INTRODUCCIÓN A LA IA
Y LA ANALÍTICA VISUAL
MICROSOFT OFFICE
USER
e4you.org/es
ÍNDICE
1
Introducción ______________________________________________________ 2
2
Inteligencia artificial y análisis de datos ________________________________ 2
3
Analítica visual ____________________________________________________ 9
Bibliografía __________________________________________________________ 16
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
1
1 INTRODUCCIÓN
En este tema vamos a introducirnos en el mundo del análisis de datos a través de dos
de sus herramientas fundamentales: la inteligencia artificial y la analítica visual. Para
esto, dedicaremos un apartado a cada uno de ellos, centrándonos en contextualizar
para qué se usan estas herramientas.
La inteligencia artificial, que en sí misma puede constituir una rama de estudio con
otros objetivos además del análisis de datos, será el principal objetivo del curso, que se
desarrollará en mayor detalle en los siguientes temas del presente curso. Dentro de la
inteligencia artificial, el paradigma principalmente imperante en la actualidad es el
aprendizaje automático, que es en el que nos centraremos por su presencia y
aplicaciones, hasta el punto de que muchas veces se identifica aprendizaje automático
con inteligencia artificial.
Por otro lado, la analítica visual busca utilizar herramientas de visualización para
explicar información existente en los datos. Esta disciplina puede servir para transferir
directamente valor al analista de datos, que gracias a la información descubierta
puede proponer actuaciones que redunden en algún tipo de beneficio —
habitualmente económico—, pero también puede ser una herramienta de apoyo para
el proceso de modelado propio de la inteligencia artificial.
2 INTELIGENCIA ARTIFICIAL Y ANÁLISIS DE DATOS
En este apartado nos centraremos en presentar el campo de la inteligencia artificial
dentro del contexto que es el análisis de datos.
Conceptos fundamentales
El análisis de datos es la disciplina que busca obtener conocimiento a partir de un
conjunto de datos, sirviéndose de operaciones como la analítica visual, la estadística
o la inteligencia artificial, entre otras.
En general puede haber motivaciones muy variadas para perseguir esa extracción de
información, pero lo más habitual es que contribuya a generar algún tipo de valor,
como puede ser en el apoyo a la toma de decisiones. Un ejemplo para una entidad
bancaria podría ser el análisis de la morosidad en el escenario de concesión de
préstamos. Si la entidad lleva tiempo funcionando habrá recogido información sobre
los préstamos concedidos hasta entonces, incluyendo información sociodemográfica
del solicitante (edad, estado civil…), de su actividad económica, de las condiciones en
que se ha concedido el préstamo… así como el resultado que ha tenido dicho
préstamo (si ha habido impago). Con esta información, utilizando las técnicas del
análisis de datos, la entidad podría tratar de responder a preguntas como “¿por qué
fracasan algunos préstamos?” o “¿cómo influye la edad de una persona en su
capacidad para devolver un préstamo?”, que al final permitiría derivar en actuaciones
como podrían ser la elaboración de un modelo para estimar automáticamente la
probabilidad de impago a partir de los datos de un cliente.
Un sistema con inteligencia artificial se podría definir como aquel que imita la
inteligencia humana. Esta definición es aceptable para un curso de iniciación como
este, si bien una definición rigurosa puede implicar una discusión mucho mayor. Por
ejemplo, podríamos distinguir entre sistemas que realizan de forma inteligente tareas
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
2
muy específicas (lo más habitual en el paradigma actual) o un conjunto amplio de ellas
(que realmente se parece más a “imitar la inteligencia humana”). El lector interesado
puede acudir a la bibliografía para profundizar en estas diferencias, que quedan fuera
del alcance más aplicado de este curso.
