Clasificación probabilística para variables continuas

Bayes ingenuo gaussiano es una variante de Bayes ingenuo diseñada para trabajar con variables continuas, asumiendo que cada característica sigue una distribución normal (gaussiana).

👉 Es uno de los clasificadores probabilísticos más simples y eficientes para datos numéricos.

Definición corta

Bayes ingenuo gaussiano modela cada característica mediante una distribución normal condicionada a la clase.

🧠 Intuición

El modelo responde:

👉 “¿Qué tan probable es observar estos valores numéricos dentro de cada clase?”

Datos numéricos  ↓  Distribuciones gaussianas  ↓  Probabilidades de clase

📐 Fundamento matemático

Parte de Bayes ingenuo:

$P(C\mid X)=\frac{P(X\mid C)P(C)}{P(X)}$

$P(A)$

$P(B\mid A)$

$P(B\mid \neg A)$

$P(A\mid B)=\frac{P(B\mid A)P(A)}{P(B)}\approx 0.68,\; P(B)\approx 0.25$P(A∣B)=P(B)P(B∣A)P(A)​≈0.68,P(B)≈0.25P(B)=0.25P(B|A)P(A)=0.17P(A|B)~0.68Posterior = useful evidence / total evidence

y asume independencia condicional:$$P(X|C)=\prod_i P(x_i|C)$$P(X∣C)=i∏​P(xi​∣C)

🔹 Suposición gaussiana

Cada característica sigue:

$P(x_i\mid C)=\frac{1}{\sqrt{2\pi\sigma_C^2}}e^{-\frac{(x_i-\mu_C)^2}{2\sigma_C^2}}$P(xi​∣C)=2πσC2​​1​e−2σC2​(xi​−μC​)2​

👉 donde:

• $\mu_C$μC​: media de la clase
• $\sigma_C^2$σC2​: varianza de la clase

🧠 Idea clave

Cada clase modela:

• centro (media)
• dispersión (varianza)

para cada característica.

📊 Ejemplo conceptual

Clase A → distribución normal  Clase B → distribución normal distinta

🔄 Proceso de clasificación

🔹 Paso 1

Calcular probabilidades gaussianas por característica.

🔹 Paso 2

Multiplicar probabilidades.

🔹 Paso 3

Elegir clase más probable.

📊 Ejemplo conceptual

Características  ↓  Probabilidades gaussianas  ↓  Posterior  ↓  Predicción

🧠 Uso en machine learning

Bayes ingenuo gaussiano se usa en:

• clasificación médica
• detección de anomalías
• datasets pequeños
• modelos rápidos de referencia

📊 Ejemplo conceptual

Datos continuos  ↓  Modelo gaussiano  ↓  Clasificación

🧠 Ventajas

• muy rápido
• fácil de entrenar
• funciona bien con pocos datos
• interpretable

🧠 Desventajas

• independencia rara vez real
• asunción gaussiana puede fallar
• limitado para relaciones complejas

🧠 Relación con distribución normal

El modelo depende fuertemente de:

• media
• varianza
• campana gaussiana

📊 Ejemplo conceptual

Distribución normal  ↓  Probabilidad de pertenecer a clase

🧠 Comparación con otras variantes

📊 Ejemplo conceptual

Tipo de dato  ↓  Elegir variante adecuada

📊 Ejemplo en Python

from sklearn.naive_bayes import GaussianNB
import numpy as np
X = np.array([
    [1.0, 2.0],
    [1.1, 1.9],
    [4.0, 5.0],
    [4.2, 5.1]
])
y = np.array([0, 0, 1, 1])
model = GaussianNB()
model.fit(X, y)
print(model.predict([[1.2, 2.1]]))

Ejemplo conceptual simplificado

# calcular media y varianza por clase
# estimar probabilidades gaussianas

🧠 Qué muestran estos ejemplos

• clasificación probabilística
• uso de gaussianas
• modelado continuo

⚠️ Errores comunes

Usar datos muy no gaussianos

Puede degradar resultados.

Ignorar escalado de variables

Puede afectar desempeño.

Pensar que aprende relaciones complejas

Es un modelo simple.

📊 Ejemplo conceptual en ML

Datos continuos  ↓  Distribuciones gaussianas  ↓  Probabilidades  ↓  Clase final

🧠 Interpretación profunda

Bayes ingenuo gaussiano refleja un principio clave:

👉 Muchas distribuciones reales pueden aproximarse mediante gaussianas simples

Combina:

• probabilidad
• estadística
• inferencia bayesiana

para construir clasificadores rápidos y eficientes.

Conclusión

Bayes ingenuo gaussiano es una variante probabilística de Bayes ingenuo para variables continuas basadas en distribuciones normales.

👉 Sigue siendo una herramienta importante para clasificación rápida y simple.

Related Concepts

• Bayes ingenuo
• Distribución normal
• Regla de Bayes
• Independencia condicional
• Probabilidad condicional