Aprendizaje supervisado y no supervisado

1 · La división

	Supervisado	No supervisado
Hay una variable respuesta	sí	no
Pregunta	predecir $y$ a partir de $x$	encontrar estructura en $x$
Evaluación	error de predicción, medible	interpretabilidad
En Estadística	regresión, clasificación	reducción de dimensiones, clusters

2 · La tabla de traducción

Aprendizaje automático	Estadística
Features	variables, predictoras
Target, etiqueta	variable respuesta
Training	ajuste, estimación
Pesos	coeficientes
Learning	estimación
Overfitting	sobreajuste
Regularization	penalización, contracción
Clasificación	discriminación
Clustering	análisis de conglomerados

3 · Lo que sí cambia: el énfasis

	Estadística clásica	Aprendizaje automático
Objetivo	explicar e inferir	predecir
Modelo	interpretable, con supuestos	puede ser una caja negra
Evaluación	supuestos, significación	error fuera de la muestra
Cantidad de variables	pocas, elegidas	muchas, automáticas
Incertidumbre	intervalos, valores p	menos central

4 · Cuánto se gana con la caja negra

Predecir si un asalariado está registrado, 13.864 casos, validación cruzada de cinco pliegues. El acierto trivial —asignar todo al grupo mayor— es 0,6260.

Predictoras		Logística	Bosque aleatorio	Boosting
Edad, sexo y educación	3	0,7015	0,6980	0,7107
+ contexto del puesto	10	0,8663	0,8975	0,9019
+ ingreso	11	0,8648	0,9070	0,9090

En sentido inverso, el aporte de la Estadística es la pregunta por la incertidumbre y por los supuestos: un modelo que predice bien puede no servir para decidir una política si no se sabe de dónde viene su desempeño.

5 · Los métodos, ordenados

Supervisados:

Respuesta	Métodos
Cuantitativa	regresión lineal, regresión penalizada, árboles, bosques aleatorios
Categórica	logística, discriminante, árboles, SVM, redes

No supervisados:

Objetivo	Métodos
Reducir dimensiones	PCA, t-SNE, UMAP, autoencoders
Agrupar	jerárquico, k-medias, DBSCAN
Detectar anomalías	distancia de Mahalanobis, isolation forest

6 · La diferencia que no se puede saltear

Lo que parece un buen modelo y no sirve para decidir

Tres predictoras: X, que causa la respuesta y se puede manipular; C, un confusor; y S, que es una consecuencia de la respuesta. Un bosque aleatorio con las tres:

$R^2$ fuera de muestra con las tres	0,9942
Solo con S, la consecuencia	0,9925
Solo con X, la causa manipulable	0,7257

Y la importancia por permutación, que es lo que informa cualquier caja negra:

Variable	Importancia
S (consecuencia)	1,917
X (causa real)	0,004
C (confusor)	0,003

7 · Qué conviene saber de cada lado

Para quien viene de la Estadística:

• Validar fuera de la muestra, siempre.
• Que un modelo interpretable a veces predice peor, y eso puede estar bien.
• Que con muchas variables hacen falta métodos de regularización.

Para quien viene del aprendizaje automático:

• Que el diseño del muestreo determina a quién se generaliza.
• Que la incertidumbre de una predicción importa tanto como su valor.
• Que un modelo puede predecir bien por razones equivocadas: variables posteriores a la respuesta, fugas de datos —seleccionar predictoras antes de partir la muestra baja el error estimado hasta un 46 %— y sesgos del conjunto de entrenamiento.

8 · Errores frecuentes

• Confundir predicción con explicación.
• Interpretar la importancia de variables de una caja negra como si midiera efectos: puede señalar una consecuencia de la respuesta.
• Incluir variables posteriores a la respuesta. Suben el acierto y arruinan cualquier lectura causal.
• Evaluar con los datos de entrenamiento.
• Usar métodos complejos donde una regresión alcanza. Con tres variables, el boosting gana 0,9 puntos; agregar variables gana 16,5.
• Ignorar el sesgo del conjunto de datos: un modelo aprende lo que hay, incluidos los sesgos históricos.
• Creer que “el algoritmo es objetivo”. Cada decisión metodológica —qué variables, qué métrica, qué umbral— es una decisión humana.

9 · En el software

# R — tidymodels o caret unifican la interfaz
library(caret)
train(y ~ ., data = datos, method = "rf",
      trControl = trainControl(method = "cv", number = 10))

# Python — scikit-learn es el estándar
from sklearn.model_selection import cross_val_score, train_test_split
from sklearn.ensemble import RandomForestClassifier

X_ent, X_pru, y_ent, y_pru = train_test_split(X, y, random_state=2026)
cross_val_score(RandomForestClassifier(random_state=2026), X_ent, y_ent, cv=5)

# La comparación que conviene hacer siempre: contra el modelo simple
from sklearn.linear_model import LogisticRegression
cross_val_score(LogisticRegression(max_iter=3000), X_ent, y_ent, cv=5)

@misc{estadistica_ar_supervisado_y_no_supervisado,
  author       = {Montivero, Jorge Luis},
  title        = {{Aprendizaje supervisado y no supervisado}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/supervisado-y-no-supervisado}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-09-28}
}