Incertidumbre y calibración

Antes de tocar el código

Entre muchas predicciones hechas con 80 % de confianza, aproximadamente ocho de cada diez deberían acertar. Esa promesa se puede medir.

Pregunta esencial: ¿Qué significa realmente que un modelo anuncie 80 % de confianza?

Haz una predicción antes de ejecutar el notebook. Al final volverás a ella y tendrás que decir qué evidencia la confirmó, la corrigió o la dejó abierta.

Mapa de esta clase: Hacer que confianza y frecuencia coincidan. La figura no es decorativa; úsala para explicar el mecanismo con tus propias palabras.

🎯 Qué vas a aprender y construir

Medir confianza, Brier score, ECE y temperature scaling.

Práctica propia de esta clase: Construir un diagrama de confiabilidad, calcular ECE y aplicar temperature scaling sin tocar test.

Es la clase 23 de 31 del programa y pertenece a ⚫ el módulo 6, Confiar en el modelo y sacarlo del cuaderno. Llegas desde Explicabilidad y lo que hagas aquí lo da por supuesto Exportación e inferencia.

Trabajarás con el dataset breast_cancer_wisconsin (UCI, licencia: CC BY 4.0), y tendrás que superar la línea base Regresión logística calibrada, decidiendo con la métrica f1 medida sobre validation. Nivel avanzado, unas 8 horas de dedicación.

Lo que conviene traer resuelto de las clases anteriores: PyTorch intermedio, optimización, lectura de artículos técnicos.

Al terminar deberías ser capaz de:

• Medir confianza, Brier score, ECE y temperature scaling.
• Preparar y auditar el dataset real breast_cancer_wisconsin sin fuga de datos.
• Entrenar y evaluar calibración probabilística.
• Comparar contra la línea base: Regresión logística calibrada.
• Interpretar intervalos de confianza, errores y limitaciones.

Una idea que conviene desmontar

Una alta exactitud no implica probabilidades bien calibradas; son propiedades diferentes.

🧠 Comprender antes de entrenar

Esta sección es la explicación completa del tema. No hace falta abrir otro archivo para entender lo que viene después: aquí está la idea, la matemática que la sostiene y sus límites. (El mismo texto vive en theory.md, que es la fuente desde la que se genera esta guía, junto con la bibliografía del final.)

De qué trata

Este laboratorio estudia calibración probabilística usando breast_cancer_wisconsin, un dataset público real procedente de UCI.

Un clasificador no solo decide una clase: también emite una confianza, la probabilidad que asigna a esa decisión. Un modelo está calibrado cuando esa confianza coincide con la frecuencia real de acierto: de todas las predicciones hechas con 80 % de confianza, aproximadamente el 80 % deberían ser correctas. La exactitud responde "¿acierta?"; la calibración responde "¿son creíbles sus probabilidades?", y son cosas distintas: una red puede acertar mucho y aun así ser sistemáticamente sobreconfiada, gritando 99 % cuando debería decir 70 %.

Esta distinción es crítica cuando la probabilidad alimenta una decisión posterior —fijar un umbral, priorizar un caso, cuantificar riesgo—. En un dataset de diagnóstico como breast_cancer_wisconsin, una confianza mal calibrada puede inducir una falsa sensación de certeza. El laboratorio mide la calidad probabilística con Brier score y ECE, y corrige la sobreconfianza con temperature scaling, ajustado en validación y evaluado una sola vez en test.

La matemática, paso a paso

Calibrar logits z/T en validación y evaluar una vez en test.

Una red de clasificación produce logits z (puntuaciones sin normalizar) que se convierten en probabilidades con softmax: pₖ = e^{zₖ} / Σⱼ e^{zⱼ}. Las redes profundas modernas tienden a la sobreconfianza: el entrenamiento con entropía cruzada empuja los logits a valores extremos —porque acercarse a probabilidad 1 en la clase correcta reduce la pérdida indefinidamente— y el resultado son probabilidades más agudas de lo que la evidencia justifica. Calibrar no cambia qué clase se predice; cambia cuán afiladas son las probabilidades.

El Brier score mide el error cuadrático medio entre la probabilidad predicha y el resultado real: BS = (1/N)·Σₙ Σₖ (p_{n,k} − y_{n,k})², donde y es el vector one-hot de la etiqueta. Penaliza a la vez errores de clasificación y de confianza: predecir 0.9 en la clase correcta cuesta menos que predecir 0.6, pero predecir 0.9 en la clase equivocada cuesta mucho. Es una proper scoring rule: se minimiza reportando las probabilidades verdaderas.

El Expected Calibration Error (ECE) cuantifica directamente el desajuste entre confianza y acierto. Se agrupan las predicciones en B intervalos según su confianza; en cada intervalo b se comparan la exactitud observada acc(b) y la confianza media conf(b), y se promedia la brecha ponderando por el número de ejemplos: ECE = Σ_b (|Bᵦ|/N) · |acc(b) − conf(b)|. Un modelo perfectamente calibrado tiene ECE = 0; un valor alto revela sobreconfianza (conf > acc) o subconfianza (conf < acc), visible en el reliability diagram.

