{"id":4679,"date":"2026-08-13T14:50:31","date_gmt":"2026-08-13T12:50:31","guid":{"rendered":"https:\/\/ellistat.com\/?post_type=guide-dutilisateur&p=4679"},"modified":"2026-08-20T16:41:38","modified_gmt":"2026-08-20T14:41:38","slug":"construir-un-modelo","status":"publish","type":"guide-dutilisateur","link":"https:\/\/ellistat.com\/es\/guide-dutilisateur\/construire-un-modele\/","title":{"rendered":"Crear un modelo"},"content":{"rendered":"

1. El modelo de aprendizaje autom\u00e1tico y su tabla<\/h2>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Un proyecto contiene tantos modelos<\/strong> los necesarios, que aparecen en pesta\u00f1as en la parte superior de la p\u00e1gina, con un \u00ab+\u00bb para crear uno nuevo. Cada plantilla tiene un nombre y se refiere a la tabla<\/strong> que gestiona, elegida justo debajo de su nombre.<\/p>\n\n\n\n

\u26a0\ufe0f Cambiar la cuadr\u00edcula de un modelo reinicia sus valores X, Y y sus l\u00edneas de prueba<\/strong>. Es a prop\u00f3sito: las columnas de otra tabla no tienen por qu\u00e9 coincidir. Para comparar dos conjuntos de datos, crea dos modelos.<\/p>\n\n\n\n

2. Elegir las coordenadas X e Y<\/h2>\n\n\n\n

La tabla de la izquierda muestra las columnas de la cuadr\u00edcula con dos columnas de casillas de selecci\u00f3n, X<\/strong> y Y<\/strong>.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
    \n
  • Y<\/strong> es la respuesta correcta. M\u00e1rcala. nombra el modelo<\/strong> seg\u00fan ella y elige desde el principio el tipo de modelo<\/strong> : regresi\u00f3n lineal si Y es cuantitativa, regresi\u00f3n log\u00edstica si es cualitativa. <\/li>\n\n\n\n
  • X<\/strong> son los factores que lo explican.<\/li>\n<\/ul>\n\n\n\n

    Tres reglas de selecci\u00f3n que conviene conocer:<\/p>\n\n\n\n

      \n
    • una columna constante<\/strong> no puede ser X: su casilla est\u00e1 desactivada porque, al no haber variaci\u00f3n, no se puede estimar ning\u00fan efecto; ; <\/li>\n\n\n\n
    • solo las columnas de ensayo 1<\/strong> se ofrecen en X; ; <\/li>\n\n\n\n
    • Una misma columna no puede ser X e Y: al marcar una, se desmarca la otra.<\/li>\n<\/ul>\n\n\n\n

      3. Elegir el tipo de plantilla<\/h2>\n\n\n\n

      La lista de tipos depende de la naturaleza de Y.<\/p>\n\n\n\n

      \"\"<\/figure>\n\n\n\n

      Y cuantitativo<\/strong><\/p>\n\n\n\n

      Tipo<\/strong><\/td>Lo que aporta<\/strong><\/td><\/tr><\/thead>
      Regresi\u00f3n lineal<\/strong><\/td>El modelo de referencia: coeficientes legibles, valores p, R\u00b2. Es el que se utiliza para entender<\/em>.<\/td><\/tr>
      Regresi\u00f3n PLS<\/strong><\/td>Para un n\u00famero X de variables, numerosas y correlacionadas entre s\u00ed, en los casos en que la regresi\u00f3n cl\u00e1sica se vuelve inestable.<\/td><\/tr>
      Regresi\u00f3n K-OPLS<\/strong><\/td>Versi\u00f3n con n\u00facleo de la PLS: capta las relaciones no lineales.<\/td><\/tr>
      Proceso gaussiano<\/strong><\/td>Interpolaci\u00f3n flexible con intervalo de confianza<\/strong> en cada punto. Excelente con pocos datos.<\/td><\/tr>
      Red neuronal<\/strong><\/td>Perceptr\u00f3n multicapa: relaciones muy no lineales, a costa de la interpretabilidad.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

      Y cualitativo<\/strong> = ya no se predice un valor, sino un clase<\/strong> :<\/p>\n\n\n\n

      Tipo<\/strong><\/td>Lo que aporta<\/strong><\/td><\/tr><\/thead>
      Regresi\u00f3n log\u00edstica<\/strong><\/td>Coeficientes y valores p, al igual que en la regresi\u00f3n lineal. El modelo de referencia para la clasificaci\u00f3n.<\/td><\/tr>
      \u00c1rbol de decisi\u00f3n<\/strong><\/td>Normas claras, que pueden aplicarse directamente como instrucciones de taller.<\/td><\/tr>
      Bosque aleatorio<\/strong><\/td>Conjunto de ejes: m\u00e1s preciso, menos legible.<\/td><\/tr>
      (SVM) M\u00e1quina de vectores de soporte<\/strong><\/td>Fronteras de separaci\u00f3n complejas.<\/td><\/tr>
      (KNN) K vecinos m\u00e1s cercanos<\/strong><\/td>Clasificaci\u00f3n por similitud con casos conocidos.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

      Hay dos tipos que desaparecen por s\u00ed solos cuando no se esfuerzan:<\/p>\n\n\n\n

        \n
      • el proceso gaussiano<\/strong> exige X todos cuantitativos<\/strong> y como m\u00e1ximo 50 l\u00edneas<\/strong> de aprendizaje; adem\u00e1s, su coste de c\u00e1lculo se dispara; ; <\/li>\n\n\n\n
      • la regresi\u00f3n K-OPLS<\/strong> desaparece en las tablas de gran tama\u00f1o (cuando hay m\u00e1s de 2 000 valores en las columnas seleccionadas).<\/li>\n<\/ul>\n\n\n\n

