Split estratificado
Tema: Metodología y Datos · Catálogo de recetas · temario: Syllabus IOAI
📍 Dónde se aprende: módulo 05 de la Ruta de Aprendizaje.
Qué hace
Parte los datos en train y validación conservando la proporción de cada clase.
Cuándo usarla
Siempre que las clases estén desbalanceadas, que es casi siempre. Con un 5% de positivos, un split aleatorio de 100 filas puede dejarte una validación sin ningún positivo.
Implementación
Necesita: numpy.
import numpy as np
def split_estratificado(y, frac_val=0.2, semilla=0):
"""Devuelve índices train/val, con cada clase representada en ambos.
Requiere etiquetas 1-D sin ausentes y al menos dos ejemplos por clase.
Aproxima frac_val por clase, priorizando un ejemplo en cada lado: el
tamaño global puede diferir del porcentaje pedido, sobre todo con clases
escasas. Una clase con un solo ejemplo no permite cumplir este contrato.
"""
y = np.asarray(y)
if y.ndim != 1 or len(y) == 0:
raise ValueError("y debe ser un vector no vacío")
if not 0 < frac_val < 1:
raise ValueError("frac_val debe estar entre 0 y 1, sin incluirlos")
if any(v is None or v != v for v in y):
raise ValueError("las etiquetas no pueden tener valores ausentes")
clases, cuentas = np.unique(y, return_counts=True)
if np.any(cuentas < 2):
raise ValueError("cada clase necesita al menos dos ejemplos")
rng = np.random.default_rng(semilla)
idx_train, idx_val = [], []
for clase in clases:
idx = np.flatnonzero(y == clase)
rng.shuffle(idx)
corte = min(len(idx) - 1, max(1, int(round(len(idx) * frac_val))))
idx_val.append(idx[:corte])
idx_train.append(idx[corte:])
return (np.sort(np.concatenate(idx_train)),
np.sort(np.concatenate(idx_val)))⚠️ Notas
Exige al menos dos ejemplos por clase y conserva uno en cada lado. Con clases escasas el porcentaje global es aproximado; con un solo ejemplo lanza un error, porque no se puede evaluar esa clase independientemente de entrenarla. No dupliques la fila entre splits para eludirlo.
Estratificar por la etiqueta no basta si las filas no son independientes: si varias vienen del mismo origen, necesitas además Split por grupo. Y si hay orden temporal, ninguno de los dos: valida con un corte por tiempo.
🔗 Relacionadas
Verificada
Este código se ejecuta en cada publicación, contra una referencia obviamente correcta, en
herramientas/pruebas/datos.py. Si se rompe, el sitio no se actualiza.
Las otras puertas del vault: Ruta de Aprendizaje · Referencia · IOAI