La inteligencia artificial trabaja con datos incompletos, ruidosos y variables. La probabilidad permite representar incertidumbre, aprender patrones, comparar hipótesis y comunicar la confianza de una predicción.
Un modelo probabilístico describe cómo se generan los datos y qué resultados son plausibles. En aprendizaje automático se estiman parámetros o funciones a partir de ejemplos.
En clasificación, el modelo estima P(clase|datos). La decisión habitual elige la clase con mayor probabilidad posterior:
La probabilidad predicha no es solo una etiqueta: permite ordenar casos, elegir umbrales y tomar decisiones con distintos costos.
Bayes combina una probabilidad previa con la evidencia observada:
En inteligencia artificial, H puede ser una clase o hipótesis y D un conjunto de características. El resultado cambia si cambia la distribución de los datos en producción.
Naive Bayes supone que las características son condicionalmente independientes dada la clase:
La suposición simplifica el cálculo y puede funcionar bien aunque no sea exactamente cierta. La estimación de probabilidades cero suele corregirse con suavizado.
Una predicción puede evaluarse mediante una pérdida L(real,predicha). El modelo busca reducir la pérdida esperada:
Elegir una acción óptima depende de las consecuencias de cada error, no solo de acertar la clase más frecuente.
En clasificación binaria se distinguen verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos:
Estas medidas responden preguntas distintas y pueden cambiar al modificar el umbral de decisión.
La matriz de confusión organiza las predicciones frente a las etiquetas reales. Permite detectar clases que el modelo confunde y calcular métricas por grupo.
Una exactitud alta puede ocultar un rendimiento pobre cuando una clase es mucho más frecuente que las demás.
Los datos se separan para ajustar el modelo y evaluar su comportamiento en ejemplos no usados durante el entrenamiento. Mezclar ambos conjuntos produce una evaluación demasiado optimista.
La validación cruzada repite particiones para estimar mejor la variabilidad del rendimiento.
Este ejemplo aplica Bayes a una prueba diagnóstica sencilla:
function bayes(prior, sensibilidad, especificidad) {
const positivo = prior * sensibilidad
+ (1 - prior) * (1 - especificidad);
return prior * sensibilidad / positivo;
}
console.log(bayes(0.01, 0.95, 0.90));Pulsa Ejecutar para calcular la probabilidad posterior de una persona positiva.
Modifica la prevalencia y la calidad de una prueba. El gráfico compara positivos verdaderos y falsos positivos, mostrando por qué la probabilidad previa es importante.
Un modelo está calibrado si, entre los casos a los que asigna una probabilidad cercana a 0,7, aproximadamente el 70% pertenece a la clase positiva.
Un modelo puede discriminar bien entre casos y estar mal calibrado. La probabilidad predicha debe evaluarse, no aceptarse solo porque el algoritmo la produzca.
El sobreajuste aparece cuando el modelo aprende peculiaridades del conjunto de entrenamiento y falla en datos nuevos. La regularización, la validación y la simplicidad controlan este riesgo.
Desde una mirada probabilística, el rendimiento observado en una muestra tiene variabilidad y no coincide necesariamente con el rendimiento futuro.
Si los datos de entrenamiento no representan la población donde se usará el sistema, las probabilidades aprendidas pueden ser engañosas. Cambios de distribución, clases ausentes y etiquetas erróneas afectan las conclusiones.
La evaluación debe reflejar el contexto real de uso.
La probabilidad aparece en filtros de correo, diagnóstico asistido, detección de fraude, recomendadores, reconocimiento de voz, visión artificial, mantenimiento predictivo y sistemas de decisión automática.
La probabilidad permite que la inteligencia artificial represente incertidumbre y tome decisiones graduadas. Un modelo responsable combina datos representativos, evaluación adecuada, métricas claras y comunicación honesta de sus límites.