Tras unas merecidas vacaciones, me gustaría clasificar automáticamente mis fotos en dos clases: las tomadas en la playa y las demás. Podemos imaginar una solución sencilla para este problema. Dada una imagen de entrada, puedo contar los píxeles de color amarillo. En el sistema RGB, en el que el color de un píxel se caracteriza por las cantidades de rojo, verde y azul que lo componen, podemos, por ejemplo, comprobar si los valores de rojo y verde son «suficientemente altos» y el valor de azul «suficientemente bajo». Así esperamos que las imágenes que contengan suficientes píxeles amarillos sean las fotos de la playa.
¿Cómo definir «suficiente»? Elegimos un umbral y, si el número de píxeles amarillos de una imagen lo supera, la clasificamos como «playa»; en caso contrario, como «otra». Esto define una función de decisión. Si el umbral utilizado es demasiado alto, todos los archivos que lo superen serán efectivamente fotos de playa —por ser «muy amarillos»—, pero corremos el riesgo de rechazar erróneamente imágenes de playa con relativamente poca arena y cuya cantidad de amarillo no superará el umbral. Por el contrario, si el umbral es demasiado bajo, caeremos en el exceso inverso y la mayoría de las imágenes se clasificarán como «playa», incluidas fotos que en realidad pertenecen a la clase «otra».
-
Un umbral y penalizaciones -------------------------
En lugar de elegir arbitrariamente ese umbral, vamos a disponer de un conjunto de entrenamiento clasificando manualmente unas cincuenta de estas fotos en dos categorías («playa» y «otra»). Con este conjunto de entrenamiento, ya podemos asociar una tasa de error a cada umbral. En efecto, dado un umbral, podemos calcular el número de píxeles amarillos de cada una de las imágenes de nuestro conjunto de entrenamiento y compararlo con el umbral. Si la clasificación es correcta, no se aplica penalización; de lo contrario, se incurre en una penalización —normalizada a 1, por ejemplo—. El «mejor» umbral para este conjunto de entrenamiento será entonces el que nos dé la penalización media más baja. En efecto, si las fotos del conjunto de entrenamiento son representativas de todo el álbum, cabe esperar que el rendimiento en dicho conjunto refleje el rendimiento real —en todo el álbum—; es lo que se denomina generalización.