Datos para alimentar un modelo

En el aprendizaje automático (Machine Learning), los datos juegan un papel crucial en el entrenamiento y desarrollo de modelos. Para introducir datos en un modelo, normalmente se organizan en un formato estructurado conocido como conjunto de datos o dataset (un DataFrame en pandas).

Un conjunto de datos consta de dos partes principales: 

• Características (Features) - Un conjunto de columnas que representan un set de datos
• Variable objetivo (Target variable) - Representa la salida o el valor que el modelo pretende predecir o estimar.

Por ejemplo, aquí hay una tabla de Clima (Weather)

Suponiendo que queremos saber si lloverá, las características son degrees, humidity, wind, y la variable objetivo es is_rain.

Las características se denotan como <strong>X</strong>, y el objetivo se denota como <strong>y</strong>.
La variable objetivo (<strong>y</strong>) puede contener cualquier tipo de dato: número, booleano, cadena de texto, etc.

Durante el proceso de entrenamiento, el modelo utiliza las características como entrada y la variable objetivo como la verdad fundamental (ground truth) o la salida correcta.

Sin una variable objetivo, el modelo no tendría forma de saber si sus predicciones son correctas o no.

Existen muchas variaciones diferentes en la estructura de los conjuntos de datos:

• Muchas características, una única variable objetivo
• Una sola característica, una única variable objetivo
• Muchas características, muchas variables objetivo
• Pocas características, una o múltiples variables objetivo
• Sin variable objetivo
• Datos de series temporales
• etc.

El aprendizaje supervisado (Supervised learning) involucra conjuntos de datos con pares de entrada-salida, donde el algoritmo aprende a mapear las entradas a las variables objetivo correspondientes.

El aprendizaje no supervisado (Unsupervised learning) no involucra variables objetivo; en su lugar, busca patrones o estructuras en los datos de entrada sin ejemplos etiquetados.

es crucial asegurarse de que la variable objetivo sea independiente de las otras columnas, ya que cualquier dependencia podría provocar una fuga de datos (data leakage) y dar como resultado un rendimiento engañosamente alto durante el entrenamiento. Un modelo verdaderamente predictivo debe aprender de características que no estén directamente relacionadas con el objetivo, preservando así la integridad y la capacidad de generalización de las predicciones del modelo.

Una variable objetivo independiente no puede calcularse ni derivarse directamente de las otras columnas de su conjunto de datos; es lo que se pretende predecir.