Saltar al contenido
Omnikalc

Calculadora de pesos de las clases

Introduce el número de ejemplos de cada clase para obtener los pesos equilibrados que se usan para entrenar con datos desequilibrados, la razón de desequilibrio y el peso positivo de los problemas binarios.

Actualizado el
Tus datos

Valor fuera de rango

Valor fuera de rango

Valor fuera de rango

Resultados

Peso equilibrado de la clase 0

0,370

Peso equilibrado de la clase 1

4,167

Peso equilibrado de la clase 2

16,667

Razón de desequilibrio (la mayor entre la menor)
45,0 : 1
Fuerte desequilibrio: hacen falta pesos, remuestreo u otras métricas
Peso positivo (clase 0 sobre clase 1)
11,25
Parte de la clase más pequeña
2,00 %
Total de ejemplos
1000

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.

Preguntas frecuentes

¿Cuál es la fórmula de los pesos equilibrados?

El peso de una clase es el número total de ejemplos dividido entre el número de clases por el tamaño de la clase. Es la regla que hay detrás de la opción equilibrada de varias bibliotecas. Los pesos hacen que cada clase contribuya por igual a la pérdida, y su suma ponderada vale el número de ejemplos.

¿Qué es el peso positivo?

Las funciones de pérdida binarias suelen tomar una única razón, el número de negativos dividido entre el número de positivos. Un ejemplo positivo cuenta entonces tantas veces en la pérdida. Aquí la primera clase hace de negativa y la segunda de positiva.

¿Son siempre los pesos la solución?

No. Los pesos desplazan la frontera de decisión hacia la clase poco frecuente pero pueden añadir ruido, y las probabilidades predichas dejan de estar calibradas. Las alternativas son el remuestreo, un umbral elegido con un conjunto de validación y métricas adaptadas al desequilibrio como la precisión, la exhaustividad o el área bajo la curva de precisión y exhaustividad.

¿Te ha resultado útil esta calculadora?

¡Gracias por tu opinión!

Resultados orientativos con fines informativos. No sustituyen el consejo de un profesional.