🤖 machine learning

On design-unbiased algorithmic Machine Learning

Este artículo propone un marco basado en el diseño para lograr predicciones y clasificaciones insesgadas en algoritmos de aprendizaje automático mediante el aprovechamiento de las probabilidades de muestreo conocidas en lugar de asumir modelos de datos subyacentes, abordando así la necesidad de inferencia insesgada en contextos como las estadísticas oficiales.

Autores originales: Li-Chun Zhang, Siu-Ming Tam, Luis Sanguiao-Sande, Wesley Yung, Anders Holmberg

Publicado 2026-06-30

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Li-Chun Zhang, Siu-Ming Tam, Luis Sanguiao-Sande, Wesley Yung, Anders Holmberg

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un chef intentando crear la receta perfecta para un banquete masivo de 10.000 invitados (la población). No puedes probar cada uno de los platos antes de servirlos, así que tomas una pequeña cucharada de degustación de la cocina (la muestra) para juzgar toda la comida.

En el mundo del Aprendizaje Automático (Machine Learning o ML), los chefs suelen intentar que su cucharada de degustación sea lo más "precisa" posible minimizando los errores. Ajustan su receta hasta que el sabor en la cuchara es perfecto. Sin embargo, los autores de este artículo argumentan que un sabor perfecto en la cuchara no garantiza que todo el banquete sepa bien. A veces, la cucharada es solo cuestión de suerte, o la forma en que elegiste la cucharada fue sesgada, lo que lleva a una cuchara "deliciosa" pero a un banqué "salado".

Este artículo trata sobre una nueva forma de cocinar: Aprendizaje Automático con Diseño No Sesgado (Design-Unbiased Machine Learning). En lugar de simplemente esperar que la cucharada represente toda la olla, utilizan un conjunto estricto de reglas (un "diseño") para asegurar que lo que aprendes de la cuchara represente matemáticamente toda la olla, incluso si no conoces la "verdadera" receta del universo.

Aquí está el desglose de su método utilizando analogías sencillas:

1. El Problema: La "Cuchara con Suerte"

Los algoritmos de ML estándar (como los k-Vecinos Más Cercanos o los Bosques Aleatorios) son como chefs que prueban un plato y dicen: "¡Esto está bueno!" basándose en los ingredientes que ven. Intentan minimizar la diferencia entre su suposición y el sabor real.

El Problema: Si tomas tu cucharada de degustación de la parte superior de la olla (donde está la crema), tu suposición sobre toda la olla estará sesgada. Podrías pensar que toda la sopa es cremosa, pero el fondo es acuoso. En estadística, esto se llama sesgo. El ML estándar intenta ser "preciso" (bajo error), pero a menudo falla en ser "no sesgado" (honesto sobre toda la población).

2. La Solución: La Regla de la "Representatividad en el Entrenamiento"

Los autores introducen el concepto de Entrenamiento Representativo.

La Analogía: Imagina que tienes una bolsa de canicas (la población). Sacas un puñado (la muestra). Para hacer una predicción justa sobre el resto de la bolsa, necesitas asegurarte de que el puñado que usaste para entrenar tu cerebro (el conjunto de entrenamiento) sea un reflejo justo del puñado que estás usando para probar tu cerebro (el conjunto de prueba).
La Regla: Si eliges tus canicas de entrenamiento y tus canicas de prueba usando un sistema de lotería específico y justo (llamado diseño pq), entonces el "promedio de las suposiciones" que tu algoritmo hace para las canicas de prueba será exactamente el mismo que el "promedio de las suposiciones" que haría para las canicas que nunca vio.
Por qué es importante: Esto te permite usar los errores que ves en tu cuchara de prueba para corregir tu predicción para toda la olla.

3. El Ajuste: Sintonización "Fuera de la Bolsa" (Out-of-Bag)

Una vez que tienes esta configuración justa, puedes corregir el sesgo.