El temperature scaling es la corrección más simple y efectiva: divide todos los logits por un único escalar T > 0 antes del softmax, p̂ₖ = e^{zₖ/T} / Σⱼ e^{zⱼ/T}. Con T > 1 las probabilidades se suavizan (baja la confianza), con T < 1 se agudizan; T = 1 no cambia nada. Como el mismo T multiplica todos los logits, el orden relativo se conserva y por tanto la exactitud y el ranking (AUC) no cambian: solo se recalibra la confianza. El valor óptimo T* se ajusta minimizando la entropía cruzada (o el NLL) sobre el conjunto de validación, nunca sobre test —ajustar sobre test contaminaría la evaluación—. Luego se evalúan Brier y ECE una sola vez en test con ese T* congelado. Es importante entender que temperature scaling captura la incertidumbre aleatórica (ruido inherente); no distingue lo que el modelo no sabe (incertidumbre epistémica), para lo cual se recurre a MC Dropout o ensambles.

Qué significa exactamente «estar calibrado»

La definición es precisa y conviene tenerla escrita, porque de ella salen todas las métricas del laboratorio. Un modelo está perfectamente calibrado si

P( y = 1 | p̂ = q ) = q para todo q ∈ [0, 1],

es decir: entre todos los casos a los que asigna probabilidad 0,7, exactamente el 70 % resulta positivo. Es una propiedad de la frecuencia a largo plazo, no de los casos individuales, y por eso solo se puede evaluar por grupos.

De ahí sale el ECE: como no hay dos predicciones con exactamente el mismo valor, se agrupan en M intervalos y se compara, dentro de cada uno, la confianza media con la exactitud observada:

ECE = Σ_(m=1..M) (|B_m| / N) · | exactitud(B_m) − confianza(B_m) |.

Su punto débil está en la palabra «intervalos»: el resultado depende de M y del criterio de agrupación —anchura fija o igual número de muestras—, así que un ECE solo es comparable con otro calculado igual. Reportar el valor sin decir cuántos intervalos se usaron lo hace incomparable, y por eso el laboratorio lo declara junto a la cifra.

El Brier score mide otra cosa y por eso se reporta junto al ECE: es el error cuadrático medio sobre probabilidades, Σ(p̂ᵢ − yᵢ)²/N, y admite la descomposición de Murphy en tres términos —fiabilidad, resolución e incertidumbre— donde la fiabilidad es justamente la calibración y la resolución es la capacidad de separar clases. Su consecuencia práctica es la que importa: un modelo puede mejorar su calibración y empeorar su Brier, si al aplanar sus probabilidades pierde poder de discriminación. Mirar las dos cifras a la vez es lo que evita esa trampa.

Conviene además distinguir dos cosas que se confunden. La discriminación —ordenar bien los casos, que es lo que miden ROC-AUC o F1— y la calibración —que los números signifiquen lo que dicen— son independientes: un modelo puede ordenar perfectamente y estar mal calibrado, y viceversa. Por eso este laboratorio decide con f1 y reporta la calibración aparte: son dos preguntas distintas sobre el mismo modelo.

Por qué temperature scaling funciona sin estropear nada

La corrección es de un solo parámetro: se divide el logit por T > 0 antes del softmax o la sigmoide,

p̂ = σ(z / T),

y se ajusta T minimizando la log-verosimilitud negativa sobre validation, con los pesos del modelo congelados.

Su propiedad clave es que no altera el orden de las predicciones. Como z/T es una transformación monótona creciente de z para todo T > 0, si un caso tenía mayor puntuación que otro la sigue teniendo. Por tanto ROC-AUC, ranking y —fijando el umbral en la escala correspondiente— la matriz de confusión no cambian: la exactitud y el F1 se conservan, y solo se mueven las probabilidades. Ese es el motivo de que sea la técnica por defecto: mejora la calibración sin poner en riesgo el desempeño ya medido.

La dirección del ajuste también informa. Un T > 1 aplana las probabilidades hacia ½, corrigiendo sobreconfianza, que es el defecto habitual de las redes neuronales modernas —entrenadas hasta pérdida muy baja, aprenden a asignar probabilidades extremas—. Un T < 1 las agudiza, corrigiendo subconfianza, más raro. Reportar el valor de T ajustado es reportar cuán descalibrado estaba el modelo original.

Hay dos exigencias sin las cuales el método deja de ser válido. La primera: T se ajusta con un conjunto que el modelo no usó para entrenar; ajustarlo con train no corrige nada, porque ahí el modelo ya está sobreajustado y sus probabilidades no reflejan el error real. La segunda: la evaluación de la calibración se hace sobre test, después del sellado, igual que cualquier otra métrica. Ajustar T mirando test produciría una calibración excelente y falsa.