Dentro de la inteligencia artificial existen numerosos enfoques para imitar este
comportamiento humano. El que predomina más actualmente es el del aprendizaje
automático (machine learning), que permite, a través de técnicas con origen en las
matemáticas, la estadística y la computación, extraer información de forma
automática a partir de un conjunto de datos. Esta definición es todavía muy general, y
muy similar a la de análisis de datos, debido a que existe una gran cantidad de familias
de algoritmos, bastante diferentes en algunos casos. Un poco más adelante en este
documento presentaremos las principales familias de algoritmos, que ayudarán a
comprender un poco mejor esta noción.
Fuentes de datos
El punto de partida para el aprendizaje automático (y para muchas otras ramas de la
inteligencia artificial) es un conjunto de datos (dataset) relevante para el caso de
estudio, muchas veces recogido a través de la experimentación o del registro de las
variables implicadas con el proceso de estudio. Los conjuntos de datos con los que es
más sencillo y habitual trabajar son los conjuntos de datos estructurados, en los que se
dispone de la información de varios atributos (también llamados variables,
características o features) para cada una de las instancias o individuos, las ocurrencias
que componen el conjunto de datos.
Para entender mejor estas nociones consideraremos el ejemplo más popularmente
encontrado en la iniciación al análisis de datos: el conjunto de datos Iris, recogido por
Edgar Anderson y popularizado por Ronald Fisher en su artículo de 1936 “The use of
multiple measurements in taxonomic problems”. Este conjunto de datos se compone
de observaciones de flores del género Iris, del que el investigador anotaba las
dimensiones longitudinales y transversales de pétalos y sépalos, así como la especie la
que pertenecía dentro del género, apareciendo en el estudio las especies Iris Setosa,
Iris Versicolor y Iris Virginica. Cada una de estas observaciones se corresponde con el
concepto de instancia. Dentro de cada observación se puede identificar un valor para
cada uno de los atributos (las cuatro dimensiones y la especie).
Este conjunto de datos se puede poner en forma tabulada como muestra la Tabla 1.
En esta se pueden identificar las instancias con las filas y los atributos con las
columnas. Aunque esta representación es convencional, es prácticamente universal.
Largo sépalo Ancho sépalo Largo pétalo Ancho pétalo
Especie
5.1
3.5
1.4
0.2
Iris setosa
4.9
3.0
1.4
0.2
Iris setosa
…
7.0
3.2
4.7
1.4
Iris versicolor
6.4
3.2
4.5
1.5
Iris versicolor
…
6.3
3.3
6.0
2.5
Iris virginica
5.8
2.7
5.1
1.9
Iris virginica
…
Tabla 1 – Forma tabular del conjunto de datos Iris. Las medidas se indican en centímetros.
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
3
La forma tabular no es la única posibilidad para un conjunto de datos. Desde el punto
de vista matemático podemos obtener una representación directa utilizando matrices,
como puede ser la de la Figura 1. En esta se ha utilizado un matriz para recoger los
atributos del conjunto de datos excepto la especie, que se encuentra representada en
un vector independiente (o una matriz con una columna, si se prefiere). Esta forma es
típica en el contexto de problemas en los que existe un atributo de especial interés
que se desee conocer en función de los otros. En nuestro ejemplo, podríamos estar
interesados en crear un sistema que identifique automáticamente la especia en
función de las medidas de un ejemplar. Esto constituye un ejemplo de uno de los
problemas más habituales en el análisis de datos, que es la construcción de un
clasificador, que plantearemos en mucho mayor detalle en un tema posterior.
iris setosa
5.1 3.5 1.4 0.2
(4.9 3.0 1.4 0.2) , (iris setosa)
⋮
⋮
⋮
⋮
⋮
Figura 1 - Representación matricial del conjunto de datos Iris
Otra forma que puede tomar un conjunto de datos es el formato JSON, en que se
representa en la notación típica de Javascript la lista de instancias (entre corchetes),
describiendo cada una de ellas como un mapa (entre llaves) de pares clave-valor
(separadas por dos puntos). Un ejemplo se muestra en la Figura 2. Un escenario en el
que este tipo de representación puede ser especialmente interesante es en el que
haya abundantes datos faltantes, esto es, valores no disponibles que estén “en blanco”
en la representación tabular. También es un formato especialmente útil para ir más
allá de los datos estructurados, dando cobertura a una familia un poco más amplia que
serían los datos semiestructurados.
