# Visualizando Modelos De Machine Learning **Source:** https://ja.cursos.frogamesformacion.com/pages/blog/visualizando-modelos-de-machine-learning **Language:** Japanese --- ![Visualizando Modelos de Machine Learning](https://dropinblog.net/cdn-cgi/image/fit=scale-down,format=auto,width=700/34249715/files/featured/visualizando-modelos-de-machine-learning-por-que-tu-grafico-del-clasificador-no-coincide-con-la-matriz-de-confusion.jpg) # Visualizando Modelos de Machine Learning *![フアン・ガブリエル・ゴミラ](https://dropinblog.net/cdn-cgi/image/fit=scale-down,width=100/34249715/authors/jb.JPG)* フアン・ガブリエル・ゴミラ 数学 | ML 25/11/2025 7:24am 9 minutos Leer el artículo Audio generated by DropInBlog's Blog Voice AI™ may have slight pronunciation nuances. Learn more # 🤖 Visualizando Modelos de Machine Learning: ¿Por qué tu gráfico del clasificador coincide con la matriz de confusión? El aprendizaje automático o machine learning es una mezcla fascinante de matemáticas, programación y visualización. Sin embargo, a veces surgen dudas muy interesantes cuando tratamos de **entender cómo se comporta un modelo internamente**. Una de las más comunes (y que suele confundir incluso a quienes ya tienen experiencia) es la siguiente: > “He entrenado una regresión logística con tres variables, pero el gráfico del clasificador que muestra la frontera de decisión solo usa dos. > ¿Por qué los resultados del gráfico coinciden con la matriz de confusión?” Si te has hecho esta pregunta, estás pensando como un verdadero científico de datos 👏. Vamos a explicarlo en detalle, **paso a paso**, y con una buena dosis de intuición matemática. --- ## 🎯 1. El dilema: tres variables, dos dimensiones Supongamos que estás trabajando con un modelo de **regresión logística** (aunque este problema aplica también a árboles de decisión, SVMs o redes neuronales). Tu dataset tiene tres variables independientes: - `Age` (edad) - `EstimatedSalary` (salario estimado) - `Gender_binario` (sexo, convertido a 0 o 1) Y tu variable dependiente (target) es `Purchased` — si el usuario compró o un producto. El modelo se entrena sin problemas: ``` from sklearn.linear_model import LogisticRegression classifier = LogisticRegression(random_state=0) classifier.fit(X_train, y_train) ``` Hasta aquí, todo bien. Pero cuando intentas **graficar el clasificador** —como se hace en el curso ゼロから始める機械学習 — notas algo extraño: 👉 El gráfico solo muestra **dos variables** (por ejemplo, Edad y Salario). 👉 Los puntos y la frontera de decisión **coinciden exactamente** con las predicciones ni con la matriz de confusión del modelo. ¿Por qué pasa esto? --- ## 🧩 2. El origen del problema: la visualización 2D de un modelo multidimensional La regresión logística (y en general cualquier modelo de clasificación lineal) **aprende un hiperplade decisión**. Si tu modelo tiene tres variables (`x₁`, `x₂`, `x₃`), la frontera de decisión es un **plaen 3D**, descrito por: w1x1+w2x2+w3x3+b=0w1x1+w2x2+w3x3+b=0 En un espacio tridimensional, esto se puede visualizar, pero ¿qué pasa si tienes más variables? Simple: **el modelo sigue funcionando, pero nosotros ya podemos representarlo visualmente**. Por eso, cuando intentas graficar el clasificador en 2D, **solo se muestran dos de las variables**, y las demás se deben **mantener fijas** (por ejemplo, `Gender = 0`). El resultado: el gráfico muestra **una “rebanada” del espacio de decisión**, el modelo completo. --- ## 📊 3. Matriz de confusión vs gráfico del clasificador La **matriz de confusión** es una representación matemática del desempeño global del modelo: evalúa cuántas predicciones fueron correctas o incorrectas sobre **todo el conjunto de datos**, usando **todas las variables**. En cambio, el **gráfico del clasificador** solo representa un **subconjunto bidimensional** de los datos. Por tanto, la frontera que ves en pantalla es **una proyección** del modelo real, y puede coincidir con lo que ocurre en el espacio total de tres dimensiones. 