Asignaturas/Machine Learning I/Slides interactivas

Slides interactivas

Una slide por concepto, muy sencilla: el caso de negocio y la ecuación que lo resuelve. Mueve un slider y su símbolo se enciende en dorado dentro de la ecuación, con su valor actualizado, para que veas exactamente qué palanca estás tocando; una simulación en directo muestra qué hace cada término. Se abren en cualquier navegador sin instalación ni conexión; navega con las flechas del teclado. De estas slides pueden caer preguntas en el examen.

Modelos
Modelo
Los k vecinos deciden por parecido
Retail (El Corte Inglés). ŷ = voto de los k vecinos más cercanos: el dial k mueve la frontera entre nerviosa y suave.
Modelo
Un árbol parte a los clientes por un umbral
Banca (BBVA). Gini G = 1 − Σ p²: busca el corte que deja los dos grupos lo más puros posible.
Modelo
El bosque promedia muchos árboles
Seguros (Mapfre). ŷ = (1/B) Σ T_b(x): promediar árboles bootstrap doma la varianza hasta un suelo.
Modelo
Combinar modelos débiles en uno fuerte
E-commerce (Amazon). F(x) = Σ α_m h_m(x): bagging promedia, boosting corrige, stacking mezcla.
Modelo
SHAP explica por qué se deniega un crédito
Banca (BBVA). f(x) = φ₀ + Σ φⱼ: reparte la predicción entre las variables, en una cascada.
Modelo
La recta que minimiza el error
Inmobiliaria (Idealista). ŷ = β₀ + β₁x, MSE: mueve la pendiente y el intercepto y mira los residuos en €².
Modelo
La probabilidad de que un cliente se vaya
Telco (Movistar). p = σ(β₀ + β₁x): estima una probabilidad de baja. Mueve el umbral y mira en vivo la matriz de confusión, precisión/recall/F1 y la curva ROC.
Metodología del aprendizaje
Método
El espacio de hipótesis: qué formas caben
H_d = { Σ βⱼ xʲ }: elegir la familia (recta, parábola, cúbica…) es elegir qué puede representar el modelo.
Método
La capacidad del modelo
capacidad ↑ con d: cuánto puede retorcerse la curva; más flexibilidad siempre baja el error de entrenamiento.
Método
Memorizar frente a generalizar
error_test ≈ sesgo² + varianza + ruido: el error de test dibuja una U; el punto dulce está en complejidad media.
Método
Regularización: el freno λ
Seguros (Mapfre). L = MSE + λ Σ βⱼ²: penalizar coeficientes grandes evita que el modelo se retuerza.
Método
Lo que no se aprende de los datos
β*(λ) = argmin MSE_train: los parámetros se aprenden; el hiperparámetro λ se elige en validación.
Método
Buscar hiperparámetros: malla, azar, bayesiana
x* = argmax EI(x): cómo repartir un presupuesto de pruebas; la bayesiana aprende del pasado.

Eduardo C. Garrido-Merchán · ecgarrido@comillas.edu · Universidad Pontificia Comillas (ICADE) · Machine Learning para Business Analytics 2026–2027