Los k vecinos más cercanos (k-NN) son un método sencillo de aprendizaje supervisado. Para clasificar un dato nuevo, busca los k ejemplos conocidos más parecidos y adopta su clase más frecuente o, si son valores numéricos, su media. No necesita un entrenamiento propiamente dicho, pero se vuelve lento con muchos datos y es sensible a la escala de las variables. Ejemplo: recomendar productos a partir de clientes similares.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoUn clasificador es un modelo o método que asigna una entrada a una de varias categorías predefinidas. Las variantes clásicas, como los árboles de decisión o Naive Bayes, se entrenan con ejemplos etiquetados; los modelos de lenguaje también pueden clasificar textos a partir de una descripción de las categorías. Usos típicos son detectar spam, ordenar consultas de clientes por tema o clasificar justificantes. La calidad se mide con métricas como exactitud, precisión y exhaustividad (recall).
K-means es un método de aprendizaje no supervisado que reparte los datos en un número k de grupos fijado de antemano. Asigna cada punto al centro de grupo más cercano y desplaza esos centros hasta que las asignaciones apenas cambian. Es rápido y fácil de entender, pero exige elegir bien k y usar variables en escalas comparables. Ejemplo: agrupar clientes según frecuencia de compra y valor medio del carrito.
En el aprendizaje supervisado, un modelo aprende de ejemplos cuya respuesta correcta ya se conoce, como correos marcados como «spam» o «no spam». A partir de ellos deduce reglas para clasificar casos nuevos o predecir valores. Las tareas típicas son la clasificación y la regresión; el mayor esfuerzo está en preparar datos bien etiquetados.
Un vector de embedding (incrustación) es una lista de números que representa el significado de una palabra, frase o documento de forma que los textos de contenido parecido quedan cerca. Así se puede reconocer, por ejemplo, que «baja» y «terminar el contrato» están relacionados aunque no compartan palabras. Los embeddings son la base de muchos sistemas de búsqueda semántica, servicios de recomendación y aplicaciones RAG; los calculan modelos entrenados para ello.