        \ud83d\udca1 Empezar siempre<\/strong> mediante regresi\u00f3n lineal o log\u00edstica, incluso si se sospecha que la relaci\u00f3n no es lineal. Proporciona valores p, un R\u00b2 y coeficientes interpretables: lo necesario para saber \u00bfcu\u00e1les?<\/em> Hay factores que influyen. Los modelos m\u00e1s flexibles a veces ofrecen mejores predicciones, pero no responden a la pregunta \u00ab\u00bfsobre qu\u00e9 hay que actuar?\u00bb.<\/p>\n\n\n\n

        4. Las opciones<\/h2>\n\n\n\n
        \"\"<\/figure>\n\n\n\n

        En el tipo de modelo, la secci\u00f3n Opciones<\/strong> muestra los ajustes espec\u00edficos del tipo seleccionado (profundidad m\u00e1xima y n\u00famero m\u00ednimo de individuos por hoja para un \u00e1rbol; n\u00famero de \u00e1rboles y proporci\u00f3n de variables para un bosque; gamma y cost para una SVM; tasa de aprendizaje, n\u00famero de \u00e9pocas, regularizaci\u00f3n y tama\u00f1o de la capa oculta para una red neuronal, n\u00famero de componentes para el PLS).<\/p>\n\n\n\n

        \u26a0\ufe0f Estos ajustes tienen valores predeterminados razonables. Modificarlos sin un m\u00e9todo adecuado puede provocar ajustar en exceso<\/strong> : un modelo que reproduce a la perfecci\u00f3n los datos de entrenamiento, pero que se equivoca con cualquier pieza nueva. Es la pesta\u00f1a Modelo\/Observaci\u00f3n<\/strong> y las l\u00edneas de resultado que indican si has ganado o perdido.<\/p>\n\n\n\n

        5. Los t\u00e9rminos del modelo<\/h2>\n\n\n\n

        En un an\u00e1lisis de regresi\u00f3n, la pesta\u00f1a Coeficientes<\/strong> No se limita a leer el modelo: ah\u00ed es donde lo compone<\/strong>. Un selector de t\u00e9rminos permite a\u00f1adir a los efectos principales:<\/p>\n\n\n\n

        \"\"<\/figure>\n\n\n\n
          \n
        • los t\u00e9rminos cuadr\u00e1ticos<\/strong> : el cuadrado de un factor, para reflejar la variaci\u00f3n. Se reserva para los factores cuantitativos con m\u00e1s de dos niveles: con dos niveles, un cuadrado no se distingue de la constante; ;<\/li>\n\n\n\n
        • los interacciones<\/strong> : el producto de dos factores; ; <\/li>\n\n\n\n
        • la constante<\/strong>, que, en su caso, se puede eliminar del modelo.<\/li>\n<\/ul>\n\n\n\n

          La tabla de coeficientes muestra, t\u00e9rmino por t\u00e9rmino: el coeficiente<\/strong>, el\u2019error est\u00e1ndar<\/strong>, la estad\u00edstica<\/strong>, la valor p<\/strong>, la conclusi\u00f3n significativo<\/strong> y el VIF<\/strong>. En la parte superior figuran el error est\u00e1ndar del modelo, el n (ddl)<\/strong>el R\u00b2<\/strong> y el R\u00b2 ajustado<\/strong>, as\u00ed como la parte derecha del modelo<\/strong>, la ecuaci\u00f3n completa, que se puede copiar.<\/p>\n\n\n\n

          \"\"<\/figure>\n\n\n\n

          \ud83d\udca1 El VIF<\/strong> es el filtro que a menudo se pasa por alto. Mide en qu\u00e9 medida un t\u00e9rmino es redundante con respecto a los dem\u00e1s. Un VIF elevado significa que el coeficiente obtenido no es fiable, no porque el factor no influya, sino porque los datos no permiten diferenciar su efecto del de otro. En datos observacionales, esto es frecuente; en un dise\u00f1o experimental bien elaborado, no deber\u00eda ocurrir.<\/p>\n\n\n\n

          Se puede eliminar un t\u00e9rmino, ya sea borr\u00e1ndolo de la tabla de t\u00e9rminos del modelo o haciendo clic en \u00abeliminar\u00bb.\u00bb<\/p>\n\n\n\n

          El an\u00e1lisis autom\u00e1tico<\/strong> ofrece dos estrategias para la selecci\u00f3n de t\u00e9rminos:<\/p>\n\n\n\n

            \n
          • Hacia delante<\/strong> : partir de la plantilla vac\u00eda y a\u00f1adir los t\u00e9rminos necesarios uno a uno; ; <\/li>\n\n\n\n
          • Atr\u00e1s<\/strong> : partir del modelo completo y eliminar los t\u00e9rminos innecesarios.<\/li>\n<\/ul>\n\n\n\n

            El bot\u00f3n Mejor subconjunto<\/strong> va m\u00e1s all\u00e1: enumera las combinaciones de t\u00e9rminos hasta un n\u00famero m\u00e1ximo de t\u00e9rminos<\/strong> que establezcas, muestra el n\u00famero de regresiones<\/strong> lo que esto supone, y clasifica los resultados por R\u00b2 y R\u00b2 ajustado. Cada candidato se inscribe con un solo clic.<\/p>\n\n\n\n

            \u26a0\ufe0f Selecci\u00f3n autom\u00e1tica de t\u00e9rminos invalida los valores p<\/strong> en sentido estricto: se han probado muchos modelos y se ha seleccionado el mejor, algo que el c\u00e1lculo del valor p no tiene en cuenta. El resultado sigue siendo un excelente punto de partida, pero un modelo obtenido de este modo se lo confirma con nuevos datos<\/strong>, no en las que se utilizaron para elegirlo.<\/p>\n\n\n\n

