Aprendizaje supervisado
Sinónimos: Supervised learning
Definición ampliada
El aprendizaje supervisado, o supervised learning, ajusta un modelo con pares formados por una entrada y una salida objetivo. El modelo aprende una relación que después utiliza para clasificar casos o estimar valores en datos no vistos.
Las etiquetas no «supervisan» al modelo como lo haría una persona durante cada predicción: aportan la señal de aprendizaje. Su calidad, definición y representatividad condicionan el resultado.
Contexto histórico
Muchos métodos estadísticos de clasificación y regresión anteceden al término actual. Con el desarrollo del aprendizaje automático, el aprendizaje supervisado se convirtió en una de sus familias principales y, más tarde, en la base de gran parte del entrenamiento de redes neuronales [1].
Importancia actual
A fecha de agosto de 2026, sigue siendo esencial en predicción, reconocimiento de patrones y evaluación comparativa. También es el marco en el que resulta más visible el coste de crear etiquetas fiables y evitar fugas de información.
Aplicaciones
Generales
- Clasificación de imágenes, mensajes o transacciones.
- Predicción de cantidades mediante regresión.
- Detección de eventos a partir de ejemplos previamente etiquetados.
Sanitarias
- Estimar riesgo clínico a partir de resultados conocidos.
- Clasificar imágenes con etiquetas diagnósticas [2].
- Extraer información de documentos anotados por profesionales.
Limitaciones
- Requiere etiquetas cuyo significado puede ser ambiguo o variable.
- Puede aprender atajos y sesgos presentes en los datos.
- La separación incorrecta entre entrenamiento y prueba infla el rendimiento.
- Una buena discriminación retrospectiva no demuestra utilidad clínica.
Ejemplos
Un modelo puede aprender a distinguir categorías de lesiones a partir de imágenes con diagnósticos de referencia. Antes de usarlo en otro entorno hay que comprobar calibración, representatividad y rendimiento por subgrupos.