En la fiebre del Machine Learning, a veces olvidamos a la madre de todas estas disciplinas: la Estadística. Es común ver analistas aplicando modelos de regresión lineal o pruebas de hipótesis sin verificar primero si sus datos cumplen con los requisitos mínimos para que estas herramientas funcionen.
Ignorar los supuestos estadísticos es como construir una casa sobre arena.
Normalidad: ¿Tus datos siguen una campana de Gauss o están sesgados?
Homocedasticidad: ¿La varianza de tus errores es constante?
Independencia: ¿Tus observaciones son realmente independientes entre sí?
Si alimentamos un modelo con datos que violan estos principios (por ejemplo, llenos de outliers no tratados o con alta multicolinealidad), los resultados pueden ser matemáticamente posibles pero estadísticamente inválidos. Como estadísticos y científicos de datos, nuestra responsabilidad es auditar los datos antes de pedirle a la computadora que aprenda de ellos.
Reflexión: Un modelo simple con supuestos validados siempre superará a un modelo complejo alimentado con "basura".
No hay comentarios:
Publicar un comentario