Calibración

01 · Punto de partida

¿Y si el modelo tira para un lado?

En el Tema 36 el veredicto fue «válido con límites» o «rechazado»: el modelo verificado se parecía poco a la realidad. Antes de tirarlo, corresponde calibrar: mover sus parámetros dentro de rangos plausibles hasta que el error contra datos conocidos se achique.

Calibrar no es «tocar hasta que cierra». Es una búsqueda declarada: qué parámetros se mueven, en qué rango, contra qué datos y con qué riesgo de sobreajuste (quedar perfecto en el pasado e inútil en el futuro).

• ¿Qué parámetros se calibran y cuáles quedan fijos?
• ¿En qué rango físico tiene sentido moverlos?
• ¿Contra qué datos se ajusta y contra cuáles se valida?
• ¿El ajuste mejora el futuro o solo maquilla el pasado?

02 · Vocabulario mínimo

Parámetro, error y sobreajuste

03 · Tres técnicas

Cómo se calibra sin maquillar

1. 1
   Barrido declarado.

   Probar valores en grilla dentro del rango y quedarse con el de menor error. Simple y auditable.

2. 2
   Un parámetro a la vez.

   Mover de a uno para entender qué hace cada uno antes de combinar.

3. 3
   Reserva para validar.

   Ajustar con un período y juzgar con otro intacto (backtesting del Tema 36).

Calibración

Ajuste de parámetros para acercar el modelo a datos conocidos.

Rango plausible

Intervalo físico o medido donde el parámetro tiene sentido.

Sobreajuste

Ajuste que memoriza ruido y falla con datos nuevos.

Barrido

Búsqueda en grilla de valores con error registrado.

04 · Protocolo

El ajuste en cinco pasos

Elegir pocos parámetros, acotar su rango, barrer con error registrado, validar con datos reservados y declarar valores finales con su error. El Tema 38 comparará ya calibrado contra la realidad.

05 · En Python

Barrer un parámetro y medir MAE

El barrido es un bucle honesto: cada valor candidato genera su serie y su error. Gana el menor, dentro del rango:

real = [10, 12, 14, 16, 18]

def sim(base, tasa):
    n, h = 8, []
    for b in base:
        n = n + tasa
        h.append(n)
    return h

def mae(r, s):
    return sum(abs(a - b) for a, b in zip(r, s)) / len(r)


base = [0] * 5
for tasa in [1.0, 1.5, 2.0]:
    print(tasa, round(mae(real, sim(base, tasa)), 2))

Elegir el ganador sin trampas

El mínimo se elige con min sobre la grilla declarada; el rango ya acota lo físicamente posible.

grilla = [1.0, 1.5, 2.0]
errores = [(t, mae(real, sim(base, t))) for t in grilla]
mejor = min(errores, key=lambda par: par[1])
print("mejor tasa:", mejor[0], "MAE:", round(mejor[1], 2))

06 · Exploración

Laboratorio: buscar la tasa justa

La curva oscura es el sistema real (tasa verdadera 2,0 más ruido). Tu modelo usa la tasa que elijas. Movela y observá cómo el MAE baja hasta el mínimo… y vuelve a subir si te pasás.

Curva oscura con puntos: datos reales. Curva clara: modelo con tu tasa. El mínimo del error está cerca de la tasa verdadera.

Preguntas para explorar

1. Bar ré la tasa de 0,5 a 3,5. ¿Dónde está el mínimo del MAE? ¿Coincide con la verdadera 2,0?
2. Subí el ruido a 2. ¿El mínimo se vuelve más playo o más nítido? ¿Qué riesgo trae?
3. Si calibrás con estos 12 días y validás con los mismos, ¿el MAE te dice la verdad sobre el futuro?

07 · Comprensión

Confusiones frecuentes

08 · Práctica guiada

Ejercicios con Python

Ejercicio 1: medir el error de cada tasa

Barré tres tasas y anotá el MAE de cada una.

real = [10, 12, 14, 16, 18]

def sim(tasa):
    n, h = 8, []
    for _ in real:
        n = n + tasa
        h.append(n)
    return h

for tasa in [1.0, 1.5, 2.0]:
    err = sum(abs(a - b) for a, b in zip(real, sim(tasa))) / len(real)
    print(tasa, round(err, 2))

Ejercicio 2: elegir el ganador

Elegí la mejor tasa con min sobre errores ya calculados.

errores = [(1.0, 5.0), (1.5, 2.5), (2.0, 0.0)]
mejor = min(errores, key=lambda par: par[1])
print("mejor:", mejor)

Ejercicio 3: partir ajuste y validación

Calibrá con los primeros 8 días y reservá los últimos 4 para el juicio.

dias = list(range(12))
ajuste, reserva = dias[:8], dias[8:]
print("ajuste:", len(ajuste), "reserva:", len(reserva))

09 · Síntesis

Ideas para recordar

En el próximo tema contrastaremos ya calibrados: la comparación con el sistema real.