            En el caso de variables cualitativas, se puede elegir la modalidad de referencia (incluida en la constante). La modalidad de referencia no aparece en la tabla de Student.<\/p>\n\n\n\n

            6. Leer los resultados<\/h2>\n\n\n\n

            En la parte derecha de la pantalla se muestran los resultados en pesta\u00f1as. Los primeros dependen del modelo; los siguientes siempre aparecen.<\/p>\n\n\n\n

            Pesta\u00f1as espec\u00edficas del modelo<\/strong><\/p>\n\n\n\n

            Pesta\u00f1a<\/strong><\/td>Cuando aparece<\/strong><\/td><\/tr><\/thead>
            Taguchi<\/strong><\/td>Ellistat ha detectado un plan de Taguchi en los datos, y Y es una variable cuantitativa. Muestra el an\u00e1lisis espec\u00edfico de este plan.<\/td><\/tr>
            Multinivel<\/strong><\/td>Los datos lo confirman: efectos y importancia de los t\u00e9rminos<\/strong> en funci\u00f3n de factores de varios niveles.<\/td><\/tr>
            Coeficientes<\/strong><\/td>Regresi\u00f3n lineal o log\u00edstica (v\u00e9ase el apartado 5).<\/td><\/tr>
            Configuraci\u00f3n<\/strong><\/td>PLS, K-OPLS, proceso gaussiano, red neuronal, \u00e1rbol, bosque, SVM, KNN: los diagn\u00f3sticos propios de cada tipo.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

            Pesta\u00f1as comunes<\/strong><\/p>\n\n\n\n

            Pesta\u00f1a<\/strong><\/td>Lo que muestra<\/strong><\/td><\/tr><\/thead>
            Modelo\/Observaci\u00f3n<\/strong><\/td>Previsi\u00f3n frente a datos observados. En un eje Y cualitativo, es la matriz de confusi\u00f3n<\/strong>.<\/td><\/tr>
            Histograma<\/strong><\/td>La distribuci\u00f3n, en Y cuantitativa.<\/td><\/tr>
            Residuos<\/strong><\/td>Los detalles l\u00ednea por l\u00ednea: valor observado, predicci\u00f3n, desviaci\u00f3n y pertenencia a las l\u00edneas de prueba.<\/td><\/tr>
            Previsi\u00f3n<\/strong><\/td>Introduce valores de X y lee la respuesta prevista.<\/td><\/tr>
            3D<\/strong><\/td>Desde 2 X<\/strong> : la superficie de respuesta del modelo.<\/td><\/tr>
            5D<\/strong><\/td>Desde 4 X<\/strong> : la misma interpretaci\u00f3n con dos factores adicionales que se reflejan en el color y el tama\u00f1o.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

            \ud83d\udca1 \u00abModelo\/Observaci\u00f3n\u00bb es la \u00fanica pesta\u00f1a que eval\u00faa el modelo.<\/strong> Los puntos deben alinearse con la diagonal y, sobre todo, Las l\u00edneas de prueba tambi\u00e9n deben alinearse con ellas<\/strong>. Un modelo que predice a la perfecci\u00f3n sus datos de entrenamiento pero falla en las l\u00edneas de prueba no ha aprendido nada: simplemente ha memorizado. Ese es el \u00fanico error que importa, y el R\u00b2 no lo tiene en cuenta.<\/p>\n\n\n\n

            7. Taguchi<\/h2>\n\n\n\n

            En el caso de un dise\u00f1o experimental de dos niveles, la tabla de Taguchi muestra el gr\u00e1fico de efectos para todas las columnas de la tabla.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Seleccionar o deseleccionar una interacci\u00f3n<\/strong>. Al hacer clic en el nombre de la interacci\u00f3n en rojo, se selecciona y pasa a verde. Lo mismo ocurre al hacer clic en el nombre en verde: pasa a rojo. Al seleccionar una interacci\u00f3n, aparece el gr\u00e1fico de interacci\u00f3n correspondiente. Se puede cambiar el eje x haciendo clic en el punto azul.<\/p>\n\n\n\n

            8. Modelo \/ Observaci\u00f3n<\/h2>\n\n\n\n

            Este gr\u00e1fico muestra, de diferentes formas, el grado de ajuste entre el modelo y los datos observados. Cuanto m\u00e1s se acerquen los puntos a la recta, m\u00e1s fiel ser\u00e1 el modelo a los datos.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Un gr\u00e1fico muy \u00fatil es el de \u00abApalancamientos frente a Residuos\u00bb. Los puntos deben estar en verde.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Si un punto aparece en rojo, ya sea hacia abajo o hacia arriba, se debe a un problema con la respuesta. Hay una de las respuestas que no se ajusta al modelo (\u00bfvalor at\u00edpico?).<\/p>\n\n\n\n

            Si un punto est\u00e1 en rojo hacia la derecha, el problema est\u00e1 en las X. Una de las l\u00edneas de prueba es at\u00edpica en comparaci\u00f3n con las dem\u00e1s (por ejemplo, X var\u00eda entre 5 y 10 en todas las l\u00edneas excepto en una, en la que X = 20).<\/p>\n\n\n\n

            9. Histograma de los residuos<\/h2>\n\n\n\n

            Proporciona el histograma y el an\u00e1lisis de normalidad de los residuos<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            En esta pesta\u00f1a se encuentra la tabla con los valores medidos, los valores predichos y el valor de los residuos.<\/p>\n\n\n\n

