Clasificación de texto
El flujo de trabajo
- Recolectar textos con sus etiquetas y dividir en entrenamiento y prueba.
- Representar el texto: bolsa, TF-IDF o embeddings.
- Entrenar un modelo y medirlo sobre datos no vistos.
Representar el texto
Se puede partir de TF-IDF, rápido e interpretable, o de embeddings que captan semejanza. La elección condiciona el modelo: los dispersos casan bien con lineales; los densos, con redes.
Modelos clásicos
Regresión logística, máquinas de vectores soporte o ingenuos bayesianos resuelven mucho con pocos datos y gran velocidad. Suelen ser un buen referente antes de tirar de profundidad.
Enfoques profundos
CNN y RNN sobre embeddings aprenden patrones que los modelos lineales pierden, sobre todo en textos largos o con estructura. Cuestan más datos y cómputo, y no siempre ganan.
Transformers y ajuste fino
Hoy se parte de un modelo de lenguaje preentrenado y se afina para la tarea: suele batir a lo demás con pocas muestras. El coste es memoria y latencia en inferencia.
Sentimiento y su trampa
Detectar polaridad choca con la ironía, los dobles sentidos y el contexto. «Qué bien, otra vez lloviendo» engaña a un modelo que solo mira palabras sueltas.
Datos desbalanceados
Si el 95 % de las reseñas son positivas, predecir siempre positivo da alta exactitud inútil. Conviene re-muestrear, ponderar la pérdida o mirar precisión por clase.
Evaluar con criterio
Además de la exactitud, importan precisión y exhaustividad por clase y la matriz de confusión. En multi-clase, el F1 macro trata a todas las clases con igualdad.
Errores que enseñan
Revisar los textos mal clasificados revela si falta dato, si la etiqueta es dudosa o si el modelo ignora palabras clave. La mejora suele salir de ahí, no de tocar hiperparámetros.
Errores frecuentes
- Celebrar una exactitud del 95 % en un conjunto donde la clase minoritaria —la que interesa— casi nunca se acierta.
- Mezclar entrenamiento y prueba al ajustar el preprocesado sobre todos los datos: métrica inflada que luego no se repite.
- Ignorar negaciones e ironía y dejar frases como «nada bien» a merced de las palabras sueltas.
Ejemplo resuelto: clasificar reseñas de cine
Dispones de 10 000 reseñas etiquetadas como positivas o negativas y quieres un detector de sentimiento fiable:
- Divides en entrenamiento y prueba y compruebas el balance de las clases.
- Transformas el texto con TF-IDF como base rápida e interpretable.
- Entrenas una regresión logística y miras precisión, exhaustividad y F1 por clase.
- Afines un modelo preentrenado y lo comparas con la base usando el mismo F1 macro.
- Revisas los falsos positivos: si abunda la ironía, añades ejemplos de ese estilo y repites.
¿Para qué sirve en la realidad?
Las marcas vigilan su reputación en redes, las tiendas de aplicaciones priorizan reseñas negativas y las encuestas clasifican miles de respuestas abiertas: todo eso es clasificación de texto desplegada.
En un clasificador de sentimiento con clases muy desbalanceadas, la exactitud global engaña porque:
Ajustar fino un modelo de lenguaje preentrenado suele funcionar mejor con pocas muestras etiquetadas que entrenar una red desde cero.
Clasificación texto
Toca una tarjeta para ver la respuesta.
Ordena las etapas de un proyecto de clasificación de texto:
Arrastra cada ficha a su categoría (o tócala y luego toca la categoría). También puedes usar el teclado.
Análisis de sentimientoClasificación de la polaridad de textos.
Une cada concepto de clasificación de texto con su descripción.
De palabras a etiquetas
- Clasificación de texto
- Flujo
- etiquetar datos
- etiquetar datos
- entrenar y medir
- Flujo
- tf-idf disperso
- lineales de referencia
- precision por clase
Clasificación de documentosPanorama de la tarea y sus variantes: sentimiento, tópicos, intención.
Tu clasificador de reseñas ignora la ironía y falla en frases como «menuda maravilla de vuelo». ¿Qué cambiarías: datos, representación o modelo? Justifica.
Tu texto se guarda sólo en este dispositivo.
Comentarios
Inicia sesión para comentar.
Todavía no hay comentarios. Sé la primera persona en opinar.