Frente a alternativas, temperature scaling es el caso más simple del escalado de Platt —que ajusta a·z + b, dos parámetros— y frente a la regresión isotónica, que ajusta una función monótona por tramos y es mucho más flexible, tiene la ventaja de no sobreajustar con conjuntos de validación pequeños: un solo parámetro es difícil de sobreajustar, una función por tramos no.

Para qué sirve realmente una probabilidad calibrada

La calibración importa cuando la probabilidad entra en una decisión, y ahí su valor es concreto.

El caso claro es el umbral óptimo bajo costos asimétricos. Si un falso negativo cuesta c_FN y un falso positivo c_FP, la decisión que minimiza el costo esperado es actuar cuando

p̂ > c_FP / (c_FP + c_FN),

una fórmula que solo tiene sentido si p̂ es una probabilidad real. Con un modelo descalibrado, ese umbral se aplica sobre una puntuación que no significa lo que dice, y el costo resultante no es el mínimo. Lo mismo ocurre al combinar el modelo con otras fuentes de información, al derivar casos dudosos a revisión humana por debajo de cierta confianza, o al agregar predicciones de varios modelos: todas esas operaciones suponen que los números son probabilidades.

Y conviene cerrar con lo que la calibración no da. Corrige el nivel de confianza sobre la distribución en que se ajustó, no fuera de ella: ante un cambio de distribución, un modelo bien calibrado vuelve a descalibrarse, y por eso la calibración se revisa periódicamente junto con la deriva. Tampoco distingue entre incertidumbre aleatoria —ruido irreducible del problema, dos casos idénticos con etiquetas distintas— e incertidumbre epistémica —ignorancia del modelo por falta de datos en esa región—. La primera no se puede reducir con más datos; la segunda sí, y separarlas requiere métodos bayesianos o de conjunto que quedan fuera de esta ruta.

La pregunta que deberías poder responder al terminar: ¿Una mayor accuracy implica probabilidades confiables?

Qué se mide y con qué se decide

La clase reporta accuracy, f1, roc_auc, brier, ece. De todas ellas, la que decide qué modelo se conserva es f1, y se mide siempre sobre validation: es la única forma de que test siga siendo una estimación honesta de lo que pasará con datos nuevos.

📓 Los tres cuadernos

La clase se puede recorrer en Jupyter y trae tres cuadernos con papeles distintos. Los tres siguen el mismo camino —descargar el dataset real, auditar la partición, entrenar, sellar el experimento y evaluar test una vez—; lo que cambia es qué te toca escribir a ti:

Qué se practica en los ejercicios

Cinco de ellos cubren el contrato experimental común: auditar la partición, decidir con validation, compararse con la línea base, sellar antes de abrir test y dejar el plan por escrito. Se resuelven con Python estándar —sin descargar el dataset ni entrenar—, así que se corrigen en segundos y sin GPU, y cada uno está parametrizado con los valores de este laboratorio: su métrica de selección, su línea base y su experimento propio.

Cómo abrirlos

Los cuadernos necesitan el extra notebooks, que instala Jupyter junto con el paquete:

pip install -e ".[dev,notebooks]"
jupyter lab labs/22_uncertainty_calibration/notebook.ipynb

También se abren desde VS Code —con la extensión de Jupyter— haciendo doble clic en el archivo, o desde la interfaz clásica con jupyter notebook. El primer arranque descarga el dataset real desde su proveedor, así que la primera ejecución tarda más y requiere conexión.

Si prefieres ejecutar sin abrir un cuaderno, train.py hace exactamente lo mismo desde la terminal, y la sección de comandos de arriba explica cada opción.

🖥️ Los comandos, explicados

Todo el laboratorio se maneja con una sola herramienta de terminal, neural-labs, que se instala junto con el paquete (pip install -e ".[dev,notebooks]"). Cada subcomando hace una cosa del protocolo, y por eso se pueden ejecutar por separado: preparar datos, auditar la partición, entrenar, repetir con varias semillas.

La forma general es siempre la misma:

neural-labs <subcomando> --lab <identificador> [opciones]

El script del laboratorio

labs/22_uncertainty_calibration/train.py no es un programa distinto: fija el --lab y delega en la misma herramienta, de modo que estas dos líneas hacen exactamente lo mismo.

python labs/22_uncertainty_calibration/train.py --quick
neural-labs train --lab 22_uncertainty_calibration --quick

Lo mismo desde Python

Si prefieres trabajar en un cuaderno o llamar al laboratorio desde tu propio código, la misma ejecución se lanza así. La función devuelve un objeto con el directorio de la ejecución, las métricas y el historial ya cargados:

from neural_labs.experiments import run_lab

resultado = run_lab(
    "22_uncertainty_calibration",
    quick=True,          # False para la ejecución completa
    config_name="baseline",
    split_seed=42,       # fija la partición
    training_seed=43,    # varía la inicialización
)

print(resultado.run_dir)   # dónde quedaron los archivos
print(resultado.metrics)   # el diccionario de métricas finales

