| Nivel: Introductorio (Sesión 1)

¡Bienvenidos/as al inicio de nuestro taller de Inteligencia Artificial aplicada a la Ciencia y la Salud!

En esta primera sesión no utilizaremos datos hipotéticos ni comerciales: trabajaremos con el dataset real Breast Cancer Wisconsin, una base de datos médica con 569 registros de pacientes.

Nuestro objetivo será preparar estos datos para entrenar a un algoritmo capaz de ayudar en la detección precoz del cáncer de mama, diferenciando entre tumores malignos y benignos a partir de mediciones celulares.

1. Instalación de Scikit-Learn

Abre una celda en tu cuaderno de JupyterLab e instala la librería principal de Machine Learning:

Python

%pip install scikit-learn

💡 Nota: Usamos %pip para asegurarnos de que se instala en el motor (kernel) exacto que está usando tu cuaderno.

2. Cargar los datos médicos sin descargas

Gracias a Scikit-Learn, no necesitamos descargar archivos CSV externos ni pelearnos con rutas en el ordenador. Cargamos el dataset directamente en memoria:

Python

import pandas as pd
from sklearn.datasets import load_breast_cancer

# Cargar el dataset en un DataFrame de Pandas
cancer = load_breast_cancer(as_frame=True)
df = cancer.frame

# Ver cuántos pacientes tenemos y el desglose del diagnóstico
print("Total de pacientes:", len(df))
print("\nDesglose del diagnóstico (target):")
print(df['target'].value_counts())

Lo que veremos en pantalla:

• Hay 569 pacientes en total.
• Cada paciente tiene 30 mediciones geométricas de las células (radio, textura, área, simetría…).
• En la columna target (el diagnóstico):
  • 0: Tumor Maligno (aprox. 37% de los casos)
  • 1: Tumor Benigno (aprox. 63% de los casos)

3. ¿Por qué debemos separar un conjunto de prueba (Test Set)?

Antes de que el ordenador empiece a aprender, debemos reservar el 20% de los pacientes (unos 114 casos) y guardarlos en una “caja fuerte”.

¿Por qué hacemos esto?

Si le enseñamos al modelo todos los casos durante la fase de aprendizaje, sería como darle a un estudiante las preguntas y respuestas del examen antes de la prueba. El conjunto de prueba sirve para hacer un “examen a ciegas” y comprobar si la Inteligencia Artificial realmente ha aprendido a diagnosticar pacientes nuevos.

4. ¿Qué es la Estratificación (stratify=y) y por qué es imprescindible?

Imagina que tienes una bolsa con 60 canicas verdes (casos benignos) y 40 canicas rojas (casos malignos). Si metes la mano a ciegas y sacas un puñado de 10 canicas al azar para el examen final, podría pasar que saques 9 verdes y solo 1 roja.

¿Cuál sería el problema en medicina?

Que si el examen casi no tiene casos con cáncer (rojas), ¡no sabremos si nuestra IA de verdad sabe detectar tumores malignos o si solo ha tenido buena suerte!

🎯 La solución: La Estratificación

La estratificación consiste en forzar al programa a actuar como una “balanza inteligente”: asegura que el conjunto de prueba mantenga exactamente el mismo porcentaje de casos positivos (malignos) y negativos (benignos) que el dataset original.

• Si el dataset original tiene un 37% de tumores malignos, la estratificación garantiza que tanto el grupo de estudio (80%) como el del examen (20%) tengan exactamente ese 37% de casos malignos.

En código Python, esto se activa con una sola palabra: stratify=y.

5. Código completo para la clase

Aquí tenéis el bloque de código limpio y definitivo que debemos ejecutar:

Python

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split

# 1. Cargar datos
cancer = load_breast_cancer()
X = cancer.data   # Las 30 mediciones celulares de cada paciente
y = cancer.target # El diagnóstico (0 = Maligno, 1 = Benigno)

# 2. Separar en Entrenamiento (80%) y Prueba (20%) con ESTRATIFICACIÓN
X_train, X_test, y_train, y_test = train_test_split(
    X, y, 
    test_size=0.2,      # 20% para el examen final
    random_state=42,    # Para que a todos nos salgan los mismos datos
    stratify=y          # ¡Estratificación activada! Mismas proporciones en ambos lados
)

# 3. Comprobar el resultado
print(f"Pacientes para entrenar al modelo (Train): {len(X_train)}")
print(f"Pacientes reservados para el examen final (Test): {len(X_test)}")

Resultado en la consola:

Plaintext

Pacientes para entrenar al modelo (Train): 455
Pacientes reservados para el examen final (Test): 114

📝 Resumen final

En solo unas pocas líneas de código hemos logrado:

1. Cargar un dataset médico numérico y estructurado.
2. Proteger la evaluación futura de nuestra IA evitando que “haga trampas”.
3. Garantizar mediante estratificación que la muestra de prueba representa fielmente la proporción real de la enfermedad.

¡En la siguiente sesión entrenaremos nuestro primer algoritmo de clasificación! 🔬💻