💡 En resumen: - La matriz de confusión evalúa el modelo completo (todas las features). - El gráfico solo visualiza una “vista parcial” del modelo. No hay contradicción entre ambos: simplemente estás mirando el problema desde ángulos diferentes. --- ## 🧠 4. Cómo hacerlo correctamente en Python Supongamos que entrenaste un modelo con tres variables. Para visualizarlo correctamente en 2D, debes **fijar una variable** y graficar las otras dos. Por ejemplo, si `Gender` = 0 (hombres): ``` import numpy as np import matplotlib.pyplot as plt from matplotlib.colors import ListedColormap # Fijamos Gender = 0 X_set = X_test[X_test[:, 2] == 0] y_set = y_test[X_test[:, 2] == 0] X1, X2 = np.meshgrid( np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01), np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01) ) plt.contourf( X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel(), np.zeros(X1.ravel().shape)]).T).reshape(X1.shape), alpha=0.75, cmap=ListedColormap(('red', 'green')) ) plt.title('Clasificador con Gender = 0') plt.xlabel('Age') plt.ylabel('Estimated Salary') plt.show() ``` Aquí: - Mantenemos fija la tercera variable (`Gender=0`). - Graficamos las dos variables restantes (`Age`, `Salary`). - El resultado es una **frontera de decisión 2D**, válida solo para ese valor de `Gender`. Si quisieras graficar para mujeres (`Gender=1`), bastaría cambiar el valor fijo y repetir. --- ## ⚙️ 5. Alternativa práctica: entrenar un modelo 2D para visualizar Una estrategia útil es entrenar **una versión simplificada** del modelo solo con las dos variables que quieres visualizar. ``` classifier_2d = LogisticRegression(random_state=0) classifier_2d.fit(X_train[:, :2], y_train) ``` Así obtienes: - Un modelo 2D para graficar fácilmente. - Y mantienes tu modelo 3D para las predicciones reales y la matriz de confusión. Esto es lo que se hace en muchos cursos (como ゼロから始める機械学習 ), donde se prioriza la **intuición visual**del algoritmo. --- ## 🧮 6. La matemática detrás del plade decisión Desde el punto de vista matemático, la **frontera de decisión** de la regresión logística se basa en el **sigmoide de una combinación lineal**: p(y=1∣x)=11+e−(w1x1+w2x2+w3x3+b)p(y =1∣x)=1+e −(w1x1+w2x2+w3x3+b)1 Cuando fijas `x₃` (en este caso, `Gender`), esa variable se convierte en una constante, y la ecuación se simplifica a: p(y=1∣x1,x2)=11+e−(w1x1+w2x2+c)p(y =1∣x1,x2)=1+e −(w1x1+w2x2+c)1 donde `c = w_3 * gender + b`. Es decir: el plase desplaza según el valor que tenga la variable fijada. Por eso las fronteras cambian entre `Gender=0` y  `Gender=1`. 📚 Si quieres profundizar en la matemática detrás de esto, te recomiendo el curso 機械学習のための数学基礎 , donde se explica en detalle cómo las funciones lineales y sigmoides construyen estos espacios de decisión. --- ## 📈 7. Y si tengo más de tres variables… A partir de 3 dimensiones, ya podemos visualizar el hiperpladirectamente. Lo que puedes hacer es: - **Reducir la dimensionalidad** (por ejemplo con *PCA*, *t-SNE* o  *UMAP*). - **Usar herramientas interactivas 3D**, como *Plotly*, para inspeccionar proyecciones. - **Analizar importancia de variables** con técnicas como *feature importance* o  *SHAP values*. En el curso ゼロから始める機械学習 , estos métodos se abordan en las