02 — Métodos / Tutorial de aprendizaje automático

Primeros pasos en aprendizaje automático

IA explicable con Random Forest y SHAP

Ilustración de árboles de decisión de un bosque aleatorio y un gráfico de barras SHAP

Esta guía es para quienes han terminado el Curso de vibe coding con Python y quieren dar el siguiente paso, poner en práctica el aprendizaje automático. Aquí presento un notebook de ejemplo que aplica Random Forest y SHAP (valores de Shapley) a datos de biocarbón de la investigación agrícola, y explico cómo ejecutarlo en su propio ordenador. El objetivo es pasar de «escribir código» a «usar el aprendizaje automático para hacer ciencia».

Dr. Hoo, ¿yo también podría usar el aprendizaje automático?
Sí. Basta con ejecutar el código de ejemplo, celda por celda, en su ordenador, y salen resultados. Pero antes hay algo importante.
!

Dos libros para leer antes de empezar

¿Hay que leer libros antes de ejecutar el código?
Sí. Un LLM puede ayudar a escribir el código. Pero la capacidad de interpretar los resultados solo se adquiere leyendo.

Lo más importante al estudiar aprendizaje automático es entender las ideas antes de memorizar la sintaxis. Un LLM puede escribir el código por usted, pero no puede enseñarle a leer los resultados. Distinguir la señal del ruido y entender qué hace realmente el modelo son habilidades que solo se adquieren con los libros.

Los dos libros siguientes son manuales en línea gratuitos y de referencia mundial, y ambos tienen relación directa con el notebook de ejemplo. Léalos antes de ejecutar el código.

Si solo quiere «que funcione», el notebook de ejemplo da resultados en pocos minutos. Pero por ese camino solo llegará a «sentir que ha hecho aprendizaje automático», no a hacerlo de verdad. Si piensa usarlo en su investigación, lea primero los dos libros para asentar bien las ideas.

01

Qué hace el código de ejemplo

El ejemplo usa un conjunto de datos sobre las propiedades del biocarbón (una enmienda del suelo parecida al carbón vegetal) procedente de la investigación agrícola. Esas propiedades dependen mucho de la materia prima, la temperatura de pirólisis, el tiempo de tratamiento y otras condiciones de producción. El notebook entrena un modelo de regresión Random Forest para predecir las propiedades a partir de esas condiciones y usa los valores SHAP para mostrar qué condiciones influyen, cuánto y en qué sentido.

El proceso, de un vistazo

1. Cargar los datos CSV (propiedades del biocarbón)
2. Definir las variables y la variable objetivo
3. Entrenar un modelo de regresión Random Forest
4. Calcular los valores SHAP
5. Visualizar los resultados (Summary plot, Dependence plot, etc.)

Todo el proceso está en un único Jupyter Notebook (.ipynb). Basta con ejecutar las celdas de arriba abajo.

Ver el repositorio en GitHub ↗
02

Ejecutarlo en su ordenador

Esta sección da por hecho que ya ha completado la Parte 2 (preparación del entorno) del Curso de vibe coding con Python. Si aún no ha instalado VSCode y Python, o no ha creado un entorno virtual, complete antes esa parte.

A. Descargar el repositorio

Abra la página del repositorio en GitHub, pulse el botón verde «Code» y elija «Download ZIP». Descomprima el archivo en un lugar cómodo de su ordenador (por ejemplo, C:\dev\RandomForestSHAP).

Si coloca la carpeta dentro de OneDrive o en una ruta con muchos niveles, Windows puede dar el error «path too long». Si le ocurre, consulte el suplemento sobre el problema de las rutas largas en Windows.

B. Abrir la carpeta en VSCode y crear un entorno virtual

Inicie VSCode y abra la carpeta descomprimida con «File → Open Folder». Después abra una terminal desde «Terminal → New Terminal», en el menú superior, y cree y active un entorno virtual.

Terminal
# Crear el entorno virtual python -m venv .venv # Activarlo (Windows / PowerShell) .venv\Scripts\Activate.ps1 # Activarlo (Mac / Linux) source .venv/bin/activate

C. Instalar las bibliotecas

Con (.venv) al principio de la línea de comandos, instale de una vez todas las bibliotecas necesarias.

Terminal (dentro del entorno virtual)
pip install pandas numpy scikit-learn shap matplotlib seaborn jupyter openpyxl

Cuando termine la instalación, guarde en un archivo las versiones de las bibliotecas. Así podrá reproducir el entorno más adelante.

