El primer modelo (y la euforia del AUC)

## Miércoles, 9:30. Dos modelos sobre la mesa

La tabla de modelado está lista: una fila por lesión, los descriptores y el contexto como features, el desenlace como target. Hoy entrenas los primeros clasificadores. Vas a probar dos, porque comparar es parte del oficio: una regresión logística, que es simple, rápida y da probabilidades naturalmente bien calibradas; y un bosque aleatorio, que es más flexible y captura relaciones que la logística no ve. La forma de la lesión no es lineal —una lesión asimétrica y de borde irregular y de color heterogéneo es mucho peor que la suma de las tres cosas—, y un bosque capta esas combinaciones mejor que una recta.

Para comparar modelos de clasificación por su capacidad de ordenar por riesgo se usa el AUC, el área bajo la curva ROC. Mide algo concreto y útil: si coges una lesión grave y una benigna al azar, ¿con qué probabilidad el modelo le da más puntuación a la grave? Un AUC de 0,5 es tirar una moneda; un AUC de 1 es ordenar perfecto. Es una buena medida de cuánto sabe el modelo separar las dos clases, y por eso es lo primero que se mira. Pero fíjate en lo que mide y lo que no: mide el orden, no la decisión. No dice dónde pones la raya entre urgente y no urgente. Guarda esa distinción, porque es el corazón de la semana.

## La trampa del umbral por defecto

Cuando llamas a predict() en un clasificador, por debajo pasa algo que casi nadie mira: el modelo calcula una probabilidad con predict_proba() y luego la convierte en un sí o un no cortando por 0,5. Es decir, marca «grave» si cree que es más probable grave que benigno. Ese 0,5 viene de fábrica y parece neutral, pero no lo es: supone que equivocarte por un lado cuesta lo mismo que por el otro. En Dermia eso es falso, y lo sabes desde el lunes. Por eso Ignacio no te deja quedarte en el AUC: te pide la matriz de confusión con el umbral que vas a usar de verdad, para ver cuántos graves se escapan.

La matriz de confusión es la foto completa de los aciertos y errores de una regla de decisión. Para una lesión tiene cuatro casillas: verdaderos positivos (graves marcados urgente), falsos negativos (graves dejados pasar), falsos positivos (benignos marcados urgente) y verdaderos negativos (benignos en cita normal). De ahí sale el recall de la clase grave, que es la pregunta de Beatriz: de todos los graves, ¿a cuántos pescamos? Hoy vas a mirar esa matriz con el umbral 0,5, y el número que salga no te va a gustar. Pero no lo arregles todavía: míralo, encájalo, y guarda la conversación para mañana.