Aprender algoritmos es importante, pero no alcanza. En Machine Learning, muchas veces la diferencia entre un trabajo prolijo y uno poco confiable no está en elegir “el modelo más famoso”, sino en aplicar buenas prácticas de manera consistente.
Este último tema resume hábitos que conviene incorporar desde el principio para trabajar mejor con Scikit-learn y para seguir creciendo después de este tutorial.
Una buena práctica es una decisión técnica que reduce errores, mejora la reproducibilidad y hace que el proyecto sea más fácil de entender y mantener.
No son adornos. Son parte central del trabajo con datos y modelos.
Pipeline cuando hay preprocesamiento;random_state para poder reproducir resultados;La fuga de información ocurre cuando usamos, directa o indirectamente, datos del conjunto de prueba durante el entrenamiento o durante el preprocesamiento.
Eso genera una ilusión de buen rendimiento. El modelo parece funcionar muy bien, pero en realidad fue “ayudado” con información que no debería conocer.
Por eso el preprocesamiento debe ajustarse con los datos de entrenamiento y aplicarse después a validación, prueba o casos nuevos.
Si hoy entrenas un modelo y mañana el mismo código da otro resultado, será difícil entender qué cambió. Por eso conviene fijar semillas con random_state siempre que corresponda.
La reproducibilidad ayuda a comparar modelos, depurar problemas y explicar resultados a otras personas.
En este ejemplo reunimos varias buenas prácticas en un solo programa:
import pandas as pd
from sklearn.impute import SimpleImputer
from sklearn.model_selection import StratifiedKFold, cross_val_score, train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, f1_score
estudiantes = pd.DataFrame({
"horas_estudio": [1, 2, 3, 4, 5, 6, 7, 8, 2, 4, 6, 8],
"practicas": [0, 1, 1, 2, 2, 3, 4, 5, None, 2, 3, 5],
"asistencia": [55, 60, 65, 70, 75, 80, 85, 90, 62, 72, None, 95],
"aprobo": [0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1]
})
X = estudiantes[["horas_estudio", "practicas", "asistencia"]]
y = estudiantes["aprobo"]
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.25, random_state=42, stratify=y
)
modelo = Pipeline([
("imputador", SimpleImputer(strategy="median")),
("escalador", StandardScaler()),
("clasificador", LogisticRegression(max_iter=1000, random_state=42))
])
cv = StratifiedKFold(n_splits=3, shuffle=True, random_state=42)
scores = cross_val_score(modelo, X_train, y_train, cv=cv, scoring="accuracy")
print("Exactitud en validacion cruzada:", scores)
print("Promedio en validacion cruzada:", scores.mean())
modelo.fit(X_train, y_train)
y_pred = modelo.predict(X_test)
print("Valores reales:", y_test.values)
print("Predicciones:", y_pred)
print("Exactitud en prueba:", accuracy_score(y_test, y_pred))
print("F1 en prueba:", f1_score(y_test, y_pred))
nuevo_estudiante = pd.DataFrame({
"horas_estudio": [5],
"practicas": [3],
"asistencia": [78]
})
prediccion = modelo.predict(nuevo_estudiante)[0]
probabilidad = modelo.predict_proba(nuevo_estudiante)[0, 1]
print("Prediccion para el nuevo estudiante:", prediccion)
print(f"Probabilidad de aprobar: {probabilidad:.3f}")Salida resumida esperada:
Exactitud en validacion cruzada: [...]
Promedio en validacion cruzada: ...
Valores reales: [...]
Predicciones: [...]
Exactitud en prueba: ...
F1 en prueba: ...
Prediccion para el nuevo estudiante: ...
Probabilidad de aprobar: ...
El ejemplo no intenta ser complejo. Justamente por eso es útil: muestra una manera ordenada de trabajar.
Primero se separan los datos de prueba. Luego se construye un pipeline que maneja imputación, escalado y clasificación. Después se usa validación cruzada solo sobre entrenamiento. Recién al final se evalúa en prueba.
Esa secuencia evita varios errores comunes y deja un flujo fácil de repetir.
Con esta base ya puedes avanzar hacia temas más amplios. Algunos buenos siguientes pasos son:
train_test_split para separar datos;Pipeline para encadenar pasos;ColumnTransformer para tratar distintos tipos de columnas;StandardScaler y OneHotEncoder para preprocesar;cross_val_score y GridSearchCV para evaluar y ajustar;Si llegaste hasta aquí, ya tienes un panorama claro de cómo pensar y construir un proyecto introductorio de Machine Learning con Scikit-learn.
El siguiente avance ya no depende tanto de memorizar funciones, sino de practicar con datasets reales, comparar enfoques y aprender a tomar decisiones cada vez más justificadas.