1 El problema: 4 medidas, 3 especies
El dataset Iris es el "hola mundo" del Machine Learning. De cada flor se miden 4 características (las features) y se quiere predecir a cuál de 3 especies pertenece.
2 Clasifica una flor tú mismo
Esta es una red 4-8-3: 4 neuronas de entrada, 8 ocultas y 3 de salida (una por especie). Mueve las medidas y observa la capa de salida: la red empuja la neurona correcta hacia 1 y las otras hacia 0. El pétalo es la pista más decisiva — pruébalo.
3 Cómo se entrena, paso a paso
Toca cada paso. El 90% del trabajo real no es la red: es preparar bien los datos.
Se mide cada flor y se arma una matriz de entrada con todas las variables (X₁, X₂, X₃, X₄), junto a la salida conocida (la especie) que etiquetan los expertos. esto es lo más importante
Se separan en entrenamiento (para aprender), prueba (para evaluar sin trampa) y a veces validación (para afinar). Y se normalizan para que todas las medidas pesen parejo. train / test / val
El modelo predice, mide qué tan lejos quedó de la respuesta correcta y ajusta sus pesos para reducir ese error. Repite millones de veces hasta que la neurona correcta tiende a 1 y las demás a 0.
Si dos variables dicen casi lo mismo (son colineales), conviene eliminar una: simplifica el modelo sin perder información. colinealidad
Un modelo puede acertar con sus datos pero fallar fuera del rango con el que aprendió. El nº de capas y de neuronas son hiperparámetros: se encuentran experimentando.
4 ¿Con qué se programa?
La buena noticia: las librerías ya traen toda la matemática. Solo defines la arquitectura y los datos.
Hoy la opción más popular. Librerías completas (TensorFlow, PyTorch, scikit-learn) que incluyen toda la matemática necesaria.
Antes más rígido; hoy bastante versátil para prototipar y visualizar modelos.
# Una red 4-8-3 en pocas líneas model = Sequential([ Dense(8, activation="relu", input_shape=(4,)), # 4 medidas → 8 neuronas ocultas Dense(3, activation="softmax"), # → 3 especies ]) model.compile(loss="categorical_crossentropy", optimizer="adam") model.fit(X_train, y_train, epochs=100) # ← aquí ajusta los pesos
5 Lo que de verdad importa
El mismo flujo de las flores se aplica a la ingeniería. Para predecir la resistencia de un material, las features dejan de ser pétalos y pasan a ser geometría, resistencia de los materiales, cantidad de hierro o tipo de hormigón:
El modelo puede revelar factores no obvios (p. ej. la importancia del manganeso) y dar ventaja competitiva al predecir antes de construir.