Respuesta correcta
Explicación
El modelo logra una precisión del 98% simplemente prediciendo que todos los correos electrónicos son 'no spam', lo que refleja la clase mayoritaria del 95% en el conjunto de datos. Este es un síntoma clásico de desequilibrio de clases, donde el modelo aprende a explotar la distribución sesgada en lugar de aprender patrones significativos para distinguir el spam del contenido legítimo. En Azure Machine Learning, se utilizan técnicas como SMOTE o muestreo estratificado para mitigar este problema.
Para profundizar
El desequilibrio de clases ocurre cuando una clase supera ampliamente a otra, por lo que un modelo puede lograr una alta precisión prediciendo siempre la clase mayoritaria. Con un 95% de contenido que no es spam, un clasificador trivial que etiqueta todo como no spam obtiene un 95% de precisión mientras detecta cero spam, que es exactamente el fallo descrito. La precisión resulta engañosa bajo el desequilibrio; métricas como la precisión (precision), la sensibilidad (recall), F1 y AUC-ROC en la clase minoritaria revelan el problema. Un comportamiento sutil que vale la pena conocer es que las técnicas de remuestreo como SMOTE, la ponderación de clases o el ajuste de umbrales pueden ayudar, pero deben aplicarse únicamente a los datos de entrenamiento para evitar fugas hacia la validación. Esto importa en la detección de fraudes, el diagnóstico médico y el filtrado de spam, donde la clase minoritaria suele ser la de verdadero interés.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de AI-900 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.