            Pero es en esta tabla donde se puede elegir entre someter a prueba una proporci\u00f3n de l\u00edneas de forma aleatoria, o bien las primeras, las \u00faltimas o seleccionando las l\u00edneas de la columna \u00abprueba\u00bb.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            10. Previsi\u00f3n<\/h2>\n\n\n\n

            Esta pesta\u00f1a permite predecir una respuesta y su intervalo de confianza a partir del modelo para cualquier configuraci\u00f3n.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            11. Gr\u00e1ficos en 3D y 5D<\/h2>\n\n\n\n

            El men\u00fa 3D permite obtener una vista en 3D de la superficie de respuesta. Se seleccionan 2 X y una configuraci\u00f3n concreta de las dem\u00e1s X para mostrar la representaci\u00f3n.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            En caso de que se disponga de suficientes factores X, se propone la vista 5D, que permite ver Y en funci\u00f3n de 4X en una sola figura (5 dimensiones).<\/p>\n\n\n\n

            En el ejemplo siguiente se muestra la evoluci\u00f3n de la potencia en funci\u00f3n de la velocidad en nueve configuraciones de desenfoque\/punto. Tambi\u00e9n se puede utilizar una cuadr\u00edcula de 5\u00d75 en lugar de una de 3\u00d73 para obtener un an\u00e1lisis m\u00e1s detallado.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            12. Otros modelos posibles con variables cuantitativas Y<\/h2>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Regresi\u00f3n PLS<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            La regresi\u00f3n PLS se utiliza cuando hay muchas variables X y estas est\u00e1n correlacionadas entre s\u00ed: en lugar de estimar un coeficiente por factor, como en la regresi\u00f3n cl\u00e1sica, construye componentes \u2014combinaciones de X\u2014 y realiza la regresi\u00f3n de Y sobre estos. El control deslizante \u00abNumber of components\u00bb establece su n\u00famero, el \u00fanico ajuste que realmente determina la estructura del modelo.<\/p>\n\n\n\n

            El gr\u00e1fico de R\u00b2 frente al n\u00famero de componentes sirve de gu\u00eda para esta elecci\u00f3n: se elige el n\u00famero de componentes a partir del cual la curva se aplana. En el ejemplo, pasar de 2 a 4 componentes no aporta pr\u00e1cticamente nada \u2014 se elige el modelo de 2 componentes, con un R\u00b2 de 38,27 % y un R\u00b2 ajustado de 32,65 % para 22 grados de libertad y un error est\u00e1ndar de 2,42842.<\/p>\n\n\n\n

            La tabla \u00abCoeficientes de regresi\u00f3n\u00bb muestra, al igual que en la regresi\u00f3n lineal, la constante y un coeficiente por factor (presi\u00f3n, temperatura, operador (Robert), humedad), junto con su VIF. En este caso, los VIF se mantienen cercanos a 1, lo que indica que los factores no son redundantes.<\/p>\n\n\n\n

            \u26a0\ufe0f A\u00f1adir componentes siempre hace que aumente el R\u00b2 de aprendizaje: es el camino directo hacia el sobreajuste. El n\u00famero adecuado de componentes se eval\u00faa en las l\u00edneas de prueba y en la pesta\u00f1a \u00abModelo\/Observaci\u00f3n\u00bb, no en el R\u00b2.<\/p>\n\n\n\n

            Regresi\u00f3n KOPLS<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            La regresi\u00f3n K-OPLS es la versi\u00f3n con n\u00facleo de la PLS: las variables X se proyectan en un espacio transformado mediante un n\u00facleo (en este caso, un n\u00facleo RBF gaussiano, con su par\u00e1metro \u03c3), lo que permite captar relaciones no lineales que la PLS cl\u00e1sica no detecta. La casilla \u00abEstandarizar X\u00bb ajusta los factores a la misma escala antes de la proyecci\u00f3n.<\/p>\n\n\n\n

            Hay dos familias de componentes que se ajustan por separado: los componentes predictivos (A), que contienen la informaci\u00f3n relacionada con Y, y los componentes ortogonales (B), que absorben la variaci\u00f3n de las X no relacionada con Y. Los botones \u00abEncontrar el mejor n\u00facleo\u00bb y \u00abEncontrar la mejor configuraci\u00f3n\u00bb buscan autom\u00e1ticamente \u03c3 y el par (A, B).<\/p>\n\n\n\n

            Los dos gr\u00e1ficos de R\u00b2 frente a componentes sirven para validar esta elecci\u00f3n. En el ejemplo, basta con un \u00fanico componente predictivo; m\u00e1s all\u00e1 de ese punto, el R\u00b2 se desploma, mientras que el R\u00b2 aumenta considerablemente hasta 3 componentes ortogonales y luego se estabiliza: la configuraci\u00f3n elegida es A = 1 y B = 3, para n = 25, p = 7, un n\u00facleo RBF (\u03c3 = 1,88736), un error est\u00e1ndar de 1,15671 y un R\u00b2 de 85,36 % (ajustado: 84,72 %).<\/p>\n\n\n\n

            \u26a0\ufe0f El K-OPLS no proporciona ni valores p ni coeficientes interpretables: predice, pero no explica. Por lo tanto, se eval\u00faa \u00fanicamente en la pesta\u00f1a \u00abModelo\/Observaci\u00f3n\u00bb y en las l\u00edneas de prueba. Adem\u00e1s, el R\u00b2 ajustado que se muestra se basa en una aproximaci\u00f3n de los grados de libertad del n\u00facleo (ddl \u2248 n \u2212 (A + 1)): debe interpretarse como un indicador, no como un valor exacto.<\/p>\n\n\n\n