Figura 2 - Representación en formato JSON del conjunto de datos Iris
El formato JSON puede constituir, además de una representación, un formato de
fichero en el que los datos pueden proveerse. Otros formatos de fichero populares en
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
4
el ámbito del análisis de datos son el CSV o los formatos de hoja de cálculo (XLS, XLSX,
ODS…), muy cercanos a la abstracción de la representación tabular antes presentada,
con diferencias sobre la codificación de los valores; formatos específicamente
diseñados para las necesidades de conjuntos de datos grandes (HDF5, Parquet,
Feather); los formatos propios de las bases de datos, tanto relacionales como
relacionales; o los archivos específicos de algunos lenguajes de programación, como
pueden ser los ficheros pickle de Python. A nivel introductorio es habitual encontrar
conjuntos de datos en formatos CSV o similares, principalmente por su simplicidad. En
el ámbito real aún pueden ser habituales estos formatos, dependiendo del ámbito,
aunque otras alternativas suelen ser más ventajosas.
Una característica importante sobre los atributos de un conjunto de datos para que
este pueda considerarse como estructurado es que deben estar evaluados en un
dominio que se pueda considerar “elemental”, como pueden ser números (enteros o
reales descritos en coma flotante) o categorías dentro de un conjunto reducido (por
ejemplo, el estado civil). Ejemplos de atributos no elementales pueden ser textos en
lenguaje natural (como una descripción o el contenido de un tweet), imágenes (como
la fotografía de una persona) o una serie temporal (por ejemplo, los gastos mensuales
a lo largo de un cierto periodo de tiempo). Existen técnicas para transformar este otro
tipo de información en datos estructurados lo que permite utilizar también algunas de
las técnicas propias del análisis de datos estructurados. Por esto, el análisis de datos
estructurados puede considerarse como un aprendizaje básico que constituye un
conocimiento preliminar importante para técnicas más avanzadas como son la
clasificación de imágenes o la predicción de series temporales.
Dentro de estos tipos de atributos elementales podemos establecer una clasificación
importante tanto a nivel conceptual (para identificar la semántica propia del atributo)
como para la identificación de las técnicas que les son aplicables (qué tipo de gráficas
tienen sentido, qué familias de algoritmos son aplicables, qué preprocesamiento es
adecuado realizar...). Una clasificación sencilla es la siguiente:
• Cuantitativos o numéricos: Se pueden medir y representar con números.
Distinguimos dos tipos dentro de estos:
o Discretos: Solo toman unos valores numéricos prefijados, habitualmente
los números enteros.
o Continuos: Al menos teóricamente, pueden tomar un rango continuo de
valores. La definición matemática rigurosa de este concepto es que dados
dos valores cualesquiera que la variable pueda tomar, existe, al menos,
otro diferente entre ambos. En la práctica se interpretan identifiquen con
números representados en coma flotante, aunque la definición teórica
no se cumpla en este caso por limitaciones computacionales.
• Cualitativas o categóricas: Toman un conjunto finito de valores o categorías, no
necesariamente numéricos. Algunos casos particulares de este tipo de variable
son:
o Binario o dicotómico: toma únicamente dos valores (sí/no).
o Ordinal: en los que tiene sentido establecer una escala de valores. Por
ejemplo, en los cuestionarios con escala Likert en que encontramos las
opciones “totalmente en desacuerdo”, “en desacuerdo”, “de acuerdo”,
“totalmente de acuerdo”.
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
5
La Tabla 2 muestra algunos ejemplos de variables de los diferentes tipos.
Atributo
Valores
Tipo
Explicación
Importe
30.50, 118.0,
Numérico
Aunque un importe en una
12.70, …
continuo
divisa tenga divisiones mínimos
(e.g., céntimos de euro), en la
práctica se trata como una
variable continua.