Y para preparar el dataset sin entrenar —útil para inspeccionarlo antes—:

from neural_labs.datasets import prepare_dataset

datos = prepare_dataset("22_uncertainty_calibration", quick=True, seed=42)
print(datos.summary)       # tamaño de cada partición y metadatos de la fuente

🪜 Laboratorio guiado

Cada paso dice qué ocurre por dentro, por qué se hace en ese orden y cómo comprobar que salió bien. El orden no es una convención de estilo: es el que ejecuta el código, y alterarlo invalida el resultado.

Paso 1 — Traer el dataset real y partirlo

Qué ocurre. Descarga breast_cancer_wisconsin desde su proveedor y construye las tres particiones —train, validation y test— con la semilla de partición que le pases.

Por qué. La partición se fija antes de entrenar y su semilla (--split-seed) es independiente de la del entrenamiento (--training-seed). Si ambas fueran la misma, no podrías distinguir si un cambio en el resultado viene de haber repartido los datos de otro modo o de haber inicializado los pesos de otro modo.

neural-labs dataset --lab 22_uncertainty_calibration --quick --split-seed 42

Cómo sabes que salió bien. El comando termina sin error y deja el dataset en caché. Si no hay red, falla: no se rellena con datos inventados (data/dataset.yaml declara fallback_to_generated_data: false).

Paso 2 — Comprobar que las particiones no se tocan

Qué ocurre. Recorre los identificadores de las tres particiones y verifica que ninguno aparece en dos de ellas.

Por qué. Una sola fila compartida entre train y test basta para que la métrica final quede inflada. Es el error más caro del oficio porque no produce ningún síntoma visible: el modelo simplemente «parece» mejor de lo que es.

neural-labs audit --lab 22_uncertainty_calibration --quick --split-seed 42

Cómo sabes que salió bien. La auditoría reporta cero solapamientos. Si reporta alguno, no sigas: el resto del laboratorio no significaría nada.

Paso 3 — Mirar los datos antes de modelarlos

Qué ocurre. Genera el informe de calidad (valores faltantes, balance de clases, rangos) y el de deriva entre particiones.

Por qué. Un desbalance fuerte o una diferencia de distribución entre train y test cambia qué métrica tiene sentido leer. Descubrirlo después de entrenar obliga a repetirlo todo.

neural-labs quality --lab 22_uncertainty_calibration --quick --split-seed 42

Cómo sabes que salió bien. Obtienes data_quality.json y drift_report.json; ábrelos antes de decidir la configuración.

Paso 4 — Estudiar la teoría del laboratorio

Qué ocurre. Leer theory.md: la idea central, el desarrollo matemático, los riesgos de interpretación y la bibliografía de la que sale todo eso.

Por qué. Sin esto, el entrenamiento es una caja que devuelve números. La teoría es lo que te permite decidir qué mirar y reconocer cuándo un resultado es sospechoso.

Cómo sabes que salió bien. Puedes responder, con tus palabras, qué calcula el modelo y por qué esa arquitectura encaja con la tarea binary_classification.

Paso 5 — Entrenar y seleccionar con validation

Qué ocurre. El entrenamiento recorre las épocas midiendo en validation después de cada una, y conserva el checkpoint con el mejor valor de f1.

Por qué. El conjunto de validación existe para tomar decisiones —arquitectura, hiperparámetros, cuándo parar—. Si esas decisiones se tomaran mirando test, test dejaría de ser una estimación de lo que pasará con datos nuevos y pasaría a ser parte del entrenamiento.

python labs/22_uncertainty_calibration/train.py --quick
# o, con control explícito de las dos semillas:
neural-labs train --lab 22_uncertainty_calibration --config baseline --split-seed 42 --training-seed 43

Cómo sabes que salió bien. En runs/22_uncertainty_calibration/<ejecución>/ aparecen history.csv y best_model.pt; la métrica de validación mejora respecto de la primera época.

Paso 6 — Compararte con la línea base

Qué ocurre. El repositorio entrena por su cuenta Regresión logística calibrada y guarda su resultado, primero sobre validation y —solo al final— sobre test.

Por qué. Una métrica sola no dice si el modelo aporta algo. Puede que un método mucho más simple llegue igual de lejos, y entonces la complejidad añadida no está justificada. Esta comparación es la que convierte un número en un argumento.

Cómo sabes que salió bien. Comparas metrics.json con baseline_metrics.json. Si tu modelo no supera la línea base, el resultado del laboratorio es exactamente ese, y hay que reportarlo.

Paso 7 — El sellado: experiment.lock.json

Qué ocurre. Antes de tocar test, el código escribe un archivo que fija el laboratorio, las dos semillas, la configuración, la métrica de selección, el checkpoint elegido y el hash del dataset.

