Lexicon Redes Neuronales

Prediciendo una clase entre múltiples categorías posibles

La clasificación multiclase es un tipo de problema de machine learning donde cada ejemplo pertenece a una sola clase dentro de un conjunto de múltiples categorías.

👉 El modelo debe elegir exactamente una opción entre varias posibles.

Definición corta

La clasificación multiclase asigna una única etiqueta correcta entre múltiples clases posibles.

Intuición

La clasificación multiclase responde:

👉 “¿Cuál es la categoría correcta entre todas las opciones?”

Entrada  ↓  Varias clases posibles  ↓  Elegir una

Ejemplo simple

Clasificación de animales:

Imagen → gato / perro / pájaro

👉 solo una categoría puede ser correcta.

Diferencia con clasificación binaria

📊 Ejemplo conceptual

Binaria → spam/no spam  Multiclase → varias categorías

🧠 Representación típica

Usualmente se emplea:

• one-hot encoding
• Softmax
• entropía cruzada

📐 Salida Softmax

$P(y=i\mid x)=\frac{e^{z_i}}{\sum_j e^{z_j}}$

👉 produce probabilidades para cada clase.

📊 Propiedad clave

Las probabilidades cumplen:$$\sum_i P(y=i|x)=1$$

👉 las clases compiten entre sí.

📊 Ejemplo conceptual

Clase A → 0.7  Clase B → 0.2  Clase C → 0.1

🧠 Frontera de decisión

El modelo aprende regiones del espacio donde cada clase domina.

📊 Ejemplo conceptual

Espacio de datos  ↓  Regiones separadas  ↓  Clase predicha

🧠 Función de pérdida típica

Se usa normalmente:

🔹 Entropía cruzada multiclase

$L=-\sum_i y_i\log(\hat y_i)$

👉 penaliza predicciones incorrectas.

🧠 Uso en machine learning

La clasificación multiclase se usa en:

• reconocimiento de imágenes
• procesamiento de lenguaje natural
• reconocimiento de voz
• clasificación de documentos

📊 Ejemplo conceptual

Datos  ↓  Modelo  ↓  Probabilidades  ↓  Clase final

🧠 Modelos comunes

• regresión Softmax
• redes neuronales
• árboles de decisión
• SVM multiclase

📊 Ejemplo conceptual

Modelo  ↓  Scores  ↓  Softmax  ↓  Predicción

Ejemplo en Python

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

Ejemplo en PyTorch

🧠 Qué muestran estos ejemplos

• clasificación entre varias clases
• probabilidades competitivas
• entrenamiento supervisado

⚠️ Errores comunes

Confundir con multilabel

Multiclase → solo una clase correcta.

Aplicar Sigmoid en lugar de Softmax

No es lo habitual.

No balancear clases

Puede sesgar el modelo.

📊 Ejemplo conceptual en ML

Entrada  ↓  Varias categorías  ↓  Predicción única

🧠 Interpretación profunda

La clasificación multiclase refleja un principio clave:

👉 Muchos problemas reales requieren elegir una opción entre múltiples alternativas competidoras

Es la base de:

• visión por computadora
• NLP moderno
• sistemas de reconocimiento

Conclusión

La clasificación multiclase permite asignar una única categoría correcta entre múltiples opciones posibles.

👉 Es uno de los problemas centrales del machine learning moderno.

Related Concepts

• Regresión Softmax
• Softmax
• Entropía cruzada
• Clasificación binaria
• Clasificación multilabel

Ejemplo en Python

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

👉 Ver código en GitHub