            Redes neuronales<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            La red neuronal es un perceptr\u00f3n multicapa (MLP): las variables X pasan por una o varias capas ocultas de neuronas antes de generar Y. En la secci\u00f3n \u00abArquitectura\u00bb se establece la funci\u00f3n de activaci\u00f3n (ReLU por defecto) y la lista de capas ocultas (\u00ab+ A\u00f1adir una capa\u00bb), y a continuaci\u00f3n el n\u00famero de neuronas de cada una (en este caso, 16 y luego 8). Cuanto m\u00e1s amplias y numerosas sean las capas, m\u00e1s flexible ser\u00e1 el modelo\u2026 y mayor ser\u00e1 el riesgo de que memorice los datos.<\/p>\n\n\n\n

            La secci\u00f3n \u00abEntrenamiento\u00bb configura el aprendizaje: LR es la tasa de aprendizaje (1e-2, \u00abmuy agresiva\u00bb en el ejemplo), el planificador LR que la reduce a medida que avanzan las iteraciones, \u00abLote\u00bb, el tama\u00f1o de los minilotes (Full-batch = todo el conjunto de datos en cada paso); \u00abL2\u00bb, la regularizaci\u00f3n que limita los pesos; e \u00abIteraciones\u00bb, el n\u00famero de pasadas. El bot\u00f3n \u00abAprendizaje\u00bb inicia el c\u00e1lculo.<\/p>\n\n\n\n

            La tabla \u00abEstad\u00edsticas\u00bb muestra n, p, el error est\u00e1ndar, el R\u00b2 y el R\u00b2 ajustado; la curva \u00abP\u00e9rdida de entrenamiento\u00bb muestra la disminuci\u00f3n de la p\u00e9rdida (MSE) a lo largo de las iteraciones. Una curva que desciende y luego se aplana indica que el aprendizaje ha convergido: prolongar las iteraciones ya no aporta nada. Una curva que sigue descendiendo en la \u00faltima iteraci\u00f3n significa lo contrario: hay que a\u00f1adir m\u00e1s.<\/p>\n\n\n\n

            \u26a0\ufe0f En el ejemplo, R\u00b2 = 100 % y un error est\u00e1ndar de 0,00026: la red reproduce exactamente sus 25 l\u00edneas de entrenamiento. Esto es un indicio t\u00edpico de sobreajuste, no de un buen modelo. Solo la pesta\u00f1a \u00abModelo\/Observaci\u00f3n\u00bb y las l\u00edneas de prueba permiten tomar una decisi\u00f3n; en caso de desviaci\u00f3n, hay que reducir el tama\u00f1o de las capas, aumentar la regularizaci\u00f3n L2 o disminuir el n\u00famero de iteraciones.<\/p>\n\n\n\n

            13. Posibles modelos con variables cualitativas<\/h2>\n\n\n\n

            Regresi\u00f3n log\u00edstica binaria<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            La regresi\u00f3n log\u00edstica binaria se utiliza cuando Y solo toma dos valores (en este caso, \u00abCalidadbin\u00bb: OK \/ KO). El modelo no predice un valor, sino la probabilidad de pertenecer a la modalidad estudiada; por lo tanto, la pesta\u00f1a \u00abCoeficientes\u00bb se interpreta igual que la de la regresi\u00f3n lineal, con algunos indicadores espec\u00edficos.<\/p>\n\n\n\n

            La tabla superior establece las condiciones de referencia: para cada X cualitativa (Tratamiento, Proveedor) y para Y. La referencia es aquella con la que se compara todo; no aparece en la tabla de coeficientes, y cambiar esta elecci\u00f3n modifica la interpretaci\u00f3n de los resultados sin alterar el modelo. Adem\u00e1s, una barra de texto titulada \u00ab\u00bfPuedo confiar en el modelo?\u00bb indica si el n\u00famero de observaciones de la clase m\u00e1s rara por cada par\u00e1metro estimado es suficiente.<\/p>\n\n\n\n

            La l\u00ednea de estad\u00edsticas sustituye al R\u00b2 de la regresi\u00f3n lineal: n, ddl, el \u03c7\u00b2 del modelo y su valor p (la significatividad global), la desviaci\u00f3n, y a continuaci\u00f3n tres pseudo-R\u00b2: McFadden, Cox & Snell y Nagelkerke. En el ejemplo, n = 180, \u03c7\u00b2 = 33,69 con un valor p de 2,7\u00b710\u207b\u2076: el modelo aporta informaci\u00f3n, aunque los pseudo-R\u00b2 (entre 15,4 % y 24,3 %) sigan siendo modestos.<\/p>\n\n\n\n

            La tabla \u00abCoeficientes y significaci\u00f3n\u00bb ofrece, para cada t\u00e9rmino: el coeficiente, su valor sigma, la estad\u00edstica z, el valor p, la conclusi\u00f3n sobre la significaci\u00f3n en color, la raz\u00f3n de probabilidades (odds ratio) con su intervalo de confianza al 95 % (%) y el VIF. La raz\u00f3n de probabilidades es el dato m\u00e1s revelador: 2,66 para el tratamiento (B) significa que este tratamiento multiplica por 2,66 la probabilidad de obtener la modalidad estudiada en comparaci\u00f3n con el tratamiento A.<\/p>\n\n\n\n

            \ud83d\udca1 Un intervalo de confianza de la raz\u00f3n de probabilidades que incluye el valor 1 significa \u00abefecto no demostrado\u00bb; este es el caso de \u00abProveedor\u00bb (C), cuyo intervalo va de 0,44 a 2,34. Por el contrario, la presi\u00f3n (OR = 1,09 por unidad, IC 1,04\u20131,15) tiene un efecto d\u00e9bil, pero claro. Como siempre, la calidad de la clasificaci\u00f3n se eval\u00faa en la matriz de confusi\u00f3n de la pesta\u00f1a \u00abModelo\/Observaci\u00f3n\u00bb, no en los pseudo-R\u00b2.<\/p>\n\n\n\n