secciones de *Model Evaluation* y  *Dimensionality Reduction*, donde aprenderás a **equilibrar interpretabilidad y precisión** en modelos complejos. --- ## 💡 8. Lo que debes recordar | Concepto | Explicación | | --- | --- | | La matriz de confusión | Evalúa el modelo **completo**, con todas las variables. | | El gráfico del clasificador | Muestra solo **una proyección 2D**, fijando las demás variables. | | Diferencias entre ambos | Son naturales: el gráfico es una simplificación visual del modelo real. | | Cómo resolverlo | Fijar una variable o crear un modelo reducido para visualización. | | Dónde aprender más | ゼロから始める機械学習  y  Matemáticas para Machine Learning. | --- ## 🚀 9. Conclusión: ver siempre es entender… pero ayuda La visualización en Machine Learning es una herramienta poderosa, pero tiene sus límites. Un modelo puede tener decenas de variables, y cada una de ellas **cambia la forma del espacio de decisión**. Por eso, los gráficos son **representaciones parciales**, útiles para la intuición, pero para evaluar el modelo completo. 👉 Si tus fronteras de decisión coinciden con la matriz de confusión, **estás haciendo nada mal**: simplemente estás viendo una proyección 2D de algo que ocurre en un espacio de más dimensiones. El verdadero desafío —y la belleza del Machine Learning— está en **entender ambas perspectivas**: la geométrica (visual) y la matemática (analítica). Y si dominas ambas, podrás explicar tus modelos con la claridad de un científico de datos y la precisión de un matemático. --- ### 🎓 Aprende más con Frogames Formación Si este tema te resultó interesante, te recomiendo dos cursos esenciales para seguir creciendo en este camino: - 🔹 **ゼロから始める機械学習**  — Aprende a implementar, interpretar y visualizar los principales algoritmos de ML, desde regresión hasta redes neuronales. - 🔹 **機械学習のための数学基礎**  — Domina las bases matemáticas (álgebra lineal, cálculo y estadística) que te permitirán entender cómo piensan los algoritmos de aprendizaje automático. Ambos forman parte de la ruta completa de **Machine Learning y Ciencia de Datos** で  Frogames Formación , donde el objetivo es solo que ejecutes código… sique **entiendas lo que ocurre detrás de cada línea**. Please enable JavaScript to view the comments powered by Disqus. « Volver al Blog ## Artículos relacionados ![Cómo funcionan los sistemas de numeración posicionales y posicionales: diferencias clave](https://dropinblog.net/cdn-cgi/image/fit=scale-down,format=auto,width=700/34249715/files/portada-post/como-funcionan-los-sistemas-de-numeracion-posicionales-y-no-posicionales-diferencias-clave.png) ## Cómo funcionan los sistemas de numeración posicionales y posicionales: diferencias clave 9 minutos 25/11/2025 12:00pm ![Cómo resolver problemas de proporciones compuestas: técnicas y trucos prácticos](https://dropinblog.net/cdn-cgi/image/fit=scale-down,format=auto,width=700/34249715/files/portada-post/como-resolver-problemas-de-proporciones-compuestas-tecnicas-y-trucos-practicos.png) ## Cómo resolver problemas de proporciones compuestas: técnicas y trucos prácticos 9 minutos 24/11/2025 12:00pm ![Cómo usar notación científica y logaritmos juntos para resolver problemas complejos](https://dropinblog.net/cdn-cgi/image/fit=scale-down,format=auto,width=700/34249715/files/portada-post/como-usar-notacion-cientifica-y-logaritmos-juntos-para-resolver-problemas-complejos.png) ## Cómo usar notación científica y logaritmos juntos para resolver problemas complejos 10分 23/11/2025 12:00pm 無料コース ## あなたのための無料コース 当社のUnityコースは **無料** . Unityエンジンで最初のビデオゲームを作成する方法を15時間以上のビデオコースで学びましょう。 今すぐコースを取得