Conocimiento · Fundamentos de IA

Clasificación y regresión

Classification & Regression

📂Fundamentos de IA⏱Lectura de 2 min📊Práctico🔗3 relacionados

¿Qué son la clasificación y la regresión?

Definición en una línea
Las dos tareas básicas del aprendizaje supervisado. La clasificación predice «a qué tipo pertenece» (categoría); la regresión predice «cuánto es» (número).
Este tema, como capacitación interna📚 Curso relacionado💬 Consulta de capacitación
⚡ Resumen en 3 líneas
  • Clasificación = predicción de categorías (tipos)
  • Regresión = predicción de números (valores)
  • Las dos tareas básicas del aprendizaje supervisado

Las solicitudes suelen llegar en una sola frase: «Hay que predecir la demanda». Según si eso significa «cuántas unidades pedir el próximo mes» o «si un producto corre riesgo de agotarse», cambian desde la forma de etiquetar los datos hasta el formato del informe. Una sola línea del plan determina el método de trabajo de los próximos seis meses. Antes de elegir un modelo, conviene anotar qué hace concretamente la persona que recibe la predicción; así no se pierde en esa bifurcación.

La clasificación se divide en binaria (abandono/permanencia), múltiple (5 tipos de defecto) y multietiqueta (varias etiquetas para un mismo documento). Como la mayoría de los modelos de clasificación devuelven una probabilidad entre 0 y 1, el umbral de 0.5 no es un valor fijo sino una variable de ajuste. Si el equipo de ventas solo puede atender 30 casos al día, basta con subir el umbral a 0.72 y quedarse con los 30 primeros. También cambian las métricas de evaluación: la clasificación se mide con precisión, exhaustividad (recall), F1 y AUC; la regresión, con MAE, RMSE y MAPE. Un valor numérico, como el monto de compra, también puede convertirse en clasificación dividiéndolo en «KRW 3,000,000 (≈ US$2,250) o más / menos», pero en ese momento KRW 2,990,000 (≈ US$2,240) y KRW 100,000 (≈ US$75) caen en la misma casilla.

En la práctica, el error más frecuente está en la exactitud (accuracy). En una empresa con una tasa mensual de abandono del 3%, si el modelo responde «se queda» para todos los clientes, la exactitud alcanza el 97%. Las cifras son excelentes, pero el número de clientes que abandonan y que el modelo detecta es cero. La regresión no es distinta: aunque el R² sea de alrededor de 0.9, si en algunos pedidos de temporada alta el error supera el 40%, el responsable de pedidos no volverá a mirar esa cifra. Usar directamente el resultado de una clasificación en la toma de decisiones sobre montos también es un error frecuente. «Probabilidad de abandono del 80%» no equivale a «pérdida de KRW 8,000,000 (≈ US$5,990)». Si se necesita un monto, hay que añadir un modelo de regresión aparte o multiplicar la probabilidad por el margen de contribución de cada cliente para convertirla en un monto de riesgo.

Capacitaciones en las que aparece este término · IA·DX
Cursos recomendados · Instructores recomendados · Mini cotización
🧮 Mini cotización · Criterio de honorarios
Aprox. KRW 1,200,000 (≈ US$900)Charla especial de 2 horas · hasta 20 personas · en coreano
Solicitar cotización formal con estas condiciones →
💡 Dicho de forma sencilla
«¿Es perro o gato?» (clasificación) y «¿cuánto vale la vivienda?» (regresión): se distinguen según lo que se predice sea una categoría o un número.
Por qué es importante en la práctica
Es el punto de partida del diseño de un proyecto de IA. Según se trate de clasificación o regresión, los métodos y los indicadores cambian por completo.
Clasificación vs. regresión
DiferenciasClasificación (Classification)Regresión (Regression)
Objeto de predicciónCategoría (tipo)Números continuos (valores)
SíSpam/normal, perro/gatoPrecio de viviendas, ventas de mañana
Preguntas«¿Cuál de los dos?»«¿Cuánto?»
Origen y fuentes

Son tipos básicos de problemas de predicción en estadística y aprendizaje automático, que se consolidaron como los dos pilares del aprendizaje supervisado.

Entender con un caso

Veamos un caso hipotético. La distribuidora de componentes industriales A, con 260 colaboradores y ventas anuales de KRW 110,000,000,000, (≈ US$82,331,600) administra 1,400 clientes. Cuando las cancelaciones del año pasado subieron a 190, la dirección pidió: «Predigan la fuga de clientes con IA». El equipo de datos inició un proyecto de tres meses.

  1. En la primera reunión, el director de ventas pidió «señalar qué clientes van a abandonar», mientras que el jefe de finanzas quería saber «cuánto dinero se va a perder». Así, dos preguntas distintas se habían mezclado en un mismo proyecto.
  2. El jefe del equipo de datos separó las dos preguntas. «Si el cliente dejará de hacer pedidos en 3 meses» se modeló como clasificación, y «el monto de pedidos esperado en los próximos 6 meses» como regresión, cada uno con su propio modelo.
  3. El primer informe del modelo de clasificación mostró una exactitud del 94%, pero de los 190 clientes que realmente abandonaron solo detectó 22; al bajar el umbral de decisión de 0.5 a 0.28, la exhaustividad subió hasta el 68%.
  4. El modelo de regresión tuvo un MAPE disparado al 31% en los 50 mayores clientes; al separar a los clientes de montos pequeños y reducir el periodo de entrenamiento a los últimos 18 meses, el MAPE bajó al 14%.
  5. El área de ventas multiplicó ambos resultados como «probabilidad de abandono × pedido esperado» para obtener un ranking de montos en riesgo, y asignó visitas de los gerentes de sucursal a los 120 primeros.
  6. Seis meses después, los clientes que abandonaron en el trimestre bajaron de 48 a 29, y el monto de pedidos protegido fue de unos KRW 2,700,000,000 (≈ US$2,020,900) anualizado. El director de ventas dijo: «Si solo nos hubieran pedido señalar, habría sido la mitad del trabajo».
Términos relacionados
Capacitaciones relacionadas con este término
📚Introducción práctica a la IA de agentesCapacitación corporativa de Nanum Consultoría · presencial / en líneaVer curso →
¿Necesita capacitación interna sobre este tema?
Reciba de inmediato un currículo y una cotización personalizados para su equipo.
Consultar sobre capacitación
Última modificación 2026-09-13 · Revisado por John Kim

Preguntas frecuentes

Si lo que se predice es una «categoría (tipo)», es clasificación; si es un «número continuo (valor)», es regresión.
Sí. Ambas son tareas representativas del aprendizaje supervisado, que aprende con datos que tienen respuesta correcta (etiqueta).
Si lo que se predice es una «categoría (tipo)», es clasificación; si es un «número continuo (valor)», es regresión.
Según el tipo de problema cambian los métodos y las métricas, como en la predicción de abandono de clientes (clasificación) o la predicción de ventas (regresión).