El “Calendario de Adviento” de Aprendizaje Automático Día 1: Regresor k-NN en Excel | Hacia la Ciencia de Datos

Este artículo presenta el algoritmo regresor k-Nearest Neighbors (k-NN) como el primer tema en una serie de “Calendario de Adviento” de Aprendizaje Automático centrada en implementar técnicas de aprendizaje automático y aprendizaje profundo dentro de Excel. El regresor k-NN se presenta como uno de los modelos predictivos más simples, lo que lo convierte en un punto de partida ideal para los aprendices. El artículo anima a los lectores, incluso a aquellos familiarizados con k-NN, a considerar matices importantes como la importancia de escalar características continuas, manejar variables categóricas y elegir medidas de distancia apropiadas según el contexto de la aplicación, como la predicción del precio de viviendas donde la ubicación geográfica juega un papel vital.\n\nEl concepto fundamental de k-NN se ilustra a través de un ejemplo práctico: estimar precios de apartamentos basándose en propiedades similares cercanas. Este método es intuitivo, modelando la predicción para un nuevo caso promediando los valores de sus vecinos más cercanos dentro del conjunto de datos. Para demostrar esto, se utiliza el Conjunto de Datos de Viviendas de California, que contiene datos censales de grupos de bloques de California junto con valores medianos de casas y varias características como ingreso medio, antigüedad de la casa, promedio de habitaciones, población y coordenadas geográficas.\n\nInicialmente, el enfoque está en usar una sola característica continua para predecir precios de casas. El artículo demuestra el proceso completo de k-NN, comenzando por explorar el conjunto de datos, establecer el hiperparámetro k (número de vecinos) y hacer predicciones. A diferencia de muchos modelos de aprendizaje automático, k-NN no requiere entrenamiento explícito ya que todo el conjunto de datos actúa como el modelo. Se calculan las distancias desde la nueva observación a todos los puntos de entrenamiento usando la diferencia absoluta en el valor de la característica. Al establecer k=3, se identifican los tres vecinos más cercanos usando funciones de Excel como RANK y SUMPRODUCT. Se promedian los valores objetivo de estos vecinos para derivar la predicción, que puede visualizarse con gráficos codificados por colores que representan los datos de entrenamiento, el nuevo punto y sus vecinos.\n\nLuego, el artículo amplía la tarea de predicción a múltiples nuevas observaciones iterando manualmente los cálculos de distancia y los procesos de predicción dentro de Excel. También explora el efecto del hiperparámetro k, mostrando cómo valores pequeños de k pueden llevar a sobreajuste—donde el modelo captura ruido en lugar del patrón—mientras que valores grandes de k arriesgan subajuste, donde el modelo simplifica demasiado los datos promediando demasiados puntos. El caso extremo ocurre cuando k es igual a todo el conjunto de entrenamiento, produciendo un promedio global, que no se adapta a diferencias individuales de características.\n\nMirando hacia adelante, el tutorial transita a un escenario más complejo que involucra dos características continuas, discutiendo cómo el enfoque difiere del caso de una sola característica. El artículo también destaca la oportunidad para que los lectores profundicen sus habilidades en Excel aprovechando fórmulas como IF, RANK y SUMPRODUCT, que facilitan la implementación de k-NN sin lenguajes de programación. En general, el tutorial combina comprensión conceptual, aplicación práctica en Excel y consideraciones críticas como la escala de características y métricas de distancia, proporcionando una base integral para principiantes que exploran el aprendizaje automático en entornos familiares de hojas de cálculo.