Terminal
pip freeze > requirements.txt

D. Abrir el notebook y ejecutarlo

En la barra lateral izquierda de VSCode, haga doble clic en BiocharRandomForestSHAP.ipynb. Arriba a la derecha, pulse «Select Kernel» y elija su entorno .venv. Después ejecute las celdas de arriba abajo (pulse el botón ▶ a la izquierda de cada celda o use Shift + Enter).

El kernel se elige igual que en el paso 7 de la Parte 2 del curso de Python. Si olvida seleccionar el entorno virtual, aparecerán errores de «module not found» con todas las bibliotecas que acaba de instalar.

03

Lo mínimo para leer los gráficos de SHAP

¿Qué indica un valor SHAP?
Cuánto sube o baja la predicción, respecto a la media, por efecto de una variable. Para empezar, basta con saber leer tres tipos de gráficos.

Dicho de forma sencilla, un valor SHAP indica cuánto ha alejado una variable la predicción de la media, y en qué sentido. Para empezar, bastan los tres tipos de gráfico siguientes.

  • El Summary plot muestra la importancia global de cada variable y si tiende a subir o a bajar las predicciones.
  • El Dependence plot enfrenta el valor de una variable con su valor SHAP. Deja ver relaciones lineales y no lineales, así como interacciones con otras variables.
  • El Force plot y el Waterfall plot descomponen la predicción de una sola muestra en la contribución de cada variable.

Para interpretarlos con más detalle, consulte el capítulo sobre SHAP de Interpretable Machine Learning. Allí se explican también advertencias importantes. Por ejemplo, que una variable tenga mucha importancia SHAP no significa que tenga un efecto causal.

04

Adaptarlo a sus propios datos

¿Se puede probar con datos propios?
Sí. Hay que cambiar el archivo de datos y los nombres de las columnas de las variables y del objetivo. Con pocos datos, cuidado con el sobreajuste.

Cuando el ejemplo funcione, seguramente querrá probarlo con sus propios datos. En la mayoría de los casos solo hay que cambiar la parte que carga los datos y los nombres de las columnas de variables y de la variable objetivo. En concreto, revise los tres puntos siguientes.

  1. En el argumento de pd.read_csv(...), cambie la ruta para que apunte a su archivo CSV.
  2. En la lista de columnas de variables (X = df[[...]]), ponga los nombres de sus propias columnas.
  3. En la columna objetivo (y = df[...]), indique la columna que quiere predecir.
Ejemplo de instrucción para un LLM

«Modifica el código de BiocharRandomForestSHAP.ipynb para que funcione con mi propio conjunto de datos, my_data.csv. Las columnas de mis datos son [lista de columnas]. La variable objetivo que quiero predecir es [nombre de la columna].»

Si su conjunto de datos es pequeño (de unas decenas a unos cientos de filas), tenga cuidado con el sobreajuste de Random Forest. Para la validación cruzada y el ajuste de hiperparámetros, vuelva a los capítulos correspondientes de Supervised Machine Learning for Science.


✓

Lo que ya sabe hacer

  • Conoce los dos libros esenciales para empezar con el aprendizaje automático
  • Puede ejecutar el ejemplo de Random Forest + SHAP en su ordenador
  • Entiende las tres visualizaciones básicas de SHAP
  • Conoce el procedimiento básico para adaptar el ejemplo a sus propios datos

Puede enviar sus preguntas y sugerencias desde Contacto o en los Issues de GitHub.

!

Para terminar, usar estos métodos sin entenderlos no tiene sentido

Ejecutar el código y ver gráficos llenos de color puede dar la sensación de haber entendido. Pero si no sabe explicar con sus propias palabras qué significa cada gráfico, eso no es investigación, es decoración. Cuando se usan sin comprender sus fundamentos teóricos, el aprendizaje automático y sus métodos de interpretación llevan directamente a conclusiones erróneas.

Si quiere usar estos métodos en una investigación real, lea los dos manuales presentados al principio de esta página, y léalos más de una vez. No basta con una lectura. Vuelva a ellos mientras escribe código y examina los resultados. Ahora que los LLM pueden escribir el código, el trabajo del investigador es sobre todo «interpretar bien los resultados». Esa capacidad solo se consigue dedicando tiempo, con constancia, a buenos manuales.

La distancia entre «he conseguido que funcione» y «lo uso en mi investigación» es mayor de lo que parece. No deje para más tarde el estudio de la teoría. Si no, acabará siendo la herramienta la que le use a usted, y no al revés.

Así que, aunque salga un gráfico, lo importante es poder explicarlo con mis propias palabras.
Eso es. Conviene volver una y otra vez a esos dos libros.