Chisme 110 del Lince: el vecino más cercano, clasificar palabras con kNN

Simulador y tutorial. Trabajarás en el navegador, sin instalar nada. Usa las mismas 24 palabras del chisme 109, con vectores inventados.

Introducción

En el chisme 109 aprendimos a medir la distancia entre palabras. Ahora usamos esa distancia para clasificar: dada una palabra nueva, la IA busca las palabras conocidas más cercanas y decide su grupo según lo que votan sus vecinos. Este método se llama k vecinos más cercanos, o kNN (de k-nearest neighbors).

Por qué este chisme

Hasta ahora hemos agrupado sin respuestas (chismes 106 y 108). Aquí el ordenador sí tiene respuestas: sabe a qué grupo pertenece cada palabra conocida, y aprende a decidir el grupo de una nueva. Es la base de la clasificación supervisada, la misma idea que el reconocimiento de imágenes o de voz, pero en su versión más sencilla.

Cómo funciona

1. Tenemos palabras conocidas, cada una con sus tres números y su grupo (animal, comida, lugar o vehículo).
2. Llega una palabra nueva con sus tres números.
3. Medimos la distancia de la nueva a todas las conocidas y nos quedamos con las k más cercanas.
4. Cada una de esas vecinas «vota» su grupo. Gana el grupo con más votos.

El número k lo elegimos nosotros. Con k = 1, la palabra toma el grupo de su vecina más cercana, aunque esa vecina sea un error. Con k más grande, pesan más vecinos y el resultado se suaviza, pero si k es demasiado grande, las vecinas pueden ser de grupos muy distintos y la decisión se vuelve borrosa.

Qué necesitamos

• Un navegador (Chrome o Edge).
• Papel, para anotar qué pasa al cambiar k.

Construcción

Abre el simulador de abajo. Mueve los deslizadores para crear una palabra nueva, o pulsa uno de los ejemplos (ballena, tomate, camión...). Pulsa «Clasificar» y mira a sus vecinas.

El código en Python

Este es el mismo método en Python con cinco palabras conocidas, para que puedas ver cada paso. Cópialo y pruébalo:

import math
from collections import Counter

# palabras conocidas: [tamaño, tiene vida, es natural] y su grupo
conocidas = [
    ([0.4, 1.0, 0.9], "animal"),    # perro
    ([0.3, 1.0, 0.6], "animal"),    # gato
    ([1.0, 0.0, 0.3], "lugar"),     # ciudad
    ([0.6, 0.0, 0.0], "vehículo"),  # coche
    ([0.1, 0.0, 1.0], "comida"),    # manzana
]

def clasificar(nueva, datos, k):
    # 1. ordenar las palabras conocidas por distancia a la nueva
    cercanas = sorted(datos, key=lambda d: math.dist(nueva, d[0]))[:k]
    # 2. contar los votos de las k vecinas
    votos = Counter(grupo for _, grupo in cercanas)
    return votos.most_common(1)[0][0]

ballena = [0.9, 1.0, 1.0]
print(clasificar(ballena, conocidas, 3))

Lo que hace el programa es lo mismo que el simulador: mide, ordena y vota. No sabe qué es una ballena; solo sabe qué números se parecen a los de las palabras que ya conoce.

Cómo probarlo

1. Busca un valor de k que dé el mayor porcentaje de acierto. ¿Coincide con tu intuición?
2. Crea una palabra que esté justo entre dos grupos. ¿Qué pasa con k par, por ejemplo k = 2 o k = 4? ¿Qué regla usa el programa cuando hay empate?
3. Cambia el código de Python: añade una palabra conocida nueva, como «bicicleta», y comprueba si cambia la clasificación de la ballena.

Qué estamos midiendo realmente

• Clasificación supervisada: cada palabra conocida viene con su respuesta (su grupo). Eso la diferencia del aprendizaje sin etiquetas de los chismes 106 y 108.
• Acierto: es la proporción de palabras que el método clasifica bien. Para medirlo sin trampa, cada palabra se compara con sus vecinas, sin contarse a sí misma.
• Elección de k: si k es demasiado pequeño, el resultado depende de una sola vecina, que puede ser un error. Si es demasiado grande, se mezclan grupos distintos. Elegir k es una decisión humana que hay que comprobar.
• Empates: con k par, dos grupos pueden tener los mismos votos. Hay que decidir una regla, y esa regla también influye en el resultado.

Para el aula

• ¿Qué pasaría si cambiáramos la unidad de «tamaño» de metros a centímetros? ¿Cambiaría el vecino más cercano?
• Si el método acierta casi siempre con las palabras conocidas, ¿significa que acertará con cualquier palabra nueva? ¿Por qué no?
• ¿Cómo elegirías k en un problema real sin mirar el resultado final? ¿Qué datos reservarías para comprobarlo?

Retos

1. Haz que funcione. Clasifica las seis palabras de ejemplo con k = 3 y anota cuáles aciertan.
2. Mide el acierto por k. Anota el porcentaje para k de 1 a 7 y dibuja la gráfica en papel.
3. Añade ejemplos. Escribe cinco palabras nuevas con sus tres números y su grupo en el código de Python, y comprueba si el resultado cambia.
4. Busca el caso difícil. Crea una palabra que el método clasifique mal y explica por qué la confunde.

Qué hemos aprendido

Para clasificar una palabra nueva basta con mirar a sus vecinas más cercanas y dejar que voten. Es un método sencillo y fácil de explicar, pero depende de tres decisiones humanas: qué características usamos, cómo medimos la distancia y cuántas vecinas miramos. Por eso una clasificación siempre hay que comprobarla antes de creerla.

Para seguir investigando

• Chisme 109: el mapa de las palabras, de donde salen los vectores de este chisme.
• Chisme 106: agrupar colores sin etiquetas, el mismo problema de distancias pero sin respuestas.
• Concepto general: K-vecinos más cercanos (Wikipedia).