La Analogía: Imagina que tu chef (el algoritmo) prueba una cucharada y dice: "Creo que la sopa está demasiado salada". Pero espera, el chef cometió un error porque probó la cuchara mientras estaba cocinando esa cucharada específica.
El Truco: Los autores sugieren utilizar un enfoque "Fuera de la Bolsa" (Out-of-Bag o OOB). Esto es como tener un segundo chef que prueba la sopa sin haber ayudado a cocinar esa cucharada específica.
- Divides tu muestra en dos grupos: Grupo A (Entrenamiento) y Grupo B (Prueba).
- Entrenas al algoritmo con el Grupo A.
- Le pides al algoritmo que prediga el Grupo B.
- Comparas la predicción con el sabor real del Grupo B.
- La Magia: Si el algoritmo sobreestima consistentemente la salinidad en el Grupo B, sabes que probablemente sobreestimará la salinidad para toda la olla. Entonces, restas esa "cantidad de sobreestimación" de tu predicción final.
El Resultado: Este "ajuste" garantiza que tu predicción final para toda la población sea no sesgada. No importa si tu algoritmo es complejo o simple; si se siguen las reglas de muestreo, la matemática garantiza que el resultado sea justo.

4. Clasificación vs. Predicción (El Menú de "Sí/No")

El artículo también analiza la clasificación (por ejemplo, "¿Es un campo de café o no?" en lugar de "¿Cuánta cantidad de café hay?").

El Desafío: Si solo dices "Sí" o "No" basándote en un umbral (por ejemplo, "Si la probabilidad > 50%, es café"), a menudo introduces un sesgo.
La Solución: Los autores sugieren utilizar un clasificador aleatorio. En lugar de un "Sí/No" rotundo, imagina lanzar una moneda con peso. Si el algoritmo dice que hay un 70% de probabilidad de que sea café, lanzas una moneda que caiga en "Café" el 70% de las veces.
Por qué: Esta aleatoriedad suaviza los errores. Cuando promedias estos lanzamientos de moneda sobre toda la población, la matemática resulta ser perfectamente no sesgada, permitiéndote contar con precisión cuántos campos de café existen.

5. Prueba en el Mundo Real (Las Fotos Satelitales)

Para demostrar que esto funciona, los autores utilizaron un conjunto de datos real de imágenes satelitales para identificar campos de café.

Tomaron una muestra de imágenes, entrenaron un algoritmo de k-Vecinos Más Cercanos (kNN) y luego aplicaron su ajuste "Fuera de la Bolsa".
El Resultado: El algoritmo estándar (sin el ajuste) cometió errores pequeños pero notables en su conteo total. El algoritmo ajustado, utilizando sus nuevas reglas, produjo un conteo que era estadísticamente indistinguible del total real (no sesgado).
Extra: También demostraron que puedes medir qué tan precisa es la clasificación de "Sí/No" sin necesidad de conocer la respuesta verdadera para cada imagen, simplemente utilizando la misma lógica "Fuera de la Bolsa".

Resumen

Piensa en este artículo como un nuevo conjunto de reglas de seguridad en la cocina para el Aprendizaje Automático.

No confíes ciegamente en el sabor: El ML estándar intenta minimizar el error, pero eso no garantiza la imparcialidad.
Sigue la lotería: Utiliza reglas de muestreo específicas (diseño pq) para asegurar que tus datos de entrenamiento y de prueba sean reflejos justos de toda la población.
Prueba las sobras: Utiliza los errores "Fuera de la Bolsa" (lo que el algoritmo hizo mal en el conjunto de prueba) para corregir matemáticamente la predicción final para toda la población.
La Garantía: Si sigues estas reglas, tu número final (ya sea un conteo total o una tasa de clasificación) será no sesgado, lo que significa que es una representación fiel del mundo real, independientemente de cuán compleja sea tu "receta" (algoritmo).

Esto es crucial para cosas como las estadísticas gubernamentales oficiales, donde ser "cercano" no es suficiente; necesitas ser matemáticamente honesto sobre toda la población, no solo sobre la parte que tuviste la suerte de mirar.

