🎯 Probabilidad Condicional: la base silenciosa del Machine Learning
En ML, casi todo se reduce a una idea clave: calcular la probabilidad de algo dado que otra cosa ocurre.
Eso es la probabilidad condicional 👉 $P(A|B)$.
📩 Ejemplo simple: detección de spam
Queremos saber: si un email contiene “free”, cuál es la probabilidad de que sea spam.
Para eso necesitamos entender:
- 📊 $P(Spam)$: cuántos correos suelen ser spam
- 🔍 $P(“free”)$: cuántos correos contienen “free”
- 🎯 $P(“free” | Spam)$: cuántos correos spam incluyen “free”
Este último es el que realmente impulsa modelos como Naive Bayes.
🤖 ¿Por qué importa?
- Porque todos los clasificadores hacen esto:
- $Recomendadores → ( P(\text{te gusta un ítem} | tu\ historial) )$
- $Diagnóstico médico → ( P(\text{enfermedad} | síntomas) )$
🧠 Piensa en esto como preguntar: “Dado lo que ya sé, qué tan probable es que ocurra X?”
Esa pregunta es el corazón de cómo las máquinas toman decisiones.
También publicado en LinkedIn.
