¿Qué es Desequilibrio de clases? — una analogía

1La analogía

Te entregan un cajón de piezas. Adentro hay un montón de tornillos pequeños, y mezclados entre ellos, un par de pernos gruesos. La tarea es sacar los pernos que se colaron.

Hay un método muy perezoso: sin siquiera mirar el cajón, anotar "los cien son tornillos". Así se acierta en noventa y ocho de cien. Solo mirando la proporción de aciertos, es un resultado excelente. Pero la tarea era encontrar los pernos, y de eso no se hizo nada.

Esto es justo lo que pasa en datos donde un tipo domina de forma abrumadora. A esta inclinación se le llama desequilibrio de clases.

El costo de no encontrar los pernos llega después. Si un perno ocupa el lugar de un tornillo, ese único sitio hace que todo el montaje falle. Un puntaje calculado solo con el número de aciertos no refleja ese costo en absoluto.

2En detalle

Por qué el puntaje sale tan alto

La proporción de aciertos se calcula sobre el total. Si hay noventa y ocho tornillos y dos pernos, casi todo el total son tornillos. Con acertar solo en los tornillos ya sube muchísimo el puntaje, y la pérdida de no encontrar los pernos casi no se nota dentro de ese total.

Cuanto más real es el problema, más se acentúa esta inclinación. El fraude con tarjetas ocupa unos pocos casos entre diez mil transacciones, una falla mecánica dura solo un instante brevísimo del tiempo en marcha, y una enfermedad poco común da un resultado distinto a la mayoría de quienes se hacen la prueba. En muchos casos, que lo que hay que encontrar sea raro es justo el corazón del problema.

El entrenamiento también se inclina hacia lo perezoso

No solo las personas se vuelven perezosas. El entrenamiento se mueve hacia donde el castigo baja más rápido, y renunciar del todo al tipo minoritario suele ser el atajo más corto. Si al esforzarse por encontrar un perno se termina llamando "perno" a varios tornillos por error, el castigo sube en vez de bajar.

Por eso, un modelo entrenado con datos desequilibrados parece haber aprendido bien por fuera, pero se queda paralizado frente al tipo minoritario. Sea lo que sea que se le muestre, solo dice el nombre del tipo mayoritario, y ese modelo no aprendió: se quedó fijo en un solo lado.

Qué mirar aparte de la proporción de aciertos

Se separa solo el tipo que importa encontrar y se miran dos valores: de lo que se marcó como perno, qué proporción era perno de verdad; y de todos los pernos que había en el cajón, cuántos se lograron encontrar. El primero es la precisión, el segundo la exhaustividad.

El método perezoso de responder "todo son tornillos" tiene ambos valores por el suelo. Como no marcó nada, el primero no existe; como no encontró nada, el segundo es cero. Lo que la proporción de aciertos por sí sola no dejaba ver, aquí queda expuesto de inmediato.

Los dos valores tiran en direcciones opuestas. Marcar como perno todo lo que se ve un poco grueso sube la proporción de pernos encontrados, pero también aparta muchos tornillos perfectamente buenos. Por eso se juntan en un solo puntaje, o se decide de antemano qué error pesa más y se pondera según eso.

Formas de reducir el desequilibrio

Del lado de los datos se puede intervenir. Lo mejor es reunir más ejemplos del tipo minoritario; si es difícil, se toman los que ya se tienen y se transforman un poco para multiplicarlos. También se puede tomar solo una parte del tipo mayoritario para igualar las cantidades, aunque este método descarta información de los tornillos, así que solo conviene cuando los datos sobran.

Del lado del entrenamiento también se puede intervenir. Multiplicar el castigo cuando se falla con el tipo minoritario hace que el entrenamiento ya no pueda tomar el atajo de rendirse con ese lado. También se puede bajar el umbral con el que, al final, se decide "esto ya cuenta como perno". Este último método es el que menos trabajo pide, porque no vuelve a entrenar nada: solo ajusta el resultado.

3Con más precisión

El desequilibrio en sí no es un error. Es natural que lo raro ocurra rara vez, y forzar esa proporción a igualarse produce datos distintos del mundo real. El problema aparece cuando se trata un dato desequilibrado como si fuera equilibrado y se lo califica con un criterio pensado para el equilibrio.

Por eso, igualar las cantidades solo se hace con los datos de entrenamiento. Si también se toca la proporción de los datos de evaluación, se estaría calificando en un escenario distinto al real, y ese puntaje no se sostiene al salir a producción con usuarios de verdad.

También hay un punto donde la comparación cojea. Un tornillo y un perno se distinguen a simple vista, pero en datos reales la respuesta correcta suele ser borrosa. Como el tipo minoritario tiene pocos ejemplos, un error en su etiqueta pesa mucho más. Bastan unas pocas muestras del lado minoritario con un nombre equivocado para que el juicio del modelo se tambalee entero. Por eso, con el tipo minoritario, suele importar más revisar una por una las respuestas correctas que simplemente sumar más cantidad.

4Pruébalo

Teachable Machine ailearn.space Pon 100 fotos en una casilla y solo 5 en la otra, entrena y comprueba hacia qué lado responde casi siempre.

5Malentendidos comunes

Es fácil pensar que una exactitud alta significa un modelo bien entrenado, pero en realidad, cuando un tipo domina los datos, hasta la respuesta de no hacer nada recibe una exactitud alta.
Es fácil pensar que basta con copiar el tipo minoritario para igualar las cantidades, pero en realidad el modelo termina memorizando por completo esos pocos ejemplos que vio repetidos.
Es fácil pensar que forzar la proporción a la mitad y mitad es la solución correcta, pero en realidad hay que dejar la proporción de la evaluación y del uso real tal como es, para que el puntaje coincida con la realidad.

7Resumen en una línea

En resumenEl desequilibrio de clases es, como en un cajón de tornillos con unos pocos pernos mezclados, cuando un tipo domina de forma abrumadora, y en ese caso hace falta mirar, además de la proporción de aciertos, una medida aparte para lo que hay que encontrar.

¿Te ayudó esta analogía?

¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización2026-09-02