            Regresi\u00f3n log\u00edstica multinomial<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Cuando Y tiene m\u00e1s de dos modalidades (en este caso, Calidad: Mala \/ Buena \/ Aceptable), Ellistat cambia autom\u00e1ticamente a regresi\u00f3n log\u00edstica multinomial. El principio sigue siendo el mismo, pero el modelo estima un conjunto de coeficientes por cada modalidad de Y, cada una de ellas comparada con la modalidad de referencia elegida en la parte superior de la p\u00e1gina \u2014\u00abMal\u00bb en el ejemplo\u2014.<\/p>\n\n\n\n

            La l\u00ednea de estad\u00edsticas se lee como en el sistema binario, con un DDL m\u00e1s alto, ya que hay m\u00e1s par\u00e1metros: n = 180, ddl = 10, \u03c7\u00b2 = 67,94 con un valor p de 1,1\u00b710\u207b\u00b9\u2070, desviaci\u00f3n de 321,357 y pseudo-R\u00b2 de 17,45 % (McFadden), 31,44 % (Cox y Snell) y 35,52 % (Nagelkerke).<\/p>\n\n\n\n

            La tabla \u00abCoeficientes por clase\u00bb presenta un par coeficiente\/valor p por cada modalidad de Y. Por lo tanto, una misma l\u00ednea puede ser significativa para una clase y no para otra: El \u00abTratamiento (B)\u00bb influye claramente en la probabilidad de ser \u00abBueno\u00bb en lugar de \u00abMalo\u00bb (p = 0,0012), pero no en la de ser \u00abAceptable\u00bb (p = 0,118). Un coeficiente positivo aumenta la probabilidad de la clase de la columna con respecto a la referencia.<\/p>\n\n\n\n

            La tabla \u00abPruebas globales de los t\u00e9rminos (relaci\u00f3n de verosimilitud)\u00bb responde a la pregunta que faltaba en la anterior: \u00ab\u00bfInfluye este factor, considerando todas las clases?\u00bb. En ella, cada t\u00e9rmino recibe un \u03c7\u00b2 RV y un valor p \u00fanicos: \u00abPresi\u00f3n\u00bb (p = 9,3\u00b710\u207b\u2077) y \u00abTemperatura\u00bb (p = 0,0003) son muy significativos, mientras que \u00abProveedor\u00bb lo es en menor medida (p = 0,024).<\/p>\n\n\n\n

            \ud83d\udca1 La prueba global es lo primero que hay que tener en cuenta a la hora de decidir si un factor se mantiene en el modelo. A continuaci\u00f3n, los valores p por clase sirven para comprender d\u00f3nde act\u00faa el factor. Un factor puede ser significativo a nivel global sin que lo sea ninguna de sus comparaciones individuales, y tambi\u00e9n ocurre lo contrario; de ah\u00ed la importancia de disponer de ambas tablas.<\/p>\n\n\n\n

            \u00c1rbol de decisi\u00f3n<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            El \u00e1rbol de decisi\u00f3n segmenta los datos mediante una serie de preguntas binarias sobre las X \u2014\u00ab\u00bfProveedor \u2264 0,5?\u00bb, \u00ab\u00bfTratamiento \u2264 0,5?\u00bb\u2014 hasta llegar a las hojas, cada una de las cuales contiene una clase predicha. Es el modelo m\u00e1s claro del men\u00fa: cada ruta desde la ra\u00edz hasta una hoja se traduce directamente en una instrucci\u00f3n para el taller.<\/p>\n\n\n\n

            La pesta\u00f1a \u00abConfiguraci\u00f3n\u00bb agrupa los ajustes: el criterio de divisi\u00f3n (Gini o entrop\u00eda), la profundidad m\u00e1xima, el n\u00famero m\u00ednimo de individuos para la divisi\u00f3n (el n\u00famero m\u00ednimo de individuos para que se corte un nodo), el n\u00famero m\u00ednimo de individuos para la hoja y el n\u00famero m\u00e1ximo de elementos. El bot\u00f3n \u00abAprendizaje\u00bb reconstruye el \u00e1rbol tras cada modificaci\u00f3n.<\/p>\n\n\n\n

            Entre los par\u00e1metros se encuentra la precisi\u00f3n de entrenamiento \u2014el porcentaje de individuos correctamente clasificados, 49,4 % para n = 180 y p = 3 en el ejemplo\u2014 y, a continuaci\u00f3n, el resumen de los par\u00e1metros realmente obtenidos: profundidad 4, 6 hojas, criterio de Gini.<\/p>\n\n\n\n

            En el grafo, cada nodo interno muestra su condici\u00f3n, su profundidad y su impureza (imp); cada hoja, en verde, muestra su tama\u00f1o n, su impureza y la clase mayoritaria con su probabilidad \u2014por ejemplo, n = 27, Malo (p = 0,5556). Una impureza cercana a 0 indica una hoja pura, es decir, una regla clara; una impureza elevada indica una hoja en la que las clases siguen mezcladas, y la predicci\u00f3n es poco fiable.<\/p>\n\n\n\n

            \u26a0\ufe0f El \u00e1rbol es el modelo que se sobreajusta m\u00e1s r\u00e1pidamente: al aumentar la profundidad, siempre se acaba aislando a cada individuo en su hoja y alcanzando una precisi\u00f3n de entrenamiento de 100 % sin haber aprendido nada. Aumentar el \u00abM\u00edn. de repeticiones\u00bb para la hoja y limitar la profundidad son las dos medidas de seguridad; la matriz de confusi\u00f3n de la pesta\u00f1a \u00abModelo\/Observaci\u00f3n\u00bb, en las l\u00edneas de prueba, es decisiva.<\/p>\n\n\n\n