Número de
0, 1, 2, …
Numérico
No tiene sentido pensar en un
hijos
discreto
número no entero de personas.
Estado civil
Soltero/a,
Categórico
No sería del todo correcto
casado/a, viudo/a,
entenderlo como ordinal (no es
…
que haya estados civiles
“superiores” a otros).
Fumador
Sí, No.
Dicotómica Solo admite dos valores, quizá
por diseño de cómo se recojan
los datos.
Valoración en Totalmente en
Ordinal
Hay un orden natural.
una encuesta desacuerdo, en
Likert
desacuerdo,…
Tabla 2 – Ejemplos de variables
Finalmente, existen numerosos recursos en los que podemos encontrar conjuntos de
datos con los que practicar durante nuestro aprendizaje. Entre ellos podemos destacar
como especialmente adecuado para principiantes el Repositorio de aprendizaje
automático de la University of California, Irvine (UCI) 1. Aunque este cuenta con una
cantidad relativamente reducida de conjuntos de datos, estos están bastante
seleccionados e incluyen información orientativa sobre los problemas que podemos
querer estudiar sobre ellos (veremos esto en la siguiente sección de este documento).
Podemos ver un ejemplo con el conjunto de datos Iris en la Figura 3, en la que
podemos identificar los enlaces de descarga en subrayado amarillo y la información
pertinente en la tabla mostrada bajo estos.
1
https://archive.ics.uci.edu/
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
6
Figura 3 - Conjunto de datos Iris en el repositorio de aprendizaje automático de la UCI
Una alternativa más amplia y moderna, aunque con la desventaja de no tener sus
conjuntos de datos seleccionados tan exhaustivamente es la plataforma Kaggle2, que
constituye, en realidad, una comunidad donde los científicos de datos pueden
compartir sus conjuntos de datos, sus análisis sobre los mismos en formato notebook,
participar en foros de discusión, realizar cursos de aprendizaje e incluso participar en
competiciones.
Paradigmas del aprendizaje automático
Dentro del aprendizaje automático podemos distinguir varias familias de algoritmos,
como se muestra de forma esquemática en la Figura 4. El principal de estos
paradigmas es el llamado aprendizaje supervisado, del que se pueden distinguir dos
variedades principales: regresión y clasificación. Por otro lado, tenemos el paradigma
del aprendizaje no supervisado, que en realidad agrupa algoritmos muy dispares, que
posteriormente presentaremos. Entre ambos se puede distinguir el caso especial del
aprendizaje semisupervisado, que integra técnicas procedentes de ambos paradigmas
que pueden ser útiles en circunstancias específicas. Finalmente, podemos distinguir los
algoritmos de aprendizaje por refuerzo, cuyo punto de partida no es un conjunto de
datos como lo puede ser en los otros casos.
2
https://www.kaggle.com/
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
7
Figura 4 - Paradigmas del aprendizaje automático
El paradigma del aprendizaje supervisado se centra en un problema muy habitual que
ya adelantábamos al hablar de la representación matricial: deseamos poder predecir
uno de los atributos del conjunto de datos, de particular interés, en función de los
otros. Este atributo especial recibe la denominación de objetivo (o target) y, según su
naturaleza, hace que podamos utilizar unos u otros algoritmos. En el caso de que el
objetivo tenga naturaleza categórica hablamos de problemas de clasificación, y el
objetivo recibe el nombre particular de clase. En caso de que sea una variable
continua hablamos de problemas de regresión, siendo el ejemplo más conocido el de
la regresión lineal que es temario habitual de los primeros cursos de estadística de las
ciencias e ingenierías. En el caso de las variables numéricas discretas habitualmente
hay que escoger entre asimilarlas a una variable continua (regresión) o a una
categórica.
