MediaOpción múltiple

Pregunta de práctica de MLA-C01

Una empresa está construyendo un modelo de detección de fraude en un conjunto de datos desbalanceado (99% legítimo, 1% fraudulento). Para mejorar el recall en la clase minoritaria, desean remuestrear los datos. ¿Qué combinación de técnicas deben utilizar?

Elige la mejor respuesta.

Respuesta correcta

  • DSMOTE solo en el conjunto de entrenamiento

Explicación

SMOTE (Synthetic Minority Over-sampling Technique) genera muestras sintéticas de la clase minoritaria interpolando entre instancias minoritarias existentes. Aplicar SMOTE solo al conjunto de entrenamiento evita que las muestras sintéticas se filtren en el conjunto de prueba, lo que inflaría las métricas de evaluación y produciría un modelo demasiado optimista. Este es el enfoque de remuestreo correcto para mejorar el recall en un conjunto de datos de fraude desbalanceado.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

SMOTE en todo el conjunto de datos antes de la división train/test

Aplicar SMOTE antes de la división train/test filtra muestras minoritarias sintéticas en el conjunto de prueba, inflando las estimaciones de recall porque aparecen cuasi-duplicados de filas de entrenamiento en la evaluación. Es tentador porque SMOTE equilibra genuinamente las distribuciones de clases, y sería correcto si se aplicara solo a la partición de entrenamiento después de la división.

B

Incorrecta

Sobremuestreo aleatorio de la clase minoritaria antes de la división train/test

Duplicar filas minoritarias antes de la división coloca copias idénticas en los conjuntos de entrenamiento y de prueba, por lo que el modelo se evalúa con datos que ya ha visto. El sobremuestreo aleatorio es una técnica de equilibrio legítima, y sería correcto si se confinara al conjunto de entrenamiento después de la división.

C

Incorrecta

Submuestreo aleatorio de la clase mayoritaria

El submuestreo aleatorio por sí solo descarta ejemplos de la clase mayoritaria, perdiendo información y arriesgando el subajuste (underfitting); la pregunta pide una combinación. Sería correcto emparejado con un método de sobremuestreo como SMOTE, que juntos equilibran las clases mientras retienen datos.

D

Correcta

SMOTE solo en el conjunto de entrenamiento

SMOTE sintetiza nuevos ejemplos de la clase minoritaria interpolando entre casos fraudulentos existentes, elevando directamente el recall en la clase del 1%. Aplicarlo solo al conjunto de entrenamiento preserva la distribución genuina 99:1 en los datos de validación y prueba, previniendo las estimaciones de rendimiento infladas que causarían las fugas de datos de holdout remuestreados.

Para profundizar

SMOTE funciona seleccionando una instancia minoritaria, encontrando sus k vecinos minoritarios más cercanos (k=5 por defecto) y creando una nueva muestra a lo largo del segmento de línea entre ellos. Esto expande la región de decisión minoritaria y ayuda a los clasificadores como la regresión logística, las SVM y los ensambles de árboles a aprender el límite minoritario. Un comportamiento sutil: SMOTE puede generar muestras ruidosas o superpuestas en regiones de clases de alta dimensión o fuertemente superpuestas; variantes como Borderline-SMOTE, ADASYN y SMOTE-NC (para características categóricas) abordan esto. Además, SMOTE debe aplicarse dentro de los pliegues de validación cruzada (por ejemplo, mediante pipelines de imblearn) para evitar fugas durante el ajuste de hiperparámetros. Escenario del mundo real: un equipo de fraude utiliza un Pipeline de imblearn con SMOTE aplicado solo a los pliegues de entrenamiento, y luego evalúa el recall y el PR-AUC en el conjunto de prueba intacto para reflejar el verdadero rendimiento en producción.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de MLA-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.