⌘K
ENES
GitHub
conceptMachine Learning Estadístico~1 min de lecturaActualizado 2026-06-07#machine-learning#class-imbalance#metrics#resampling

Manejar class imbalance

Fraude, enfermedad, defectos, churn: los casos que te importan suelen ser raros. Con un split 99:1, un modelo que siempre predice la mayoría tiene 99% de accuracy y es inútil. El imbalance toca métricas, entrenamiento y el threshold de decisión.

Paso 1: arreglá primero la métrica

Esta es la palanca más grande y es gratis. Soltá accuracy; usá métricas enfocadas en la clase minoritaria: precision, recall, F1, PR-AUC (ver métricas y qué esconden). No podés gestionar lo que medís mal.

Paso 2: decidí si rebalancear

Muchas veces un buen modelo + métrica + threshold alcanza. Si la minoría realmente está subaprendida, rebalanceá, pero con cuidado:

Técnica Qué hace Cuidado con
Pesos de clase le dice al loss que penalice más los errores de la minoría lo más simple; probá esto primero
Random oversampling duplica filas de la minoría puede overfittear los duplicados
SMOTE sintetiza nuevos puntos minoritarios entre vecinos riesgoso en dimensiones altas; puede difuminar fronteras
Undersampling descarta filas de la mayoría tira datos; usalo cuando la mayoría es enorme

Paso 3: tuneá el threshold

Un clasificador devuelve una probabilidad; el threshold de decisión lo elegís vos. Para positivos raros pero costosos, bajalo para subir recall (aceptando más falsas alarmas). Este es un tradeoff precision-recall empujado por el costo relativo de cada error: una decisión de producto, no un default.

La regla cardinal

Hacé resampling dentro del fold de cross-validation, nunca antes de dividir. Oversamplear todo el dataset primero filtra puntos de la minoría tanto en train como en validación, inflando scores. Hacelo en un pipeline.

Además mantené el test set con la proporción del mundo real: evaluar sobre datos artificialmente balanceados esconde cómo se comporta el modelo en producción.

Conecta con: precision/recall · CV estratificada · resample in-fold

Notas relacionadas

Machine Learning EstadísticoClustering y PCA: aprender sin etiquetasLas dos herramientas no supervisadas más útiles: encontrar grupos con k-means y comprimir/visualizar datos con PCA (y cuándo usar UMAP).Machine Learning EstadísticoCross-validation bien hechaCómo estimar rendimiento sin desperdiciar datos ni engañarte: k-fold, stratified, grouped, time-series y la nested CV que requiere el tuning.Machine Learning EstadísticoÁrboles de decisión y ensembles (RF, gradient boosting)Por qué los árboles con gradient boosting siguen siendo el ganador default en datos tabulares, y cómo bagging y boosting doman la inestabilidad de un solo árbol.Machine Learning EstadísticoAnálisis de errores: leer los errores de tu modeloUn único score agregado esconde dónde falla un modelo. Slices, learning curves y patrones de confusión convierten errores en un roadmap.