Dentro del aprendizaje no supervisado encontramos algoritmos que buscan extraer
información de los datos (recordemos que ese era el propósito del aprendizaje
automático), pero sin fijarse en una variable especialmente relevante. Quizá el
ejemplo más popular de estos sean los algoritmos de agrupación o clústering, que
buscan encontrar grupos de instancias de naturaleza similar mediante técnicas
diversas. Otra subfamilia de algoritmos relacionada es la de detectores de anomalías,
que buscan detectar instancias significativamente diferentes de las habituales.
Podemos hablar también del aprendizaje de reglas de asociación, que buscan describir
en términos de implicaciones lógicas con métricas de confianza asociadas
circunstancias que se dan en el conjunto de datos. Finalmente, podemos también
destacar los algoritmos de reducción de dimensionalidad, que buscan describir el
conjunto de datos con un número menor de variables, habitualmente sintéticas, como
puede ser lo que resulta del algoritmo de análisis de componentes principales (PCA).
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
8
Las dos familias anteriores de algoritmos son las más importantes y las que se tratarán
en mayor profundidad más adelante en este curso. Para completar la panorámica,
podemos comentar que existen métodos semisupervisados que permiten tener en
cuenta la información de las instancias cuando falta con frecuencia la etiqueta
asociada a las mismas; así como el paradigma del aprendizaje por refuerzo, en que un
algoritmo que interactúa de forma continuada con un entorno, ajustando. su política
de actuación para maximizar sus recompensas. Este último paradigma es el que se
encuentra detrás de las inteligencias artificiales que han triunfado en problemas que
han encontrado gran difusión, como son la derrota de los campeones del juego del go
o la conducción automática.
Herramientas para el aprendizaje automático
Existen diferentes herramientas en las que se pueden encontrar implementaciones de
los algoritmos más populares de aprendizaje automático, con diferentes niveles de
complejidad y con objetivos bastante diferenciados. Aunque es complicado hacer una
taxonomía de estas herramientas, podemos identificar algunos tipos comunes, de los
que estudiaremos un caso particular:
• Herramientas guiadas: Ofrecen al usuario un proceso guiado desde la
adquisición de los datos hasta la aplicación de los modelos de aprendizaje
automático, típicamente con interfaces gráficas accesibles a través del
navegador. Son las más sencillas para iniciarse, especialmente en el caso de
perfiles más alejados de la informática, si bien es habitualmente complicado la
realización de estudios a medida sobre ellas. Un ejemplo es la plataforma Deep
Intelligence.
• Herramientas basadas en flujos de trabajo: Permiten al usuario definir las
operaciones que se realizan sobre el conjunto de datos usando una serie de
nodos interconectados. Un ejemplo es el software Orange.
• Herramientas programáticas: Son herramientas que permiten realizar los
estudios de aprendizaje automático directamente escribiendo código. Los
lenguajes más populares actualmente son Python y R. Un ejemplo bastante
potente y adecuado para la iniciación es el paquete de Python scikit-learn,
aunque la necesidad de saber programar en el lenguaje es inevitable en este
caso.
En el resto del material del tema presentaremos cómo es el trabajo básico con algunas
de estas herramientas.
3 ANALÍTICA VISUAL
La importancia de la visualización
La analítica visual comparte su objetivo principal con el análisis de datos: extraer
información de los conjuntos de datos. Para ello se sirve de herramientas para
transformar los datos en elementos gráficos escogidos para adaptarse a la percepción
humana. Por ejemplo, una tabla de valores como la que veíamos anteriormente con el
conjunto de datos Iris (Tabla 1) no transmitía información de forma directa. De un
vistazo, es difícil concluir si las medidas de una muestra pueden servir realmente para
diferenciar una especie de otra.
