términos del glosario
Etiqueta
- Categoría
- AI & Machine Learning Fundamentals
- Dificultad
- Principiante
Definición
En el aprendizaje automático supervisado, una etiqueta es la variable objetivo o el valor de verdad fundamental asignado a un punto de datos de entrada específico que el modelo pretende predecir.
Cómo funciona y contexto
Las etiquetas sirven como base para el aprendizaje supervisado, actuando como la salida deseada para una entrada correspondiente. Por ejemplo, en una tarea de clasificación de imágenes, la entrada es la imagen de un gato y la etiqueta es el texto 'gato'. Durante el entrenamiento, el modelo compara su propia predicción con esta etiqueta para calcular el error y ajustar sus parámetros internos. El proceso de creación de estas etiquetas se conoce como anotación de datos o etiquetado. La calidad y precisión de estas etiquetas son primordiales; si los datos de entrenamiento contienen etiquetas incorrectas o ruidosas, el modelo aprenderá patrones defectuosos, lo que conducirá a un bajo rendimiento con datos del mundo real. Las etiquetas pueden adoptar muchas formas, incluyendo etiquetas categóricas, valores numéricos o estructuras complejas como cuadros delimitadores en visión artificial o puntuaciones de sentimiento en procesamiento de lenguaje natural.
Por qué es importante
Las etiquetas son el mecanismo principal para enseñar a los sistemas de IA. Sin etiquetas precisas y de alta calidad, los modelos supervisados no pueden aprender eficazmente a generalizar desde los datos de entrenamiento a entradas no vistas. En el desarrollo profesional de IA, el costo y el tiempo necesarios para curar grandes conjuntos de datos etiquetados y limpios a menudo representan el cuello de botella más significativo en la construcción de aplicaciones de aprendizaje automático confiables y de alto rendimiento.
Ejemplo real
Considera una IA de imágenes médicas diseñada para detectar tumores. Los radiólogos deben revisar manualmente miles de imágenes de rayos X y dibujar límites alrededor de las áreas sospechosas. Estas anotaciones sirven como etiquetas. Luego, la IA se entrena con estas imágenes etiquetadas para que, cuando encuentre una nueva radiografía sin etiquetar, pueda identificar y resaltar posibles tumores basándose en los patrones que aprendió de la verdad fundamental proporcionada por humanos.
Errores frecuentes
- Asumir que las etiquetas son siempre 100% precisas; los anotadores humanos a menudo introducen sesgos o errores.
- Confundir la etiqueta (el objetivo) con las características (los datos de entrada).
- Descuidar la importancia de la consistencia de las etiquetas en un conjunto de datos grande.
- No tener en cuenta el desequilibrio de clases cuando las etiquetas están distribuidas de manera desigual.
Preguntas frecuentes
¿En qué se diferencian las etiquetas de las características?
Las características son las variables de entrada utilizadas por el modelo para hacer una predicción, mientras que la etiqueta es el resultado o categoría específica que el modelo intenta predecir basándose en esas características.
¿Qué sucede si mis datos de entrenamiento tienen etiquetas incorrectas?
Esto se conoce como 'etiquetas ruidosas'. Obliga al modelo a aprender asociaciones incorrectas, lo que degrada significativamente su capacidad para hacer predicciones precisas sobre datos nuevos y no vistos.
¿Es posible entrenar un modelo sin etiquetas?
Sí, esto se llama aprendizaje no supervisado. En este enfoque, el modelo busca patrones o estructuras ocultas en los datos sin que se le proporcionen etiquetas objetivo explícitas.