Pregunta de práctica de DA0-002
Un equipo de análisis de salud está construyendo un modelo de clasificación para predecir la readmisión de pacientes dentro de los 30 días. El conjunto de datos contiene 10,000 registros con 30 características, incluyendo demografía, signos vitales, resultados de laboratorio e historial de medicamentos. La variable objetivo está desequilibrada: 85% sin readmisión, 15% con readmisión. El equipo utilizó regresión logística con configuraciones predeterminadas y logró una precisión del 85%, pero el modelo predijo 'sin readmisión' para todos los pacientes. El analista principal sospecha que el modelo no está aprendiendo debido al desequilibrio de clases. El equipo tiene tiempo para implementar una acción correctora antes de la próxima revisión del modelo. ¿Qué acción debe tomar el equipo?
Respuesta correcta
- BAplicar SMOTE para sobremuestrear la clase de readmisión
Explicación
SMOTE (Synthetic Minority Oversampling Technique) aborda directamente el desequilibrio de clases mediante la generación de muestras sintéticas para la clase minoritaria (readmisión). Esto obliga al modelo de regresión logística a aprender límites de decisión que separan las dos clases, en lugar de predecir por defecto la clase mayoritaria. Con un 85% de mayoría y un 15% de minoría, la precisión por sí sola es engañosa, y SMOTE es una técnica probada para mejorar la recuperación (recall) de la clase minoritaria.
Para profundizar
Con un 85% de negativos, una regresión logística predeterminada puede minimizar la pérdida logarítmica (log loss) prediciendo la clase mayoritaria para cada fila, obteniendo una precisión del 85% mientras que la recuperación para las readmisiones es cero. SMOTE genera muestras minoritarias sintéticas interpolando entre un punto minoritario y sus k vecinos minoritarios más cercanos en el espacio de características, desplazando el límite de decisión para que el clasificador realmente aprenda los patrones de readmisión. Un detalle sutil: SMOTE debe aplicarse únicamente al pliegue de entrenamiento dentro de la validación cruzada, nunca antes de la división, o los puntos sintéticos se filtrarán en la validación e inflarán las puntuaciones. La precisión sigue siendo una métrica pobre aquí; la recuperación, F1 o AUC-PR reflejan mejor el rendimiento en la clase minoritaria.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de DA0-002 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.