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
9
Observemos, sin embargo, la gráfica de la Figura 5. La gráfica debería ser
autoexplicativa y responder a la pregunta que antes nos planteábamos: sí,
considerando el ancho y el alto de los pétalos podemos diferenciar entre las tres
especies con mucho éxito. Todavía se puede extraer más información de la gráfica,
como que la Iris setosa es muy fácilmente distinguible de las otras dos especies,
mientras que puede haber una ligera ambigüedad en algunos casos límite de Iris
virginica e Iris versicolor. Todavía más, si construyésemos una gráfica análoga con los
tamaños de los sépalos veríamos que la esta diferenciación es allí menos clara, y que,
por tanto, los pétalos dan más información que los sépalos en relación con la
clasificación de la especie.
Figura 5 - Gráfico de dispersión del dataset Iris con los tamaños de pétalo
Todas estas observaciones que nos proporciona la analítica visual pueden ser útiles
para diseñar y construir modelos de aprendizaje automático, guiando el proceso de
descubrimiento de conocimiento que hace que sea natural que estas dos técnicas
avancen de la mano en el proceso del análisis de datos. Aunque el aprendizaje
automático tenga la tentadora ventaja de no requerir tanta implicación intelectual del
analista, no puede convertirse en un mero proceso de aplicación de un algoritmo:
tiene que ser una búsqueda guiada del conocimiento presente en los datos (y de todo
lo que derive de este, como las decisiones de negocio ventajosas), y para encontrar la
mejor forma de hacerlo es necesario comprender realmente el conjunto de datos. Así
pues, un buen experto en aprendizaje automático tendrá también que serlo en
analítica visual.
Además de descubrir la información en manos del analista de datos, la analítica visual
debe servir para comunicar esa información de forma eficaz. Una forma efectiva de
conseguir esto es plantearse cómo construir una gráfica que cuente la historia que
hemos descubierto. Por ejemplo, en la Figura 5, si quisiéramos resaltar la dificultad de
separar algunos ejemplares de Iris virginica e Iris versicolor podríamos destacar esa
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
10
región de forma especial y eliminar los puntos correspondientes a la Iris setosa en caso
de querer centrarnos en esas dos clases.
Adquirir la capacidad de preparar visualizaciones eficaces es un proceso complejo que
debe nutrirse de la experiencia y, sobre todo, del análisis crítico de las producidas. A
continuación recogemos algunas sugerencias que pueden ayudar a comenzar este
proceso.
• La gráfica debe ser autocontenida, el texto externo no tiene que ser
imprescindible para entenderla (aunque puede ayudar a comprenderla más
eficazmente). No descuidar etiquetas, leyenda….
•
La gráfica tiene que transmitir información con una primera impresión. Si la
vemos solo 1 segundo, ¿tendremos una impresión clara? Adaptar escalas,
colores, analizar qué se representa…
•
Elección adecuada de colores. ¿Son datos categóricos (colores
distinguibles)? ¿Son la intensidad de una magnitud (degradado simple)? ¿La
intensidad entre dos extremos (degradado compuesto)? ¿Se adecúan los
colores a las convenciones humanas (rojo=caliente, azul=frío…)? ¿Pueden las
personas con discromatopsia percibir la escala? ¿Qué ocurrirá si se imprime
la figura en blanco y negro?
•
Elegir el tipo de gráfica adecuado. Conocer los tipos básicos que se
presentarán posteriormente será un buen punto de partida.
•
Aprovechar la interactividad si estamos trabajando con una herramienta que
lo permita. ¿Es un filtro desplegable útil para explorar la información? ¿Mejor
varias gráficas en paralelo? ¿Mejor misma gráfica con colores distintos?
•
Eliminar lo sobrante. Por ejemplo, series de datos irrelevantes, exceso de
texto en leyendas, demasiados puntos cuando sea preferible usar un
subconjunto, títulos superfluos…
•
Adaptar al destinatario. ¿Es el público experto? ¿Necesita un contexto
adicional?
•
Buscar que la visualización sea impactante. ¿Podríamos conseguir algo digno
de colgar de una pared?
Algunos tipos de gráficos
Como punto de partida es conveniente conocer los tipos de gráfico más habituales. El
criterio principal para su elección es el tipo de datos, dentro de las categorías que
habíamos identificado anteriormente.
