# Modelos Clásicos de Machine Learning

Este capítulo marca la transición entre el análisis de datos y la construcción de sistemas predictivos. No nos limitaremos a entender las matemáticas detrás de los algoritmos fundamentales; nuestro objetivo es desarrollar **criterio de ingeniería**. Aprender a seleccionar el modelo adecuado evaluando el *Trade-off* Sesgo-Varianza, los costos computacionales en producción y la robustez del sistema frente a datos no vistos.

## Contenido del Capítulo

- **Clasificación (Fundamentos y Geometría):** Regresión Logística, K-Nearest Neighbors (KNN), Máquinas de Vectores de Soporte (SVM) y Árboles de Decisión.
- **Regresión (Prediciendo el Continuo):** Modelos lineales regularizados (Ridge/Lasso) y el peligro de la extrapolación en modelos no lineales.
- **Optimización y Ensamblados:** Búsqueda de hiperparámetros (Grid/Random Search) y combinación de modelos (Random Forest, Gradient Boosting).
- **Flujos de Trabajo Profesionales:** Construcción de *Pipelines* para prevenir fugas de datos (*Data Leakage*) y estrategias de selección de características para optimizar costos de hardware.

---
*Nota: Este capítulo está diseñado para ser práctico. Te recomendamos fuertemente experimentar con el código y no solo leerlo. Modificar parámetros, cambiar las semillas aleatorias y observar cómo los modelos reaccionan. Plantear hipótesis y responderlas en base a la evidencia empírica sobre experimentos bien planteados.*