Lexicon Redes Neuronales

Decidiendo entre dos posibles clases

La clasificación binaria es un problema de machine learning donde el modelo debe elegir entre dos categorías posibles.

👉 Es una de las tareas más fundamentales y comunes en inteligencia artificial.

Definición corta

La clasificación binaria asigna una observación a una de dos clases posibles.

🧠 Intuición

La clasificación binaria responde:

👉 “¿Pertenece este ejemplo a la clase positiva o negativa?”

Entrada  ↓  Dos opciones posibles  ↓  Predicción

📊 Ejemplo simple

Filtro de spam:

Spam → 1  No spam → 0

Otros ejemplos:

• fraude / no fraude
• enfermo / sano
• aprobado / rechazado

🔄 Representación típica

Las clases suelen representarse como:$$y \in \{0,1\}$$

👉 problema binario.

🧠 Salida probabilística

Muchos modelos producen:$$P(y=1|x)$$

👉 probabilidad de clase positiva.

📐 Función Sigmoid

La clasificación binaria usa frecuentemente:

$\sigma(z)=\frac{1}{1+e^{-z}}$

👉 transforma logits en probabilidades.

📊 Ejemplo conceptual

Logit  ↓  Sigmoid  ↓  Probabilidad entre 0 y 1

🧠 Regla de decisión

Usualmente:

P ≥ 0.5 → clase positiva  P < 0.5 → clase negativa

👉 aunque el umbral puede cambiar.

🧠 Función de pérdida típica

Se utiliza normalmente:

🔹 Entropía cruzada binaria

$L=-[y\log(p)+(1-y)\log(1-p)]$

👉 penaliza predicciones incorrectas.

🧠 Uso en machine learning

La clasificación binaria se usa en:

• detección de spam
• diagnóstico médico
• análisis financiero
• sistemas de riesgo

📊 Ejemplo conceptual

Datos  ↓  Modelo  ↓  Probabilidad  ↓  Clase final

🧠 Modelos comunes

• regresión logística
• redes neuronales
• árboles de decisión
• SVM

📊 Ejemplo conceptual

Entrada  ↓  Modelo  ↓  Predicción binaria

🧠 Métricas importantes

• accuracy
• precision
• recall
• F1-score
• ROC-AUC

📊 Ejemplo conceptual

Predicciones  ↓  Comparación con realidad  ↓  Evaluación

📊 Ejemplo en Python

from sklearn.linear_model import LogisticRegression
import numpy as np
X = np.array([[1], [2], [3], [4]])
y = np.array([0, 0, 1, 1])
model = LogisticRegression()
model.fit(X, y)
print(model.predict([[2.5]]))

Ejemplo en PyTorch

import torch
import torch.nn as nn
model = nn.Sequential(
    nn.Linear(1, 1),
    nn.Sigmoid()
)
x = torch.tensor([[2.0]])
print(model(x))

🧠 Qué muestran estos ejemplos

• clasificación entre dos clases
• salida probabilística
• decisión binaria

⚠️ Errores comunes

Usar accuracy en datasets desbalanceados

Puede ser engañoso.

Elegir mal el umbral

Afecta precision y recall.

Confundir logits con probabilidades

No son lo mismo.

📊 Ejemplo conceptual en ML

Entrada  ↓  Probabilidad  ↓  Sí o no

🧠 Interpretación profunda

La clasificación binaria refleja un principio clave:

👉 Muchos problemas reales pueden formularse como decisiones entre dos posibilidades

Es la base de:

• regresión logística
• detección automática
• clasificación probabilística

Conclusión

La clasificación binaria permite decidir entre dos clases posibles y es uno de los problemas más importantes del machine learning.

👉 Constituye la base de numerosos sistemas de predicción modernos.

Related Concepts

• Regresión logística
• Sigmoid
• Entropía cruzada
• Clasificación multiclase
• Precision y Recall

Ejemplo en Python

Este concepto incluye un ejemplo práctico en Python para ayudarte a entenderlo mejor:

👉 Ver código en GitHub