia entre el antecedente
y el consecuente, entonces el lift podría ser la medida más adecuada. En muchos
casos, es útil considerar múltiples medidas para obtener una comprensión más
completa de las reglas de asociación. A continuación, se muestran los resultados
del ejemplo mostrado.

Poste- Soporte Soporte Soporte Confianza Lift

Regla Mejor
rior anterior posterior (S) (C) (L)
Taco Sushi 0,6 0,8 0,6 1 1,25 S
Sushi Taco 0,8 0,6 0,6 0,75 1,25 S
Taco Sushi 0,6 0,8 0,6 1 1,25 C
Taco,
Sushi 0,2 0,8 0,2 1 1,25 C
Bollería
Pasta,
Bollería 0,2 0,6 0,2 1 1,66 L
Pizza
Pasta,
Bollería 0,2 0,6 0,2 1 1,66 L
Pizza
Pizza,
Pasta 0,2 0,6 0,2 1 1,66 L
Bollería

-172-
 MÓDULO IV. Aprendizaje no supervisado y por refuerzo

Como se puede apreciar la asociación taco y sushi ganan tanto en soporte

como en confianza, por lo que la mejor opción es ofrecer sushi si antes se ha
pedido un taco.

Código Python

apriori(df, min_support, use_colnames, max_len)

Parámetros:

• df: el DataFrame que contiene los datos transaccionales. Debe estar en

un formato donde las filas representan transacciones y las columnas re-
presentan ítems.
• min_support: el umbral mínimo de soporte para considerar un conjun-
to de ítems como frecuente. El soporte se define como la proporción de
transacciones en las que aparece un conjunto de ítems. Se expresa como
un valor entre 0 y 1.
• use_colnames: booleano que indica si se deben usar los nombres de co-
lumna originales en el DataFrame para los conjuntos de ítems generados
en lugar de los índices de columna.
• max_len: la longitud máxima de los conjuntos de ítems generados. Esto
controla el tamaño máximo de los conjuntos de ítems que se buscarán
como frecuentes.

4.2.4 Técnicas de validación de modelos

no supervisados
La evaluación de los resultados del algoritmo K-means es esencial para de-
terminar la calidad y utilidad de la agrupación de datos obtenida. Al evaluar
los resultados de K-means, los analistas buscan comprender la coherencia y
separación de los clústeres identificados, lo que les permite tomar decisiones
informadas sobre la interpretación de los datos agrupados. Esta evaluación
se realiza mediante diversas técnicas que proporcionan una visión general de
la estructura y cohesión de los clústeres. Al comprender cómo los datos se
agrupan y distribuyen en diferentes grupos, los analistas pueden determinar
si la agrupación captura adecuadamente las relaciones y patrones subyacentes
en los datos. Esta comprensión es crucial para garantizar que la agrupación
resultante sea significativa y útil para su aplicación en diferentes contextos
analíticos.
La inercia, también conocida como suma de los cuadrados dentro de los
clústeres (WCSS), es una medida fundamental en la evaluación de los resulta-
dos del algoritmo K-means. Esta métrica cuantifica la dispersión de los pun-
tos dentro de cada clúster, calculando la suma de las distancias al cuadrado de
-173-
 MACHINE LEARNING

cada punto al centroide de su clúster correspondiente. En esencia, la inercia

representa la cohesión intraclúster: cuanto menor sea la inercia, mayor será la
cohesión de los puntos dentro de cada clúster, lo que indica una agrupación más
compacta y homogénea. Por otro lado, una mayor inercia sugiere una dispersión
más amplia de los puntos dentro de los clústeres, lo que puede indicar una agru-
pación menos coherente. Matemáticamente se define como:

La silueta, también conocida como puntuación de silueta, es una métrica po-

derosa en la evaluación de la calidad de los clústeres generados por el algoritmo
K-means. Esta medida proporciona información detallada sobre cómo se agru-
pan los puntos dentro de cada clúster y cómo se separan entre sí los clústeres
adyacentes. La puntuación de silueta de un punto se calcula como la diferencia
entre la distancia promedio hacia los otros puntos en el mismo clúster (cohesión
intraclúster) y la distancia promedio hacia los puntos en el clúster más cercano
diferente al que pertenece (separación interclúster), normalizada por el máximo
de estas dos distancias. En esencia, una puntuación de silueta cercana a 1 indica
que el punto está bien clasificado en su clúster y que está relativamente lejos de
los puntos en los clústeres vecinos, lo que sugiere una agrupación coherente y
bien definida. Por otro lado, una puntuación de silueta cercana a -1 indica que
el punto podría haber sido mal clasificado, ya que está más cerca de los puntos
en un clúster vecino que de los puntos en su propio clúster, lo que sugiere una
separación inadecuada entre clústeres o una superposición entre ellos. Matemá-
ticamente se define como:

Donde a(i) es la distancia promedio entre i y todos los demás puntos en el mis-
mo clúster, y b(i) es la distancia promedio entre i y todos los puntos en el clúster
más cercano diferente de i.

-174-
 MÓDULO IV. Aprendizaje no supervisado y por refuerzo

Silueta para diferentes números de clústeres

� 2
�
:,
-¡;
-.;
,:,
"'
iÍ
.,
:,
.
CT 1

-0.1 o.o 0.2 0.4 0.6 o.a 1.0

Coeficiente de silueta

Figura 4.7. Silueta para diferentes números de clústeres.

El índice de Davies-Bouldin (Davies-Bouldin index) es una métrica amplia-

mente utilizada para evaluar la calidad de los clústeres generados por el algorit-
mo K-means. Este índice proporciona una medida de la “separación” entre los
clústeres, donde valores más bajos indican clústeres mejor definidos y más se-
parados entre sí. El cálculo del índice de Davies-Bouldin implica evaluar tanto
la dispersión dentro de cada clúster como la distancia entre los centroides de los
clústeres. Concretamente, se calcula como la media de las distancias entre los
centroides de los clústeres, dividida por la distancia entre los centroides y la dis-
persión dentro del clúster. En esencia, un índice de Davies-Bouldin bajo sugiere
que los centroides de los clústeres están bien separados entre sí y que los clús-
teres son cohesivos y definidos de manera clara, lo que indica una agrupación
efectiva y significativa de los datos. Por otro lado, un índice de Davies-Bouldin
más alto puede indicar que los clústeres están más superpuestos o que la sepa-
ración entre ellos es menos clara, lo que sugiere una agrupación menos efectiva
o subóptima. Matemáticamente se define como:

Donde Ci y Cj son los centroides de los clústeres i y j, respectivamente, σi y σj

son la dispersión promedio dentro de los clústeres i y j, y d es una medida de
distancia entre los centroides.
La “ley del codo” es una técnica ampliamente utilizada en la determinación
del número óptimo de clústeres (k) en el algoritmo K-means. Su aplicación

-175-
 MACHINE LEARNING

implica el análisis de la inercia, que es la suma de los cuadrados dentro de los

clústeres, en relación con el número de clústeres utilizados en el proceso de
agrupamiento. Esta técnica es fundamental para determinar un valor adecuado
de k que permita una segmentación efectiva y representativa de los datos. Para
aplicar la “ley del codo”, se ejecuta el algoritmo K-means con diferentes valores
de k, generando un conjunto de modelos con diferentes niveles de granulari-
dad en la agrupación de datos. Luego, se calcula la inercia de cada modelo, que
representa la suma de las distancias al cuadrado de cada punto a su centroide
correspondiente. Estos valores de inercia se grafican en función del número de
clústeres, y se busca visualmente el punto donde se produce un “codo” o cambio
significativo en la pendiente de la curva. Este punto sugiere un número óptimo
de clústeres donde la disminución en la inercia se vuelve significativamente más
lenta al agregar clústeres adicionales. En consecuencia, la “ley del codo” pro-
porciona una guía intuitiva para seleccionar el número apropiado de clústeres
que mejor represente la estructura subyacente de los datos, lo que permite una
segmentación precisa y significativa en el análisis de datos mediante el algorit-
mo K-means.

Figura 4.8. Curva obtenida mediante la ley del codo.

