La calculadora de pesos de las clases da los pesos de clase equilibrados para entrenar con datos desequilibrados, la razón de desequilibrio y el peso positivo que se usa en la clasificación binaria.
Cómo se hace el cálculo
- Introduce el número de ejemplos de cada clase, y 0 para la tercera si solo hay dos.
- La calculadora da el peso equilibrado de cada clase, la razón de desequilibrio, el peso positivo, la parte de la clase más pequeña y el total.
Ejemplo
Un conjunto de datos tiene 900, 80 y 20 ejemplos en tres clases, 1000 en total. Los pesos equilibrados son 1000 / (3 × 900) = 0,370, 1000 / (3 × 80) = 4,167 y 1000 / (3 × 20) = 16,667. La razón de desequilibrio es de 45,0 a 1 y la clase más pequeña representa el 2,00 % de los datos. Para las dos primeras clases solas, el peso positivo es 900 / 80 = 11,25.
Por qué es útil
La calculadora ayuda a estudiantes y profesionales de la ciencia de datos que entrenan clasificadores sobre sucesos poco frecuentes como el fraude, los defectos o las enfermedades, y que necesitan pesos para su función de pérdida. Es habitual en los másteres de ciencia de datos e inteligencia artificial y en los proyectos de aprendizaje automático de las empresas.
Conviene saber
Los pesos de clase se pasan a la función de entrenamiento de la mayoría de las bibliotecas de aprendizaje automático. Pesos muy grandes vuelven inestable el entrenamiento, así que limítalos o combínalos con un remuestreo. El sobremuestreo de la clase poco frecuente duplica ejemplos y puede sobreajustar, mientras que el submuestreo de la clase mayoritaria descarta información. También existen métodos que generan ejemplos sintéticos. No reequilibres nunca los conjuntos de validación o de prueba: deben conservar las proporciones reales para que las métricas reflejen el uso real. La exactitud engaña con datos desequilibrados, ya que un modelo que predice siempre la clase mayoritaria acierta el 90 % de las veces en este caso.
Herramientas relacionadas
La calculadora de la matriz de confusión evalúa los clasificadores, la de sensibilidad y especificidad cubre el rendimiento de las pruebas, la del coeficiente de correlación de Matthews da una puntuación única robusta y la del efecto de diseño trata la ponderación en las encuestas.