¿Cómo gestionas clases desbalanceadas?

Respuesta directa

Qué debe cubrir una buena respuesta

Cómo funciona

Cuando los positivos son raros, la exactitud premia a un modelo que siempre predice la clase mayoritaria, así que la evaluación pasa a precisión, recall, la curva precisión-recall y una métrica ponderada por coste que refleje cuánto cuestan un falso positivo y un falso negativo. El conjunto de validación mantiene la prevalencia real para que los números se trasladen a producción. La mayoría de modelos dan una puntuación; elegir el umbral de decisión según el coste de negocio suele importar más que remuestrear. Los pesos de clase o el sobremuestreo pueden ayudar al entrenamiento, pero solo aplicados dentro del pliegue de entrenamiento, nunca a la validación, y la calibración se comprueba después porque el remuestreo distorsiona las probabilidades.

Ejemplo

Un modelo de fraude con 0,5 por ciento de positivos reportaba 99,5 por ciento de exactitud sin marcar nada. Pasar a precisión-recall mostró la región operativa útil; fijar el umbral para llenar la capacidad de revisión de 200 casos al día con las transacciones de mayor riesgo capturó el 62 por ciento del fraude con 35 por ciento de precisión, y la calibración se restauró con regresión isotónica tras entrenar con pesos de clase.

Errores frecuentes

• Reportar solo exactitud o ROC AUC en un problema muy desbalanceado.
• Sobremuestrear antes de partir, de modo que los duplicados se filtran a validación.
• Usar el umbral por defecto de 0,5 y no preguntar nunca qué cuestan los errores.

Una estructura útil para responder

Responde desde tu propia experiencia.

No memorices un guion: usa solo ejemplos que puedas explicar con honestidad en preguntas posteriores.