-176-
 MÓDULO IV. Aprendizaje no supervisado y por refuerzo

Código Python

Para graficar la ley del codo se puede hacer de la siguiente manera:

wcss = []
for i in range(1, 11):
kmeans = KMeans(n_clústeres=i, init=’k-means++’, max_iter=300, n_
init=10, random_state=0)
kmeans.fit(X), wcss.append(kmeans.inertia_)
Graficar la suma de los cuadrados dentro del clúster (WCSS) en función
del número de clústeres
plt.plot(range(1, 11), wcss, marker=’o’)
plt.title(‘Método del Codo’)
plt.xlabel(‘Número de clústeres’)
plt.ylabel(‘WCSS’)
plt.show()

4.3. APRENDIZAJE POR REFUERZO

El aprendizaje por refuerzo es un enfoque dinámico y adaptativo en el campo
del aprendizaje automático, donde un agente interactúa con un entorno com-
plejo y desconocido con el objetivo de aprender a tomar decisiones secuenciales
que maximicen una recompensa acumulativa a lo largo del tiempo. A diferencia
de otros enfoques de aprendizaje, como el supervisado o el no supervisado, el
aprendizaje por refuerzo se centra en la toma de decisiones autónoma y adap-
tativa basada en la experiencia.
En este proceso, el agente percibe el entorno a través de sus sensores, lo que
le proporciona información sobre el estado actual del entorno. Luego, el agente
selecciona una acción basada en su política de toma de decisiones, que puede ser
determinista o estocástica, lo que determina cómo elige las acciones en función
del estado actual. Después de tomar la acción, el agente recibe una señal de
refuerzo del entorno, que puede ser una recompensa positiva, una penalización
negativa o simplemente información sobre el éxito de la acción.
Una vez que el agente ha interactuado con el entorno y ha recibido retroali-
mentación, ajusta su política de toma de decisiones para mejorar su desempeño
en futuras interacciones. Este proceso de aprendizaje se basa en la idea de que
el agente puede aprender de sus experiencias pasadas y utilizar esta información
para tomar decisiones más efectivas en el futuro.

-177-
 MACHINE LEARNING

El algoritmo Q-Learning es uno de los enfoques más utilizados en el apren-

dizaje por refuerzo para que un agente aprenda a tomar decisiones óptimas en
un entorno desconocido. Se basa en la idea de aprender una función de valor de
acción óptima, que asigna un valor a cada par estado-acción y permite al agente
determinar la mejor acción a tomar en cada estado para maximizar la recom-
pensa acumulada a largo plazo.
La ecuación de Bellman es una ecuación fundamental en el campo del
aprendizaje por refuerzo. Proporciona una forma de descomponer el valor de
un estado en función de las recompensas esperadas futuras y los valores de los
estados alcanzables desde ese estado. Esta ecuación es crucial en algoritmos
de aprendizaje por refuerzo como Q-Learning y SARSA para actualizar los
valores de los estados y las acciones. La forma más común de la ecuación de
Bellman para la función de valor de acción (Q) es la siguiente:

Donde Q(s,a) es el valor de la función de valor de acción para el estado s y la

acción a, r es la recompensa que se recibe al pasar de estado, γ el el factor de des-
cuento, max Q(s´, a´) es el valor de la función de valor en el estado s´ o la recom-
pensa máxima que el agente puede obtener. Esta ecuación establece que el valor
de la función de valor de acción para un estado y una acción específicos es igual
a la recompensa inmediata más la recompensa esperada futura, descontada por
el factor de descuento γ, tomando la mejor acción posible en el próximo estado.
El proceso de Q-Learning es un algoritmo fundamental en el campo del
aprendizaje por refuerzo que permite a un agente aprender a tomar decisiones
óptimas en un entorno desconocido. Se puede desglosar en varios pasos clave:

1. Inicialización de la tabla Q. Se comienza inicializando una tabla Q,

que es una estructura de datos que almacena los valores de la función de
valor de acción para cada par estado-acción. Estos valores representan la
utilidad esperada de elegir una acción específica en un estado dado.
2. Selección de acciones basadas en políticas de exploración y explota-
ción. En cada paso, el agente selecciona una acción para tomar en el
estado actual. Esto se puede hacer utilizando una política que equilibre
la exploración (intentar nuevas acciones) y la explotación (elegir la mejor
acción conocida). Ejemplos comunes de políticas son e-greedy o soft-
max. La política e-greedy es una estrategia comúnmente utilizada en el
aprendizaje por refuerzo para equilibrar la exploración y la explotación.
En esta política, el agente elige la acción óptima (aquella con el valor Q
más alto) con una probabilidad 1−e, y elige una acción aleatoria (explo-
ración) con una probabilidad e. Es decir, con probabilidad 1−e, el agente
sigue una estrategia puramente explicativa, mientras que con probabili-

-178-
 MÓDULO IV. Aprendizaje no supervisado y por refuerzo

dad e, elige explorar acciones aleatorias. Este enfoque permite al agente

explorar nuevas acciones en el entorno mientras sigue aprovechando las
acciones que ha aprendido que son las mejores hasta el momento. La po-
lítica softmax es otra estrategia utilizada para seleccionar acciones en el
contexto del aprendizaje por refuerzo. En este enfoque, las probabilida-
des de selección de cada acción se calculan utilizando la función softmax,
que asigna una probabilidad a cada acción proporcional a su valor Q
3. Interacción con el entorno. Una vez seleccionada una acción, el agente
interactúa con el entorno ejecutando esa acción y observando la recom-
pensa resultante y el siguiente estado.
4. Actualización de la tabla Q utilizando la ecuación de Bellman. Des-
pués de cada interacción con el entorno, el agente actualiza los valores en
la tabla Q utilizando la ecuación de Bellman. Esta ecuación establece que
el valor de Q para un par estado-acción debe ser igual a la recompensa
inmediata más la recompensa esperada futura, ponderada por un factor
de descuento y la probabilidad de transición a los siguientes estados. La
idea es ajustar gradualmente los valores de Q para que se acerquen cada
vez más a los valores óptimos.
5. Repetición del proceso hasta la convergencia de la tabla Q. El agente
repite los pasos anteriores, tomando acciones, interactuando con el en-
torno, y actualizando la tabla Q, hasta que los valores de Q converjan o
se estabilicen.

Una vez que la tabla Q ha convergido, el agente puede utilizarla para tomar
decisiones óptimas en nuevos estados. Simplemente selecciona la acción con el
valor Q más alto en el estado actual según lo indicado por la tabla Q.

Figura 4.9. Algoritmo Q-Learning.

-179-
 MACHINE LEARNING

Para validar el rendimiento del algoritmo Q-Learning, es común realizar

experimentos en un entorno simulado o en un entorno real si es posible. Se
pueden utilizar métricas como la recompensa acumulada promedio por episo-
dio o el porcentaje de episodios en los que el agente alcanza el objetivo deseado.
Además, es importante ajustar los parámetros del algoritmo, como la tasa de
aprendizaje (α), el factor de descuento (γ) y la probabilidad de exploración (e),
para obtener un rendimiento óptimo en el entorno específico. Mediante la vali-
dación y la optimización de estos parámetros, se puede mejorar el rendimiento
y la eficacia del algoritmo Q-Learning en la tarea dada.
La tabla Q generada por el algoritmo Q-Learning representa la función de
valor de acción para cada par estado-acción en el entorno del laberinto. Cada
fila de la tabla corresponde a un estado del laberinto, mientras que cada colum-
na representa una acción posible que el agente puede tomar desde ese estado.
Los valores en la tabla Q indican la utilidad esperada de tomar una acción
específica en un estado dado. Durante el proceso de aprendizaje, el agente ac-
tualiza gradualmente estos valores en función de las recompensas recibidas y las
estimaciones previas de la función de valor de acción. Los valores más altos en
cada fila representan las acciones consideradas óptimas por el agente, lo que in-
dica las decisiones preferidas para maximizar la recompensa acumulada a largo
plazo. En la fase de explotación, el agente utiliza esta información para tomar
decisiones informadas y alcanzar su objetivo en el entorno del laberinto.

Figura 4.10. Tabla de salida del algoritmo Q-Learning.

-180-