El gráfico de barras es una representación adecuada para mostrar un número de
ocurrencias de una variable categórica. En su forma más sencilla se disponen barras de
altura proporcional a ese número de cuentas. Se muestra un ejemplo en la Figura 6.
Adicionalmente, la posición horizontal y el color pueden utilizarse para indicar otras
variables.
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
11
Figura 6 - Gráfico de barras con el recuento de instancias por clase en el conjunto de datos Iris
En caso de que la variable sea continua el gráfico de barras pierde su sentido y es
necesario agrupar valores. Para ello se pueden establecer grupos dentro del rango de
valores y marcar sus divisiones en el eje de abscisas, representando rectángulos de
área proporcional a las cuentas, en lo que se denominaría histograma. La Figura 7
muestra un ejemplo de este tipo de gráfica. Existen elecciones alternativas a la del
área, como puede ser la altura. Cuando los anchos de cada intervalo sean distintos las
nociones no coincidirán, pudiendo complicarse la interpretación del gráfico.
Figura 7 - Histograma con las longitudes de pétalo en el conjunto de datos Iris
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
12
Un posible defecto de los histogramas puede ocurrir cuando se encuentren en ellos
fluctuaciones espurias que se puedan atribuir a una falta de estadística en lugar de un
efecto real de los datos, que puede llevar a interpretaciones o impresiones erróneas.
Una forma de evita esto es con los denominados kernel density estimator (KDE), en
que se considera una pequeña función, como puede ser una gaussiana, en cada una de
las observaciones, de cuya superposición resulta una curva que guía la interpretación.
La Figura 8 recoge un ejemplo de este tipo de gráfica. Una reflexión importante es que
en este tipo de gráfica se renuncia a precisión (se reemplaza cada observación por una
nube difusa en torno a la misma) por ganar en facilidad de interpretación. Este
balance es un principio general que se debe considerar en la elaboración de gráficas
desde el punto de vista de la analítica visual.
Figura 8 - KDE de las longitudes de pétalo en el conjunto de datos Iris
Otra herramienta para resumir distribuciones continuas es el box-plot en que se utiliza
una caja para representar el rango de valores “más habitual” en la distribución de
valores (habitualmente el primer y el tercer cuartil, aunque el convenio puede
variarse), marcando con líneas la mediana (y quizá con otra la media), así como unos
“bigotes” el rango a partir del cual los datos se consideren atípicos (un convenio puede
ser 1.5 veces el rango intercuantílico, siempre que haya datos hasta dichos valores). Un
ejemplo se muestra en la Figura 9. Este tipo de gráfica es especialmente útil para
apoyar afirmaciones de naturaleza estadística sobre diferencias entre distribuciones,
aunque pueden completarse, de forma más rigurosa, utilizando pruebas y contrastes
estadísticos.
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
13
Figura 9 - Box plot de la longitud del pétalo en el conjunto de datos Iris
El último tipo de gráfica que presentaremos es el diagrama de dispersión (scatter
plot), que ya había aparecido en la Figura 5. Este gráfico sirve para representar dos
variables numéricas de forma simultánea, mediante la incorporación de puntos en los
valores que definan el par de atributos. Se pueden utilizar características adicionales
de los puntos como pueden ser el color o la forma para representar grupos en función
de una o dos variables categóricas, así como el tamaño para representar otra variable
cuantitativa adicional; si bien esto puede complicar la interpretación del gráfico y
hacerlo contraproducente.
Herramientas para la analítica visual
Igual que ocurría en el caso de las herramientas para la aplicación de aprendizaje
automático, es difícil establecer una taxonomía que cubra la variedad de opciones
disponibles. Sin embargo, las herramientas que allí plantemos disponen también de
medios para la elaboración de gráficas de analítica visual, que aquí presentaremos de
forma breve.