Por qué. Es la frontera del experimento. A partir de ahí, cualquier ajuste que hagas mirando test queda a la vista: el sello dice qué habías decidido antes de ver el resultado final. Sin ese archivo, nadie —incluido tú dentro de un mes— puede distinguir una predicción de una racionalización.

Cómo sabes que salió bien. El archivo existe y su contenido coincide con lo que creías haber ejecutado.

Paso 8 — Evaluar test una sola vez y medir la incertidumbre

Qué ocurre. Con el checkpoint congelado se evalúa test, se calculan intervalos de confianza por bootstrap y se desglosan las métricas por subgrupo.

Por qué. Un número puntual esconde cuánto podría moverse. Los intervalos dicen si la diferencia con la línea base es real o cabe dentro del ruido; el desglose por subgrupo revela si el promedio está tapando un grupo donde el modelo funciona mucho peor.

Cómo sabes que salió bien. Tienes metrics.json, confidence_intervals.json y subgroup_metrics.json, y puedes decir la magnitud de la mejora y su incertidumbre.

Paso 9 — Repetir con varias semillas de entrenamiento

Qué ocurre. Se repite el entrenamiento manteniendo fija la partición y cambiando solo la semilla de entrenamiento.

Por qué. Dos ejecuciones idénticas salvo por la inicialización pueden diferir bastante. Si no mides esa dispersión, corres el riesgo de celebrar una mejora que era una semilla afortunada.

neural-labs benchmark --lab 22_uncertainty_calibration --quick --split-seed 42 --training-seeds 41 42 43

Cómo sabes que salió bien. Obtienes media y dispersión entre semillas, no un único número.

Paso 10 — Documentar y cerrar

Qué ocurre. Cada ejecución deja model_card.md y report.md; el plan de experimentos vive en experiments.md y la rúbrica en assessment.md.

Por qué. Un resultado sin su contexto —qué datos, qué decisiones, qué límites— no es reutilizable. La model card es lo que permite que otra persona sepa cuándo no debería usar tu modelo.

Cómo sabes que salió bien. Completaste la tabla multi-semilla de experiments.md y respondiste las preguntas de assessment.md.

🔍 Cómo leer lo que produce la ejecución

Cada ejecución escribe su propio directorio con nombre único, de modo que dos corridas nunca se pisan. Esto es lo que encontrarás dentro:

⚠️ Dónde suele perderse la gente

• --quick no es una versión pequeña del resultado, es una prueba de que todo corre. En esta ruta recorta a 1024 ejemplos de entrenamiento · 256 de validación · 256 de test · 2 épocas. Sirve para comprobar la instalación y la descarga; cualquier conclusión sobre el modelo exige la ejecución completa.
• Cambiar algo después de ver test invalida la comparación. Si al mirar el resultado final se te ocurre una mejora, la ruta correcta es volver a validation, decidir allí, y sellar de nuevo.
• Las dos semillas no son intercambiables. --split-seed cambia qué datos caen en cada partición; --training-seed cambia cómo se inicializa y baraja el entrenamiento. Para comparar modelos se fija la primera y se varía la segunda.
• Límite declarado de este dataset. No constituye una herramienta clínica ni consejo médico.

Riesgos al interpretar los resultados

No constituye una herramienta clínica ni consejo médico.

El dataset refleja su proceso de recolección y no representa automáticamente otros períodos, países o poblaciones. Una asociación predictiva no demuestra causalidad.

✅ Antes de darlo por terminado

La clase está aprobada cuando se cumplen estos criterios:

• [ ] cero solapamiento entre train, validation y test
• [ ] selección basada únicamente en validation
• [ ] métricas finales acompañadas por incertidumbre
• [ ] conclusiones que distinguen evidencia de suposición

Y cuando tienes estos entregables:

• [ ] notebook ejecutado
• [ ] reporte experimental
• [ ] model card
• [ ] comparación con línea base
• [ ] respuesta a preguntas críticas

El plan experimental con la tabla que hay que completar está en experiments.md, y las preguntas con su rúbrica, en assessment.md. Ambos documentos se abren desde la barra de navegación de arriba.

Para ir más lejos

• Cambia una decisión experimental y justifícala con el resultado en validation, no con la intuición.
• Analiza los errores por clase o por segmento: casi siempre se concentran en un subconjunto reconocible.
• Compara costo, precisión y latencia; el mejor modelo no siempre es el que gana por décimas.
• Documenta sesgos, limitaciones y usos para los que no recomendarías este modelo.

📚 Fuentes

La teoría de arriba no es original de este repositorio: se apoya en la literatura de referencia del área y en los papers originales de cada arquitectura. Estas son las obras concretas, y lo que aporta cada una:

Las referencias apuntan a las obras; no se reproduce su contenido, la redacción es original.