            Bosque aleatorio<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            El bosque aleatorio no construye un solo \u00e1rbol, sino un centenar, cada uno de los cuales se entrena a partir de una muestra aleatoria de l\u00edneas (opci\u00f3n Bootstrap) y de un subconjunto aleatorio de las variables X. La predicci\u00f3n final es el voto mayoritario de todos los \u00e1rboles. Esta mezcla corrige el principal defecto del \u00e1rbol \u00fanico \u2014su inestabilidad\u2014 a costa de la legibilidad: ya no se puede leer el modelo como una serie de reglas.<\/p>\n\n\n\n

            La pesta\u00f1a \u00abConfiguraci\u00f3n\u00bb muestra cuatro ajustes: el n\u00famero de \u00e1rboles (100 por defecto), la profundidad m\u00e1xima (10), el n\u00famero m\u00ednimo de muestras por hoja (2) y el interruptor \u00abBootstrap\u00bb. Aumentar el n\u00famero de \u00e1rboles no provoca sobreajuste, sino que solo estabiliza la predicci\u00f3n y alarga el c\u00e1lculo; son la profundidad y el n\u00famero m\u00ednimo de muestras los que determinan la complejidad.<\/p>\n\n\n\n

            La barra superior indica la precisi\u00f3n del entrenamiento \u201497,8 % en este caso para n = 180 y p = 5\u2014 y, a continuaci\u00f3n, muestra un resumen de los par\u00e1metros seleccionados. En comparaci\u00f3n con el 49,4 % del \u00e1rbol \u00fanico sobre los mismos datos: la diferencia ilustra la ganancia en precisi\u00f3n, pero tambi\u00e9n el riesgo, ya que esta precisi\u00f3n se mide sobre los datos de entrenamiento.<\/p>\n\n\n\n

            El gr\u00e1fico \u00abImportancia de las caracter\u00edsticas\u00bb clasifica las variables X seg\u00fan su contribuci\u00f3n a la calidad de la clasificaci\u00f3n, y debajo del gr\u00e1fico se indica el valor exacto: La presi\u00f3n (40,91 %) y la temperatura (40,75 %) predominan claramente; los dos proveedores representan alrededor de un 10 %, y el tratamiento (\u22123,21 %) no aporta nada. Es el equivalente, para el bosque, a la tabla de significatividad de las regresiones.<\/p>\n\n\n\n

            \u26a0\ufe0f Una importancia negativa o casi nula significa que el factor empeora ligeramente la predicci\u00f3n cuando se permuta: es ruido para el modelo. Sin embargo, hay que tener cuidado, ya que la importancia mide una contribuci\u00f3n predictiva, no un efecto causal, y dos factores correlacionados comparten la importancia en lugar de acumularla. Al igual que con el \u00e1rbol, el veredicto se puede consultar en la matriz de confusi\u00f3n de las l\u00edneas de prueba.<\/p>\n\n\n\n

            SVM \u2013 M\u00e1quina de vectores de soporte<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            La SVM (m\u00e1quina de vectores de soporte) busca la frontera que mejor separa las clases, maximizando el margen entre esta y los puntos m\u00e1s cercanos, los vectores de soporte. Gracias al n\u00facleo, esta frontera puede ser muy compleja en el espacio de las X originales, lo que la convierte en un buen clasificador cuando las clases no se separan mediante una recta.<\/p>\n\n\n\n

            La pesta\u00f1a \u00abConfiguraci\u00f3n\u00bb re\u00fane los ajustes: el N\u00facleo (Rbf en este caso), C (Coste), que regula la tolerancia a los errores de clasificaci\u00f3n \u2014un valor alto de C se ajusta a los datos, mientras que uno bajo acepta errores para mantener una frontera suave\u2014, Gamma, que establece el alcance del n\u00facleo (Auto = 1\/p), la tolerancia de parada (se recomienda 1e-4), el n\u00famero m\u00e1ximo de pasadas (10) y el n\u00famero m\u00e1ximo de iteraciones (10 000).<\/p>\n\n\n\n

            La barra superior muestra la precisi\u00f3n del entrenamiento \u201457,2 % para n = 180 y p = 5 en el ejemplo\u2014 y el recuadro \u00abPar\u00e1metros del modelo\u00bb muestra la configuraci\u00f3n realmente aplicada: n\u00facleo RBF, C = 180, gamma = auto, tol = 0,0001.<\/p>\n\n\n\n

            \ud83d\udca1 C y Gamma se ajustan conjuntamente y son los dos \u00fanicos ajustes que realmente importan. Un valor de Gamma demasiado alto crea un contorno que se ajusta a cada punto (sobreaajuste); un valor de C demasiado alto produce el mismo efecto. Hay que ir probando poco a poco, prestando atenci\u00f3n a la diferencia entre la precisi\u00f3n del entrenamiento y las l\u00edneas de prueba, en lugar de intentar maximizar la primera.<\/p>\n\n\n\n

            \u26a0\ufe0f El SVM no proporciona coeficientes, valores p ni la importancia de los factores: clasifica sin dar explicaciones. Se eval\u00faa \u00fanicamente a partir de la matriz de confusi\u00f3n de la pesta\u00f1a \u00abModelo\/Observaci\u00f3n\u00bb. Si el objetivo es saber sobre qu\u00e9 actuar, la regresi\u00f3n log\u00edstica o el bosque aleatorio responden mejor a la pregunta.<\/p>\n\n\n\n