En el caso de Deep Intelligence, la herramienta está enfocada en la elaboración de
cuadros de mando (dashboards) compartibles con otros usuarios. En estos cuadros de
mando se pueden integrar componentes de diversos típicos, entre ellos las
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
14
visualizaciones construidas sobre los conjuntos de datos. La Figura 10 da una muestra
de ellos.
Figura 10 - Tipos de gráficos en Deep Intelligence
Los tipos básicos más importantes, y que conviene manejar, son los siguientes:
• Table: representa información de forma tabular. Puede ser útil para mostrar la
estructura de nuestros datos, o para enseñar algunas instancias particulares,
posiblemente mediante el uso de filtro.
• Scatter chart: Muestra un diagrama de dispersión, asignando a cada eje un
atributo (preferiblemente numérico). Muy útil si empleamos el color para una
etiqueta con la que segmentamos el conjunto de datos.
• Line graph: Evolución de una magnitud en función de otra.
• Histogram: Distribución de valores de una variable. Se puede segmentar en
categorías.
• KPI: Para una magnitud numérica única en un rango de variación. Recomendable
asignar colores y rangos para una interpretación más sencilla.
• Indicator: lo mismo que KPI, mostrando el número.
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
15
•
Pie chart: Para mostrar cómo se distribuye una magnitud por categorías.
Algunos tipos de gráficos avanzados más interesantes para escenarios específicos:
• Radar chart: Para mostrar a la vez más de 3 variables. Hay que preguntarse si es
más útil que emplear un gráfico para cada una de ellas.
• Table (Complex): Permite realizar operaciones de agregación sobre la tabla (por
ejemplo, agrupar por alguna de las variables y dar las medias de una magnitud
numérica en esos casos).
• Word cloud: Para recoger las palabras más empleadas en un corpus textual.
• Map (heat): Para mostrar mapas de calor en regiones.
• Social Networks: Para construir un explorador en que se muestran perfiles de
usuarios. Por el momento se soporta solo Twitter.
• Tree Map: Visualización de datos jerárquicos.
• Tree Map (Voronoi): Variación del anterior.
• Image display: para mostrar imágenes disponibles en nuestros datos,
posiblemente en combinación con filtros.
Respecto a la herramienta Orange, los widgets disponibles en su categoría de
visualización permiten construir algunos tipos de gráficos siguiendo el esquema de
trabajo basado en flujos propio de la herramienta. Por su naturaleza, están
particularmente enfocados a la exploración interactiva por parte del usuario experto.
Finalmente, en el caso de scikit-learn no cuenta estrictamente con funcionalidad
básica de visualización, aunque integra alguna funcionalidad específica construida
sobre el paquete de Python matplotlib, que es el más utilizado en lenguaje Python
para la construcción de gráficas estáticas. Merece la pena conocer también la
biblioteca seaborn, construida sobre matplotlib y pensada para facilitar la construcción
de los gráficos más habituales, pudiendo completarse la personalización de los mismos
recurriendo de nuevo a matplotlib. Una alternativa diferente es la biblioteca plot.ly,
especialmente indicada para la construcción de visualizaciones interactivas.
BIBLIOGRAFÍA
Bibliografía principal
•
•
Russell, S. J., y Norvig, P. (2004). Inteligencia Artificial: un enfoque moderno.
Pearson.
Hastie, T. et al. (2001). The elements of statistical learning. 2001.
Bibliografía complementaria
•
•
•
Bishop, C. (2006). Pattern recognition and machine learning. Springer.
Anderson, E. (1936). The species problem in Iris. Annals of the Missouri Botanical
Garden, 23(3), 457-509.
Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems.
Annals of eugenics, 7(2), 179-188.
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
16
•
•
Tufte, E. (1973). The visual display of quantitative information. Graphics Press
USA
Tufte, E. R., Goeler, N. H., & Benson, R. (1990). Envisioning information (Vol. 2).
Cheshire, CT: Graphics press.
INTRODUCCIÓN A LA IA Y LA ANALÍTICA VISUAL
17