Resumen Técnico: Aprendizaje Automático Algorítmico Libre de Sesgo de Diseño

Declaración del Problema

Los algoritmos de Aprendizaje Automático (ML), como k-Vecinos más Cercanos (kNN) y Bosques Aleatorios (Random Forests), priorizan el rendimiento predictivo (por ejemplo, minimizar el MSE o el F-score) sobre la existencia de modelos de datos verdaderos. Aunque son efectivos para la predicción, la minimización de estas métricas no garantiza inherentemente la ausencia de sesgo en la estimación o clasificación. Esta falta de insesgadez es crítica en aplicaciones como la estadística oficial, donde los totales y proporciones de la población deben ser descriptores precisos de poblaciones finitas.

El muestreo tradicional de encuestas se basa en diseños de probabilidad (p-designs) y estimadores como Horvitz-Thompson para asegurar la insesgadez de diseño, independientemente de cualquier modelo de datos subyacente. Sin embargo, cuando los algoritmos de ML se integran en este marco —a menudo entrenados en subconjuntos de la muestra (conjuntos de entrenamiento) para predecir resultados para el resto (unidades fuera de la muestra)— las prácticas estándar de ML pueden introducir sesgo. La literatura existente suele depender de la consistencia asintótica (cuando el tamaño de la población $N \to \infty$ ), la cual puede no aplicarse a poblaciones finitas como "entidades reales". Además, trabajos previos sobre ML con insesgadez de diseño (por ejemplo, Zhang et al., 2025) no han abordado plenamente las condiciones generales bajo las cuales los algoritmos de ML producen predicciones con insesgadez de diseño o cómo evaluar la precisión de la clasificación sin sesgo.

Metodología

El artículo propone un marco para el Aprendizaje Automático Algorítmico con Insesgadez de Diseño basado en un diseño $pq$. Este diseño consiste en:

Diseño $p$ : Un diseño de muestreo probabilístico que selecciona una muestra $s$ de una población finita $U$ .
Diseño $q$ : Un diseño específico para dividir la muestra $s$ en un conjunto de entrenamiento $s_1$ y un conjunto de prueba $s_2$ (donde $s_2 = s \setminus s_1$ ).

La contribución teórica central es el concepto de Entrenamiento Representativo. Un diseño $pq$ produce un entrenamiento representativo si el predictor esperado $\mu(x, s_1)$ para cualquier unidad $i$ es idéntico ya sea que $i$ esté en el conjunto de prueba $s_2$ (dentro de la muestra pero fuera del entrenamiento) o en el conjunto fuera de la muestra $R = U \setminus s$ . Matemáticamente, esto requiere:
$E_{pq}(\mu(x_i, s_1) \mid i \in s_2) = E_{pq}(\mu(x_i, s_1) \mid i \notin s)$

Los autores derivan las condiciones bajo las cuales esto se cumple:

Condición General: La covarianza entre el predictor y la probabilidad de inclusión condicional del conjunto de prueba debe ser cero.
Condición Suficiente: La probabilidad condicional de que una unidad esté en el conjunto de prueba dado el conjunto de entrenamiento, $\pi_{2i} = Pr(i \in s_2 \mid s_1)$ , debe satisfacer una relación específica con la probabilidad de inclusión general $\pi_i$ . Esto se cumple mediante diseños como SRS-SRS (Muestreo Aleatorio Simple para ambos estadios) y diseños Poisson-Bernoulli.

Ajuste para la Insesgadez

Incluso con un entrenamiento representativo, los predictores estándar de ML pueden estar sesgados. El artículo introduce un mecanismo de ajuste para lograr una insesgadez de diseño exacta:

Submuestreo Rao-Blackwell (SRB): El predictor se promedia sobre todos los posibles cortes de entrenamiento/prueba para reducir la varianza.
Corrección de Sesgo: Se resta un término de corrección $\tau_\mu(s)$ del predictor SRB. Este término se deriva de la suma ponderada de los errores de predicción Out-of-Bag (OOB) dentro de la muestra.
Estimación Insesgada: El artículo proporciona fórmulas para estimar el sesgo y el Error Cuadrático Medio (MSE) de estos estimadores ajustados utilizando los errores OOB observados y los pesos de muestreo, sin asumir un modelo de datos verdadero.