• Guo et al. (2017), On Calibration of Modern Neural Networks, ICML — evidencia de la sobreconfianza de las redes profundas y propuesta de temperature scaling; define ECE y reliability diagrams.
• Gal y Ghahramani (2016), Dropout as a Bayesian Approximation: Representing Model Uncertainty in Deep Learning (MC Dropout), ICML — estimación de incertidumbre epistémica manteniendo dropout activo en inferencia.
• Lakshminarayanan, Pritzel y Blundell (2017), Simple and Scalable Predictive Uncertainty Estimation using Deep Ensembles, NeurIPS — ensambles como estimador robusto de incertidumbre predictiva.
• Fuente del dataset: https://archive.ics.uci.edu/dataset/17/breast+cancer+wisconsin+diagnostic — Breast Cancer Wisconsin (Diagnostic) (UCI Machine Learning Repository, CC BY 4.0); procedencia, versión y SHA-256 en el registro de fuentes, entrada uci-breast-cancer-wisconsin-diagnostic — esta clase la usa para medir confianza, Brier score, ECE y temperature scaling sobre mediciones clínicas reales.
• Consulte docs/experiment-protocol.md, docs/reproducibility.md y docs/ethics-and-licenses.md.

Los archivos de este laboratorio

Todo lo que necesitas está en esta carpeta. Cada enlace abre el archivo directamente:

Y fuera de la carpeta, tres referencias que esta guía usa: el catálogo configs/labs.yaml —de donde salen el objetivo, la línea base y las métricas—, el código src/neural_labs/experiments.py —que define el orden de los pasos y los archivos que escribe cada ejecución— y docs/experiment-protocol.md, con la regla general del protocolo.

Los datasets se descargan de su proveedor original y conservan su licencia; este repositorio no los redistribuye ni sustituye una descarga fallida por datos generados.

🔬 Experimentos

Plan de experimentos — Incertidumbre y calibración

Qué significa «experimentar» aquí

Entrenar un modelo y mirar el número que sale no es un experimento: es una observación. Un experimento empieza por una afirmación que podría resultar falsa, sigue fijando todo lo que no se está poniendo a prueba, y termina midiendo si la afirmación se sostiene cuando se repite.

La diferencia importa porque el entrenamiento de una red tiene azar por dentro: la inicialización de los pesos y el orden en que se barajan los lotes cambian el resultado aunque no cambies nada más. Si comparas una sola corrida contra otra sola corrida, no sabes si la diferencia viene de tu idea o de la semilla. Por eso todo lo que sigue está organizado para separar la señal (el efecto de lo que cambiaste) del ruido (la variabilidad propia del entrenamiento).

La hipótesis de este laboratorio

Medir confianza, Brier score, ECE y temperature scaling.

Formulada como algo que se puede refutar: el modelo de este laboratorio supera a Regresión logística calibrada en f1, y la diferencia es mayor que la dispersión entre semillas.

Qué la haría falsa —y esto también es un resultado que hay que reportar—:

• El modelo no supera a Regresión logística calibrada.
• Lo supera, pero por menos de lo que varía el propio modelo al cambiar la semilla de entrenamiento.
• Lo supera solo con una semilla concreta y no con las demás.
• Lo supera a costa de un tiempo o un tamaño que el problema no justifica.

El experimento propio de esta clase

Además de la comparación con la línea base, aquí interesa una pregunta específica: Comparar ece y brier antes y después. Es la comparación que da sentido al tema de este laboratorio; la de la línea base solo dice si el modelo sirve, mientras que esta dice qué parte del diseño es la que aporta.

Qué se varía y qué se mantiene fijo

Un experimento es interpretable cuando cambia una cosa a la vez. Esta tabla dice qué papel juega cada elemento y, sobre todo, por qué:

Las dos configuraciones que vas a comparar

El laboratorio trae dos configuraciones ya escritas. Estos son los parámetros en los que difieren —el resto es idéntico, que es justamente lo que hace legible la comparación—:

Elegir entre ellas es una decisión de validation. Si improved gana en validación, se queda; si no, la configuración base es la respuesta y hay que decirlo así.

Cómo ejecutar la serie

El comando benchmark hace exactamente esto: repite el entrenamiento manteniendo la partición fija y cambiando solo la semilla de entrenamiento.

neural-labs benchmark --lab 22_uncertainty_calibration \
  --config baseline --split-seed 42 --training-seeds 41 42 43

neural-labs benchmark --lab 22_uncertainty_calibration \
  --config improved --split-seed 42 --training-seeds 41 42 43

Por dentro, benchmark no hace magia: llama a run_lab una vez por semilla con la misma partición y resume los resultados. Desde Python es literalmente eso:

from neural_labs.experiments import run_lab
from neural_labs.benchmarking import summarize_benchmark

registros = []
for semilla in (41, 42, 43):
    resultado = run_lab(
        "22_uncertainty_calibration",
        config_name="baseline",
        split_seed=42,          # la partición NO cambia
        training_seed=semilla,  # solo cambia la inicialización
    )
    registros.append({"training_seed": semilla, "metrics": resultado.metrics})

print(summarize_benchmark(registros))   # media y dispersión entre semillas

Empieza con --quick para comprobar que la serie corre entera; los números que se reportan salen de la ejecución completa.

