SMOTE¶

Equilibra las clases de una tabla creando instancias nuevas de las clases con menos filas. Usa la librería imbalanced-learn.

Para qué sirve¶

Cuando una clase tiene muchas menos filas que otra, los modelos tienden a ignorarla. SMOTE crea filas sintéticas de esa clase: toma una fila, busca sus k vecinos más cercanos de la misma clase y genera una fila nueva entre ambas.

Advertencia

Balancea solo los datos de entrenamiento. Si las filas sintéticas llegan al conjunto de prueba, la evaluación del modelo será demasiado optimista. Separa antes los datos con Data Sampler, o usa el resultado solo para entrenar.

Entradas¶

Data: una tabla con una variable objetivo categórica.

Salidas¶

Data: una tabla con el mismo dominio (atributos, clase y valores de las variables categóricas). Primero van todas las filas originales, sin cambios y con sus metas y pesos. Las filas sintéticas van al final.

En las filas sintéticas:

Las metas quedan desconocidas (celda vacía): una fila inventada no tiene nombre, identificador ni fecha de origen.
El peso es 1 si la tabla tiene pesos. SMOTE no usa los pesos y el widget lo avisa.

Algoritmo¶

El widget lo elige solo según los atributos y lo indica en el panel:

Algoritmo	Cuándo	Cómo genera cada fila
SMOTE	Todos los atributos son numéricos (las fechas cuentan como numéricos).	Interpola entre una fila y uno de sus vecinos.
SMOTENC	Hay atributos numéricos y categóricos.	Interpola los numéricos; en los categóricos toma el valor más frecuente entre los vecinos.
SMOTEN	Todos los atributos son categóricos.	Toma, en cada atributo, el valor más frecuente entre los vecinos.

Estrategia de muestreo¶

Opción	Qué hace
Igualar todas a la clase mayoritaria (por defecto)	Todas las clases terminan con tantas filas como la mayoritaria.
Solo la clase minoritaria	Solo crece la clase con menos filas, hasta igualar a la mayoritaria. Si hay un empate, crece la primera según el orden de la clase.
Todas menos la clase minoritaria	Crecen todas hasta la mayoritaria, salvo la de menos filas.
Hasta un porcentaje de la mayoritaria	Cada clase llega al menos a ese porcentaje de la mayoritaria. Con 100 % equivale a igualarlas todas; una clase que ya lo supera no cambia.

Parámetros¶

Vecinos más cercanos (k): entre cuántos vecinos se elige al generar cada fila. Por defecto 5. Toda clase que vaya a crecer necesita al menos k + 1 filas.
Semilla aleatoria: con la misma semilla, los mismos datos y las mismas opciones, el resultado es siempre el mismo. Por defecto 42.
Apply Automatically: aplica cada cambio al momento. Si lo desactivas, el gráfico muestra una vista previa y la salida no cambia hasta que pulses Apply.

Gráfico¶

Cada clase ocupa una fila con dos barras en la misma escala: Antes y Después. La parte rayada son las instancias sintéticas y el número entre paréntesis indica cuántas se han añadido. El titular resume las filas totales y la razón de desbalanceo (filas de la clase mayor dividido entre las de la menor; 1,0:1 significa balance perfecto). Pasa el ratón por una fila para ver sus números.

Mensajes¶

Mensaje	Qué hacer
No hay variable objetivo, o hay varias	Elige una sola con Select Columns.
La variable objetivo es numérica	Conviértela con Discretize o Edit Domain, o elige otra.
Solo hay instancias de una clase	No hay nada que balancear: revisa si un filtro anterior eliminó las demás.
La clase «X» tiene menos de k + 1 filas	Baja k al valor que indica el mensaje, añade filas de esa clase o elige una estrategia que no la haga crecer.
La clase «X» solo tiene una instancia	Añade filas de esa clase o quítala con Select Rows: no se puede interpolar con una sola fila.
Valores perdidos o infinitos en los atributos	SMOTE no los admite. Rellénalos con Impute o quita las filas con Select Rows.
Filas sin valor en la variable objetivo	Quítalas con Select Rows (condición «is defined» sobre la clase).
La tabla no tiene filas o no tiene atributos	Revisa los widgets anteriores.
Las clases ya están balanceadas, o la estrategia no añade nada	No es un error: la salida es la tabla de entrada.

Ejemplo¶

File → Data Sampler → (Data Sample) → SMOTE → Test and Score (Data)
                    → (Remaining Data) ───────→ Test and Score (Test Data)

De este modo solo se balancean los datos de entrenamiento y los modelos se evalúan con filas reales.

Referencia: N. V. Chawla, K. W. Bowyer, L. O. Hall, W. P. Kegelmeyer. SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, 16, 321-357 (2002).