Clasificación

El marco se extiende a la clasificación binaria. Los autores argumentan que los clasificadores deterministas (por ejemplo, el umbral en 0.5) generalmente fallan en ser insesgados de diseño. En su lugar, proponen clasificadores aleatorios (donde la decisión de clasificación es probabilística basada en la probabilidad predicha) que satisfacen una condición de regularidad que permite la estimación insesgada de la precisión de clasificación fuera de la muestra utilizando los errores OOB.

Resultados Clave

El artículo valida la teoría a través de ejemplos analíticos, simulaciones y una aplicación con datos reales utilizando kNN ( $k=5$ ).

Ejemplo Analítico: En una población construida, los predictores estándar de kNN y SRB-kNN exhibieron un sesgo no nulo. Sin embargo, el OOB-tuned SRB-kNN (usando la corrección propuesta) logró un sesgo exactamente cero.
Estudio de Simulación:
- La aplicación directa de kNN (sample-kNN) y el SRB-kNN sin ajustar resultaron en un sesgo significativo (por ejemplo, $EBias \approx -0.795$ para SRB-5NN en un escenario).
- El OOB-tuned SRB-kNN logró reducir con éxito el sesgo a niveles cercanos a cero ( $EBias \approx -0.069$ ) manteniendo un MSE competitivo o inferior en comparación con las alternativas ajustadas por residuos.
- El estudio demostró que el método propuesto permite la estimación insesgada del sesgo y del MSE de los propios predictores.
Aplicación en el Mundo Real (Conjunto de Datos CropHarvest):
- Aplicado a la clasificación de imágenes satelitales (campos de café vs. no café).
- Los resultados confirmaron que el OOB-tuned SRB-5NN es esencialmente insesgado para las medias de la población a través de diferentes conjuntos de características.
- Impacto de la Selección de Características: El estudio destacó que la selección de características es crítica. Los conjuntos de características deficientes (por ejemplo, aquellos seleccionados vía LASSO para regresión logística pero usados para kNN) aumentaron tanto el sesgo como la varianza.
- Compromiso de Precisión de Clasificación: Si bien la eliminación del sesgo asegura una estimación precisa de la población, el proceso de ajuste puede ocasionalmente empujar las probabilidades predichas fuera del intervalo $[0, 1]$ , lo que requiere truncamiento. Esto puede reducir ligeramente la precisión de la clasificación en comparación con los predictores sesgados. El artículo señala que una selección de características sensata puede mitigar este riesgo.

Significado y Reivindicaciones

El artículo afirma proporcionar una base teórica rigurosa para el uso de ML en la inferencia de poblaciones finitas donde la insesgadez de diseño es primordial. Su importancia radica en:

Generalización del Muestreo Representativo: Extiende el concepto de "entrenamiento representativo" de entornos IID (como la validación cruzada) a la muestra de población finita con probabilidades desiguales y sin reemplazo.
Desacoplamiento de Modelos Verdaderos: Demuestra que la insesgadez puede lograrse basándose únicamente en el diseño de probabilidad conocido de la muestra y los conjuntos de entrenamiento, sin requerir que el algoritmo de ML aproxime un "modelo de datos verdadero".
Ajuste Práctico: Ofrece una receta concreta e implementable (ajuste OOB) para corregir el sesgo en algoritmos populares como kNN y Bosques Aleatorios.
Inferencia Unificada: Permite la evaluación insesgada tanto de los errores de predicción como de la precisión de la clasificación para unidades fuera de la muestra, abordando un vacío en la literatura previa.

Los autores posicionan este trabajo como una extensión del trabajo fundacional de Neyman (1934) sobre el muestreo de poblaciones finitas, proporcionando una base intuitiva para la estimación de ML "consistente" en la estadística oficial y otras aplicaciones de población finita. Reconocen que, si bien se logra una estimación de población insesgada, esto puede tener como costo una reducción ligera en la precisión de la clasificación a nivel de unidad, un compromiso que requiere mayor investigación.