La tabla que debes completar

De dónde sale cada columna, para que no haya que adivinarlo:

• Métrica en validation: el mejor valor de f1 durante el entrenamiento; está en history.csv y resumido en metrics.json.
• Métrica en test: el valor final, en metrics.json, ya con el modelo congelado.
• Tiempo: wall_time_seconds de metrics.json.
• Parámetros: parameters de metrics.json; es la medida honesta del tamaño del modelo.
• Observación: lo que viste y los números no dicen —una curva que se dispara, una clase que concentra los errores, una corrida que no convergió—.

Cómo decidir con esos números

1. Compara medias, pero decide con la dispersión. Calcula media y desviación entre las tres semillas de cada variante. Una mejora de 0,3 puntos entre variantes cuya dispersión interna es de 1,2 puntos no es una mejora: es ruido con buena suerte.
2. Si los rangos se solapan, dilo. «No se observó una diferencia distinguible del ruido con tres semillas» es una conclusión legítima y mucho más útil que un número inventado de confianza.
3. Decide con validation. La columna de test sirve para reportar el resultado final una vez, no para elegir la variante ganadora.
4. El costo forma parte del resultado. Si improved gana por poco y cuesta el triple de tiempo, la conclusión honesta menciona ambas cosas.
5. Vuelve a la línea base. La comparación contra Regresión logística calibrada es la que dice si todo el aparato de la red neuronal estaba justificado para este problema.

Qué debe decir tu conclusión

Una conclusión completa contiene cinco cosas, y se puede escribir en un párrafo:

• Magnitud: cuánto mejoró, en qué métrica y sobre qué conjunto.
• Incertidumbre: cuánto varió entre semillas, y si la mejora sobrevive a esa variación.
• Costo: tiempo, memoria o tamaño adicional que hubo que pagar.
• Errores: dónde falla el modelo, no solo cuánto acierta.
• Condiciones: en qué circunstancias no esperarías que este resultado se repitiera.

Errores de diseño que invalidan el experimento

• Cambiar dos cosas a la vez. Si tocas la arquitectura y la tasa de aprendizaje en la misma corrida, el resultado no atribuye el efecto a ninguna de las dos.
• Comparar con particiones distintas. Es el error más frecuente y el más difícil de detectar después: parece una mejora del modelo y es un reparto distinto de los datos.
• Quedarse con la mejor semilla. Elegir la corrida más favorable y reportar solo esa es seleccionar el ruido. Se reportan todas.
• Ajustar mirando test. En cuanto una decisión se toma con el resultado de test, ese conjunto deja de estimar el rendimiento con datos nuevos.
• No registrar el entorno. Sin versiones ni hardware, una diferencia de tiempo o de resultado se vuelve inexplicable meses después.

📝 Evaluación

Evaluación — Incertidumbre y calibración

Cómo se evalúa esta clase

No se evalúa el número final. Un modelo con una métrica alta obtenida mirando test, o sin compararse con nada, vale menos que uno modesto cuyo resultado se puede auditar. Lo que se califica es el proceso: si las particiones están limpias, si la decisión se tomó donde debía, si la conclusión distingue lo que se midió de lo que se supone.

Evidencias que debes entregar

Las preguntas, y qué se busca en tu respuesta

No se corrige la longitud de la respuesta, sino si demuestra comprensión. Debajo de cada pregunta está lo que una buena respuesta debería contener.

1. ¿Qué significa realmente que un modelo anuncie 80 % de confianza?

Qué se busca: Comienza con la predicción que hiciste al abrir la clase y contrástala con una gráfica, una medida o una observación concreta de tu ejecución.

2. Explica con tus palabras: Calibrar logits z/T en validación y evaluar una vez en test.

Qué se busca: Una buena respuesta conecta cuatro cosas —cómo se representa la entrada, qué calcula el modelo, qué mide la función de pérdida y cómo se actualizan los pesos— en vez de repetir la definición del libro. Si puedes explicarlo sin la fórmula delante, lo entendiste.

3. ¿Qué información del dataset solo puede usarse durante el entrenamiento?

Qué se busca: Se espera que nombres casos concretos: las estadísticas de normalización, el vocabulario, la selección de variables, los umbrales. Todo eso se ajusta solo con train; calcularlo sobre el conjunto completo es una fuga silenciosa que infla el resultado sin dar ningún aviso.

4. ¿Por qué Regresión logística calibrada es una comparación razonable para este problema?

