Clasificación y regresión
Classification & Regression
¿Qué son la clasificación y la regresión?
- 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.
John KimAutor de «Diseño de marketing B2B» y CEO de Nanum Consultoría, instructor John Kim
Sungil KimExalumno de KAIST y ex Samsung Electronics; experto en pitch global que formó al equipo ganador del concurso de pitch de inversión de Select USA y de la Organización Mundial del Turismo (ONU)| Diferencias | Clasificación (Classification) | Regresión (Regression) |
|---|---|---|
| Objeto de predicción | Categoría (tipo) | Números continuos (valores) |
| Sí | Spam/normal, perro/gato | Precio de viviendas, ventas de mañana |
| Preguntas | «¿Cuál de los dos?» | «¿Cuánto?» |
Son tipos básicos de problemas de predicción en estadística y aprendizaje automático, que se consolidaron como los dos pilares del aprendizaje supervisado.
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.
- 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.
- 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.
- 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%.
- 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%.
- 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.
- 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».