            El KNN<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            El KNN (K vecinos m\u00e1s cercanos) es el clasificador m\u00e1s sencillo: no realiza ning\u00fan ajuste. Para predecir una nueva configuraci\u00f3n, busca en los datos las k l\u00edneas que m\u00e1s se le parecen y selecciona la clase mayoritaria entre ellas. El \u00abmodelo\u00bb es, por tanto, el propio conjunto de datos: de ah\u00ed su fortaleza en los casos ya encontrados y su debilidad en cuanto nos alejamos de ellos.<\/p>\n\n\n\n

            La pesta\u00f1a \u00abConfiguraci\u00f3n\u00bb solo incluye dos ajustes: \u00abVecinos k\u00bb (5 por defecto) y la \u00abDistancia\u00bb utilizada para medir la similitud: euclidiana, de Manhattan o de Chebyshev. A continuaci\u00f3n, la barra superior indica la precisi\u00f3n del entrenamiento, y el recuadro \u00abPar\u00e1metros del modelo\u00bb muestra la configuraci\u00f3n aplicada (k = 5, m\u00e9trica euclidiana).<\/p>\n\n\n\n

            La elecci\u00f3n del valor de k supone un equilibrio entre el ruido y el suavizado: un k peque\u00f1o se ajusta a los datos y reacciona ante cada punto aislado, mientras que un k grande suaviza los l\u00edmites, pero acaba prediciendo siempre la clase m\u00e1s frecuente. Un k impar evita los empates a la hora de votar entre dos clases.<\/p>\n\n\n\n

            \u26a0\ufe0f El KNN es sensible a la escala de las variables X: un factor expresado en miles eclipsa a los dem\u00e1s en el c\u00e1lculo de la distancia. Adem\u00e1s, su rendimiento se deteriora r\u00e1pidamente cuando hay muchas variables X. Al igual que el SVM, no proporciona coeficientes ni la importancia de los factores, y se eval\u00faa \u00fanicamente a partir de la matriz de confusi\u00f3n de la pesta\u00f1a Modelo\/Observaci\u00f3n, incluidas las l\u00edneas de prueba.<\/p>","protected":false},"featured_media":0,"menu_order":20,"template":"","meta":{"_acf_changed":false},"menu-guide-dutilisateur":[32],"class_list":["post-4679","guide-dutilisateur","type-guide-dutilisateur","status-publish","hentry","menu-guide-dutilisateur-8-ml-machine-learning"],"acf":[],"yoast_head":"\nConstruire un mod\u00e8le - Ellistat<\/title>\n<meta name=\"description\" content=\"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/ellistat.com\/es\/guia-del-usuario\/construir-un-modelo\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Construire un mod\u00e8le - Ellistat\" \/>\n<meta property=\"og:description\" content=\"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat\" \/>\n<meta property=\"og:url\" content=\"https:\/\/ellistat.com\/es\/guia-del-usuario\/construir-un-modelo\/\" \/>\n<meta property=\"og:site_name\" content=\"Ellistat\" \/>\n<meta property=\"article:modified_time\" content=\"2026-08-20T14:41:38+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png\" \/>\n\t<meta property=\"og:image:width\" content=\"246\" \/>\n\t<meta property=\"og:image:height\" content=\"80\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data1\" content=\"27 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/\",\"url\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/\",\"name\":\"Construire un mod\u00e8le - Ellistat\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/grilleML.png\",\"datePublished\":\"2026-08-13T12:50:31+00:00\",\"dateModified\":\"2026-08-20T14:41:38+00:00\",\"description\":\"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#primaryimage\",\"url\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/grilleML.png\",\"contentUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/grilleML.png\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/ellistat.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Construire un mod\u00e8le\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\",\"url\":\"https:\\\/\\\/ellistat.com\\\/\",\"name\":\"Ellistat\",\"description\":\"La suite qualit\u00e9 de l'industrie m\u00e9canique\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/ellistat.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Crear un modelo - Ellistat","description":"Descubre los pasos para crear un modelo de aprendizaje autom\u00e1tico en el software Data Analysis de Ellistat","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/ellistat.com\/es\/guia-del-usuario\/construir-un-modelo\/","og_locale":"es_ES","og_type":"article","og_title":"Construire un mod\u00e8le - Ellistat","og_description":"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat","og_url":"https:\/\/ellistat.com\/es\/guia-del-usuario\/construir-un-modelo\/","og_site_name":"Ellistat","article_modified_time":"2026-08-20T14:41:38+00:00","og_image":[{"width":246,"height":80,"url":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png","type":"image\/png"}],"twitter_card":"summary_large_image","twitter_misc":{"Tiempo de lectura":"27 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/","url":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/","name":"Crear un modelo - Ellistat","isPartOf":{"@id":"https:\/\/ellistat.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#primaryimage"},"image":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#primaryimage"},"thumbnailUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png","datePublished":"2026-08-13T12:50:31+00:00","dateModified":"2026-08-20T14:41:38+00:00","description":"Descubre los pasos para crear un modelo de aprendizaje autom\u00e1tico en el software Data Analysis de Ellistat","breadcrumb":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#primaryimage","url":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png","contentUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png"},{"@type":"BreadcrumbList","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/ellistat.com\/"},{"@type":"ListItem","position":2,"name":"Construire un mod\u00e8le"}]},{"@type":"WebSite","@id":"https:\/\/ellistat.com\/#website","url":"https:\/\/ellistat.com\/","name":"Ellistat","description":"La suite de calidad para la industria de la ingenier\u00eda mec\u00e1nica","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/ellistat.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"}]}},"_links":{"self":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/guide-dutilisateur\/4679","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/guide-dutilisateur"}],"about":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/types\/guide-dutilisateur"}],"wp:attachment":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/media?parent=4679"}],"wp:term":[{"taxonomy":"menu-guide-dutilisateur","embeddable":true,"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/menu-guide-dutilisateur?post=4679"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}