Upsampling
En un conjunto de datos desequilibrado —por ejemplo, 98% de transacciones normales frente a 2% fraudulentas— un modelo sin corrección tenderá a ignorar los casos minoritarios. El upsampling (o sobremuestreo) busca corregir esto.
¿Cómo funciona?
- Copiando ejemplos existentes de la clase minoritaria.
- Generando datos sintéticos similares, con algoritmos como SMOTE o ADASYN.
Beneficios y riesgos
✅ Mejora la capacidad del modelo para reconocer patrones poco frecuentes.
✅ Aumenta métricas como la recall, crucial en seguridad, medicina o detección de anomalías.
⚠️ Si se exagera, puede introducir ruido o un sesgo artificial que reduzca la generalización del modelo.
El upsampling plantea un equilibrio delicado entre cantidad y variabilidad. Replicar ejemplos minoritarios ayuda a equilibrar las clases, pero no añade nueva información y puede llevar a que el modelo se “memorice” los datos. Métodos más sofisticados como SMOTE o ADASYN generan instancias sintéticas, creando variaciones plausibles que enriquecen la representación del conjunto.
La fase del pipeline en la que se aplica también es decisiva. Si se realiza antes de dividir en entrenamiento, validación y prueba, se corre el riesgo de fuga de información (data leakage). La práctica recomendada es aplicarlo únicamente sobre el conjunto de entrenamiento, manteniendo intactas las particiones de validación y prueba.
En la práctica, el upsampling se aplica sobre todo en escenarios donde los falsos negativos resultan muy costosos: detección de fraudes, diagnóstico médico o control de calidad industrial. En estos casos, no identificar un ejemplo minoritario puede tener consecuencias graves.
Finalmente, el upsampling suele integrarse en estrategias combinadas, junto con downsampling de la clase mayoritaria, aprendizaje sensible al coste, o modelos de ensamble diseñados para manejar desbalances extremos.
Referencia: Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE.
