El primer modelo (y la euforia)

## Miércoles, 10:00. El modelo potente por defecto

Ya sabes construir features justas. Ahora toca el momento que estabas esperando: entrenar el modelo. Vas a usar un bosque aleatorio de regresión (RandomForestRegressor), que es el modelo potente por defecto para datos en tabla como estos. Un bosque aleatorio es un conjunto de muchos árboles de decisión: cada árbol aprende reglas del tipo «si goles_90 > 0,8 y edad < 24, el valor sube», y el bosque promedia las predicciones de todos. Es flexible, capta relaciones no lineales, y funciona bien sin apenas ajustes. Por eso es el primero que casi todo el mundo prueba.

El flujo es el que ya conoces de la regresión: separas las features (X) del target (y), partes los datos en entrenamiento y prueba con train_test_split, entrenas el modelo con la parte de entrenamiento y mides cómo de bien lo hace. Como medida vas a usar el R² (R cuadrado, el coeficiente de determinación): va de 0 a 1 y dice qué fracción de la variación del valor explica el modelo. Un R² de 1 sería predicción perfecta; un R² de 0, no explicar nada más que la media. Es la métrica habitual de regresión y la que Gorka te va a pedir.

Y vas a hacer lo natural, lo que haría casi cualquiera el primer día: meter todas las features que tienes. Todas las stats por 90, la edad, los minutos, la posición, el valor actual… y también el dorsal, el día de la semana del último partido, el id de ficha interno y esas métricas raras del proveedor. «Cuantas más features, más información, mejor», piensas. Y entrenas un bosque sin ponerle límite de profundidad, para que aprenda todo lo que pueda. Es el camino natural. Guárdate esa frase, porque el camino natural es justo el que te va a meter en el problema.

## El resultado: euforia

Entrenas y mides. El modelo da un R² de 0,9465 sobre los datos de entrenamiento: casi perfecto. Y sobre la parte de prueba, los jugadores que no vio al entrenar, da 0,5752: muy bueno para estimar algo tan ruidoso como el valor futuro de un jugador. Pasas la fila de Dani Olarra por el modelo y sale un valor altísimo para la temporada que viene, justo lo que Chus esperaba oír: su crack de 20 años va a multiplicar su precio. Todo encaja. Estás a punto de mandar el número.

1Tú  12:35
2Gorka!! El modelo da 0,9465 de R² en entrenamiento y 0,58 en la prueba 🎉
3Y a Olarra le sale un valor altísimo para el año que viene, justo lo que Chus esperaba
4Chus, creo que ya tengo tu número 🙌
5
6Chus  12:37
7BIEN!!! lo sabía, es un crack. ¿Me lo pasas hoy que preparo la reunión? 🙏
8
9Gorka  12:39
10Enhorabuena por el primer modelo entrenado. Pero no mandes nada todavía.
11Mañana a primera hora quiero que miremos ese 0,58 juntos. Y ese 0,9465 me da bastante que pensar.
12Tengo una pregunta para ti.

¿Por qué a Gorka le preocupa un acierto casi perfecto? Porque conoce el techo del problema. Estimar el valor futuro de un jugador es predecir algo que depende de cosas impredecibles: lesiones, suerte, cómo se mueva el mercado, si cambia de entrenador. Hay una parte del valor futuro que no se puede predecir con las estadísticas de este año, por bueno que sea el modelo. Eso significa que ningún modelo honesto puede acercarse a un acierto perfecto. Un 0,9465 sobre los datos de entrenamiento no es que el modelo sea genial: es que ha hecho algo que no debería poder hacer, y la única forma de lograrlo es memorizando.

## La pista que dejas pasar

Antes de cerrar el día, sacas la importancia de las features: cuánto usa el modelo cada columna para decidir. Arriba, como esperabas, aparecen el valor actual, los minutos, los goles por 90, las asistencias. Tiene sentido futbolístico. Pero si miras más abajo, notas algo raro sin darle importancia todavía: el id de ficha interno puntúa. El dorsal puntúa. El día de la semana del último partido puntúa. Columnas que no tienen ningún sentido en el valor de un jugador están aportando al modelo. «Las usará por algo», piensas, y lo dejas pasar. Mañana esa pista va a resultar ser la clave de todo.