Clasificación
Sinónimos: Classification
Definición ampliada
La clasificación, o classification, es la tarea de asignar a cada entrada una etiqueta tomada de un conjunto cerrado: dos categorías en el caso binario, varias en el multiclase, o varias simultáneas en el multietiqueta.
Casi ningún clasificador devuelve directamente una categoría. Devuelve una puntuación o una probabilidad estimada, y esta se convierte en categoría al aplicar un umbral. Ese umbral no es un detalle técnico: fija el reparto entre falsos positivos y falsos negativos, y es una decisión con consecuencias.
Contexto histórico
La clasificación es una de las tareas más antiguas del reconocimiento de patrones y precede a la IA moderna: análisis discriminante y regresión logística en estadística, y desde los años sesenta algoritmos específicos como los árboles de decisión o las máquinas de vectores soporte. Las redes profundas la desplazaron en percepción a partir de 2012, cuando una red convolucional ganó la competición ImageNet con un margen amplio [1].
Importancia actual
A fecha de septiembre de 2026, la mayoría de los sistemas de IA que llegan a un servicio sanitario son clasificadores: cribado de imágenes, estratificación de riesgo o categorización de texto clínico. Lo que decide su utilidad no suele ser el algoritmo, sino la calidad de las etiquetas, la calibración y el umbral elegido.
Aplicaciones
Generales
- Separar correo legítimo de correo no deseado.
- Reconocer objetos o escenas en imágenes.
- Ordenar documentos o incidencias por categoría.
Sanitarias
- Clasificar imágenes con etiquetas diagnósticas [2].
- Estratificar pacientes por riesgo estimado de un evento.
- Codificar texto clínico en categorías administrativas o de investigación.
Limitaciones
- Con clases muy desequilibradas, la exactitud global puede ser alta y el modelo inútil para la clase infrecuente, que suele ser la que importa.
- Discriminar bien no es estar calibrado. Un modelo puede ordenar correctamente el riesgo y aun así devolver probabilidades sistemáticamente desplazadas, lo que invalida su uso para decidir [3].
- El umbral depende del coste clínico de cada tipo de error y de la prevalencia local; el que venía del estudio original rara vez es el adecuado.
- El techo del modelo es la calidad de las etiquetas: si la etiqueta de referencia es imperfecta, el rendimiento medido también lo es.
- El rendimiento cae al cambiar de población, de equipo o de circuito asistencial.
Ejemplos
Un clasificador entrenado con imágenes dermatológicas seleccionadas puede alcanzar cifras altas de sensibilidad y especificidad [2]. Trasladado a una consulta con prevalencia mucho menor, el mismo umbral produce una proporción mucho mayor de falsos positivos, aunque el modelo no haya cambiado.