Machine Learning para las Ciencias del Comportamiento con easyML

👥 Público Objetivo

Psicólogos, investigadores y estudiantes de pregrado/posgrado de psicología y ciencias afines

✅ Prerrequisitos

Conocimientos básicos de R y estadística descriptiva

El Machine Learning (ML) es una herramienta clave para responder preguntas predictivas en psicología, por ejemplo, identificar perfiles de riesgo o anticipar desenlaces. A diferencia de enfoques centrados en explicación, el ML prioriza la generalización a datos nuevos.

En este curso se aprenderá un flujo de trabajo completo y reproducible para ML supervisado en R, usando easyML, una librería diseñada por el Dr. José Ventura-León. Se cubrirá exploración de datos, preprocesamiento (balanceo y control de outliers), comparación de algoritmos, tuning de hiperparámetros, evaluación en test, calibración y optimización del umbral de decisión; además, pautas para comunicar resultados en formato de reporte científico.

• ML en psicología: predicción vs. explicación (clasificación)
• Definición del problema: target, predictores, errores y trade-offs
• Overview del pipeline easyML y organización reproducible

• EDA: estructura, target, faltantes, variables y outliers (IQR)
• Correlaciones, VIF y criterios de calidad
• Chequeo de leakage (IDs, correlaciones extremas)

• Split Train/Test (20%) y selección de variables con Boruta
• Receta: imputación, winsorización (P5-P95), dummies, z-score y SMOTE
• Pipeline dentro de CV para evitar leakage

• CV 10-fold estratificada
• Modelos: RF, XGBoost, SVM, NNET, GLM y árbol
• Comparación y métricas: ROC-AUC, PR-AUC, F1, balanced accuracy

• Tuning: random search y criterios de selección
• Evaluación en test: ROC, matriz de confusión y calibración
• Umbral óptimo (Youden) y trade-offs (sensibilidad/especificidad/F1)

• Diagnóstico: leakage postmodelo y robustez
• Importancia de variables y SHAP (opcional)
• Reporte científico, ética, sesgos y proyecto final

🎯 Objetivo General

Capacitar a profesionales de la psicología en el uso de técnicas de ML para la predicción de fenómenos psicológicos, utilizando easyML como herramienta principal.

📚 Objetivos Específicos

• ✓ Comprender qué es ML y cómo se diferencia de la estadística tradicional en investigación psicológica
• ✓ Definir correctamente el problema de predicción (variable objetivo, predictores y unidad de análisis)
• ✓ Realizar un análisis exploratorio orientado a calidad de datos (target, faltantes, outliers, correlaciones, VIF y potencial leakage)
• ✓ Implementar preprocesamiento dentro de validación cruzada (imputación, winsorización, codificación, normalización y balanceo)
• ✓ Comparar algoritmos de clasificación con K-fold estratificado y métricas apropiadas (ROC-AUC, PR-AUC, F1, etc.)
• ✓ Realizar tuning y evaluar el rendimiento final en el conjunto de prueba
• ✓ Interpretar resultados (importancia, calibración, ROC y matriz de confusión) y ajustar el umbral de decisión
• ✓ Elaborar y comunicar un reporte científico de ML para psicología con consideraciones éticas y de generalización