Self-training

Tema: ML Clásico · Catálogo de recetas · temario: Syllabus IOAI

📍 Dónde se aprende: no lo cubre todavía ningún módulo de la Ruta de Aprendizaje — el vault lo documenta igual porque aparece en tareas reales.

Qué hace

Aprovecha los datos sin etiqueta: etiqueta los que el modelo predice con alta confianza y reentrena incluyéndolos.

Cuándo usarla

Cuando hay pocas etiquetas y muchos datos sin etiquetar. Es exactamente el escenario de Antique Painting Authentication (IOAI 2025), donde la mayoría de las 500 muestras venía marcada como desconocida.

Implementación

Necesita: numpy, sklearn.

import numpy as np
 
 
def self_training(modelo, X_etiquetado, y_etiquetado, X_sin_etiqueta,
                  umbral=0.9, rondas=5):
    """Usa los datos sin etiqueta: etiqueta los que el modelo predice con
    confianza y reentrena con ellos.
 
    Es lo que pedía Antique Painting Authentication (IOAI 2025): 500 muestras y
    la mayoría con la etiqueta marcada como desconocida. Devuelve el modelo ya
    entrenado.
    """
    X = np.asarray(X_etiquetado, dtype=float)
    y = np.asarray(y_etiquetado)
    resto = np.asarray(X_sin_etiqueta, dtype=float)
    for _ in range(rondas):
        modelo.fit(X, y)
        if len(resto) == 0:
            break
        probs = modelo.predict_proba(resto)
        confianza = probs.max(axis=1)
        seguros = confianza >= umbral
        if not np.any(seguros):
            break
        pseudo = modelo.classes_[probs[seguros].argmax(axis=1)]
        X = np.vstack([X, resto[seguros]])
        y = np.concatenate([y, pseudo])
        resto = resto[~seguros]
    modelo.fit(X, y)
    return modelo

⚠️ Notas

El riesgo es la profecía autocumplida: si el modelo se equivoca con confianza, se enseña su propio error y lo amplifica ronda a ronda. Defensas: umbral alto (0.9 o más), pocas rondas, y medir siempre en un set etiquetado que nunca entre al pseudo-etiquetado.

Si no mejora sobre el modelo supervisado a secas, descártalo sin pena: no siempre ayuda.

🔗 Relacionadas


Verificada

Este código se ejecuta en cada publicación, contra una referencia obviamente correcta, en herramientas/pruebas/modelos.py. Si se rompe, el sitio no se actualiza.

Las otras puertas del vault: Ruta de Aprendizaje · Referencia · IOAI