Qué se busca: Una buena respuesta explica qué captura la línea base y qué no, y por qué superarla —o no superarla— es informativo aquí. Si la línea base ya resuelve el problema, la conclusión correcta es que la red no estaba justificada.

5. ¿Una mayor accuracy implica probabilidades confiables?

Qué se busca: Esta es la pregunta propia del tema. Responde con evidencia de tu ejecución —predicciones, matriz de confusión, curvas, artefactos del directorio de la corrida—, no con una impresión general.

6. ¿Qué aprendiste al realizar esta práctica: Construir un diagrama de confiabilidad, calcular ECE y aplicar temperature scaling sin tocar test.?

Qué se busca: No basta con relatar los pasos. Explica qué cambió, por qué cambió y qué resultado te haría rechazar tu interpretación inicial.

7. Refuta con evidencia esta idea frecuente: «Una alta exactitud no implica probabilidades bien calibradas; son propiedades diferentes.»

Qué se busca: Se busca una refutación situada en esta materia, apoyada en el mecanismo estudiado y en los resultados obtenidos, no una negación genérica.

8. ¿Qué te dice f1 que no te dirían las otras métricas?

Qué se busca: Cada métrica pondera distinto los errores. Se espera que expliques por qué esa es la que decide aquí y en qué situación sería una mala elección.

9. ¿Qué cambiarías antes de usar este modelo fuera del laboratorio?

Qué se busca: Aquí se evalúa el criterio, no la técnica: licencias y condiciones de uso de breast_cancer_wisconsin, representatividad de la población, calibración de las probabilidades, vigilancia de la deriva, desempeño por subgrupo y supervisión humana. Un «funcionaría bien» sin condiciones se corrige como respuesta incompleta.

La rúbrica, explicada

La diferencia entre adecuado y excelente casi nunca está en la métrica: está en si el trabajo permite que otra persona llegue a la misma conclusión con los artefactos que dejaste. Un resultado peor, bien medido y bien explicado, se califica por encima de uno mejor que no se puede auditar.

La aprobación exige al menos 70 % y cero errores críticos de fuga de datos. La fuga es eliminatoria por sí sola porque invalida todas las demás cifras del trabajo, por buenas que parezcan.

Autoevaluación antes de entregar

• [ ] Puedo explicar la idea central de la clase a alguien que no la cursó, sin leer el código.
• [ ] Sé qué decisión tomé en cada paso y con qué evidencia la tomé.
• [ ] Miré test una sola vez, después de que existiera experiment.lock.json.
• [ ] Mi conclusión dice magnitud, incertidumbre, costo, errores y condiciones.

• [ ] Puedo señalar al menos una limitación real de mi resultado.

• [ ] cero solapamiento entre train, validation y test

• [ ] selección basada únicamente en validation
• [ ] métricas finales acompañadas por incertidumbre
• [ ] conclusiones que distinguen evidencia de suposición

🧑‍🏫 Guía docente

Guía docente — Clase 23: Incertidumbre y calibración

Módulo 6: Confianza y despliegue · Esta guía acompaña a quien facilita la clase; no es un guion que deba leerse literalmente.

La conversación que abre la clase

Entre muchas predicciones hechas con 80 % de confianza, aproximadamente ocho de cada diez deberían acertar. Esa promesa se puede medir.

Plantee primero esta pregunta y permita que el grupo formule una predicción antes de mostrar código:

¿Qué significa realmente que un modelo anuncie 80 % de confianza?

Qué debe quedar comprendido

• Medir confianza, Brier score, ECE y temperature scaling.
• Preparar y auditar el dataset real breast_cancer_wisconsin sin fuga de datos.
• Entrenar y evaluar calibración probabilística.
• Comparar contra la línea base: Regresión logística calibrada.
• Interpretar intervalos de confianza, errores y limitaciones.

Secuencia sugerida

Práctica propia de esta materia

Construir un diagrama de confiabilidad, calcular ECE y aplicar temperature scaling sin tocar test.

La figura es un punto de entrada. Pida al estudiante que explique qué cambia entre los tres pasos y qué resultado observable invalidaría su explicación.

Dificultad conceptual que conviene provocar

Idea engañosa: Una alta exactitud no implica probabilidades bien calibradas; son propiedades diferentes.

No la corrija inmediatamente. Solicite un ejemplo o contraejemplo, ejecute una comparación y recién entonces reconstruya la explicación con el grupo.

Preguntas para acompañar sin resolver

• ¿Qué observación concreta respalda esa afirmación?
• ¿Qué variable está cambiando y cuáles permanecen controladas?
• ¿La gráfica muestra el mecanismo o solamente una correlación?
• ¿En qué caso dejaría de ser válida esta conclusión?

Cierre verificable

La clase termina cuando el estudiante puede responder la pregunta esencial, interpretar su visualización y señalar al menos una limitación. Una métrica aislada no reemplaza ninguna de esas tres evidencias.