Machine learning suena complejo, pero en el trabajo real de un analista de datos casi todo se resuelve con un puñado de algoritmos bien conocidos. En esta guía vas a ver los cinco más aplicados —regresión lineal, árbol de decisión, K-means, random forest y XGBoost— con código en Python (scikit-learn) y casos de negocio concretos: predecir churn, fijar precios y segmentar clientes.

El foco es práctico: no vamos a la matemática pesada, sino a qué hace cada algoritmo, cuándo usarlo y cómo implementarlo en pocas líneas. Si ya manejás Python básico, podés seguir cada ejemplo.

1. Regresión lineal: predecir un número

Es el punto de partida de todo. Sirve para predecir un valor continuo (ventas, precio, demanda) a partir de otras variables. Simple, rápido e interpretable.

Caso: estimar el precio de un producto según sus características.

from sklearn.linear_model import LinearRegression
modelo = LinearRegression()
modelo.fit(X_train, y_train)
predicciones = modelo.predict(X_test)

from sklearn.linear_model import LinearRegression
modelo = LinearRegression()
modelo.fit(X_train, y_train)
predicciones = modelo.predict(X_test)

from sklearn.linear_model import LinearRegression
modelo = LinearRegression()
modelo.fit(X_train, y_train)
predicciones = modelo.predict(X_test)

from sklearn.linear_model import LinearRegression
modelo = LinearRegression()
modelo.fit(X_train, y_train)
predicciones = modelo.predict(X_test)

2. Árbol de decisión: reglas fáciles de leer

Un árbol de decisión divide los datos con preguntas del tipo "¿el cliente gastó más de X?". Su gran ventaja es que se puede leer y explicar a alguien no técnico.

Caso: clasificar leads en "calientes" o "fríos" según su comportamiento.

from sklearn.tree import DecisionTreeClassifier
modelo = DecisionTreeClassifier(max_depth=4)
modelo.fit(X_train, y_train)

from sklearn.tree import DecisionTreeClassifier
modelo = DecisionTreeClassifier(max_depth=4)
modelo.fit(X_train, y_train)

from sklearn.tree import DecisionTreeClassifier
modelo = DecisionTreeClassifier(max_depth=4)
modelo.fit(X_train, y_train)

from sklearn.tree import DecisionTreeClassifier
modelo = DecisionTreeClassifier(max_depth=4)
modelo.fit(X_train, y_train)

3. K-means: agrupar sin etiquetas

K-means encuentra grupos naturales en tus datos sin que le digas de antemano cuáles son. Es la herramienta clásica para segmentar clientes por comportamiento.

Caso: dividir la base de clientes en segmentos para campañas distintas.

from sklearn.cluster import KMeans
modelo = KMeans(n_clusters=4, random_state=42)
segmentos = modelo.fit_predict(X)

from sklearn.cluster import KMeans
modelo = KMeans(n_clusters=4, random_state=42)
segmentos = modelo.fit_predict(X)

from sklearn.cluster import KMeans
modelo = KMeans(n_clusters=4, random_state=42)
segmentos = modelo.fit_predict(X)

from sklearn.cluster import KMeans
modelo = KMeans(n_clusters=4, random_state=42)
segmentos = modelo.fit_predict(X)

4. Random forest: precisión con robustez

Random forest combina muchos árboles de decisión y promedia sus resultados. Es más preciso y estable que un árbol solo, y funciona muy bien para predecir churn (qué clientes se van a ir).

from sklearn.ensemble import RandomForestClassifier
modelo = RandomForestClassifier(n_estimators=200)
modelo.fit(X_train, y_train)

from sklearn.ensemble import RandomForestClassifier
modelo = RandomForestClassifier(n_estimators=200)
modelo.fit(X_train, y_train)

from sklearn.ensemble import RandomForestClassifier
modelo = RandomForestClassifier(n_estimators=200)
modelo.fit(X_train, y_train)

from sklearn.ensemble import RandomForestClassifier
modelo = RandomForestClassifier(n_estimators=200)
modelo.fit(X_train, y_train)

La documentación de scikit-learn es la referencia oficial para ajustar estos modelos y entender cada parámetro.

5. XGBoost: el favorito de las competencias

XGBoost es un algoritmo de gradient boosting que suele dar los mejores resultados en datos tabulares. Es el que ganó incontables competencias de ciencia de datos y el que muchos equipos usan en producción.

from xgboost import XGBClassifier
modelo = XGBClassifier(n_estimators=300, learning_rate=0.1)
modelo.fit(X_train, y_train)

from xgboost import XGBClassifier
modelo = XGBClassifier(n_estimators=300, learning_rate=0.1)
modelo.fit(X_train, y_train)

from xgboost import XGBClassifier
modelo = XGBClassifier(n_estimators=300, learning_rate=0.1)
modelo.fit(X_train, y_train)

from xgboost import XGBClassifier
modelo = XGBClassifier(n_estimators=300, learning_rate=0.1)
modelo.fit(X_train, y_train)

Cómo elegir el algoritmo correcto

La demanda de estas habilidades no para de crecer: el Future of Jobs Report del WEF ubica al machine learning entre las competencias de mayor crecimiento. Si querés entender primero el rol completo, revisá esta introducción a Data Science.

Cursos recomendados de Coderhouse

• Nivel inicial: la Carrera de Data Analytics te da la base de Python y análisis para arrancar con ML.

• Nivel intermedio: el Curso de Data Science II: Machine Learning profundiza en estos algoritmos con proyectos reales.

• Explorar más: mirá la categoría de Data para encontrar el recorrido ideal.

Practicá hoy: tomá un dataset público y aplicá uno de estos algoritmos de punta a punta. Ese proyecto vale más que mil videos.

Preguntas frecuentes

¿Necesito saber matemática avanzada para usar estos algoritmos?

Para aplicarlos con scikit-learn, no. Alcanza con entender qué hace cada uno y cómo evaluar sus resultados. La matemática ayuda a optimizar, pero no es un requisito para empezar a generar valor.

¿Cuál algoritmo debería aprender primero?

La regresión lineal y el árbol de decisión, por ser los más simples e interpretables. Te dan la intuición para después entender los modelos más complejos como random forest y XGBoost.

¿Scikit-learn alcanza para trabajar profesionalmente?

Para la mayoría de los casos de análisis de datos, sí. Es la librería estándar en la industria. Para deep learning o datos no tabulares se suman herramientas como TensorFlow o PyTorch.

¿Cómo sé si mi modelo funciona bien?

Separando los datos en entrenamiento y prueba, y midiendo métricas según el problema (precisión, recall, error). Nunca evalúes un modelo con los mismos datos con los que lo entrenaste.