Tienes un conjunto de datos de fraude donde el 0,3 por ciento de las filas son positivas. ¿Cómo manejas ese desbalance?

Primero cambia la métrica, ya que la exactitud es inútil al 0,3 por ciento: usa AUC de precisión y recall, o recall a un presupuesto fijo de alertas. Luego prueba pesos de clase antes de remuestrear, porque ponderar es más simple y no fabrica filas. Si remuestreas, hazlo solo dentro del fold de entrenamiento. Por último recalibra las probabilidades, ya que tanto la ponderación como el sobremuestreo distorsionan las puntuaciones predichas.

Lo primero que cambio es el marcador, porque un modelo que predice que nunca hay fraude acierta el 99,7 por ciento de las veces y no vale absolutamente nada. Uso AUC de precisión y recall y, más útil todavía, el recall al volumen de alertas que el equipo puede revisar de verdad. Luego empiezo simple con pesos de clase en la función de pérdida, que no cuesta nada y a menudo consigue casi todo el beneficio. Solo recurro a SMOTE o al submuestreo si la ponderación se estanca y, sinceramente, las muestras sintéticas de la clase minoritaria me han parecido flojas en datos tabulares de fraude, porque los puntos interpolados caen en regiones del espacio de variables que no existen. Hay dos cosas con las que soy estricto. El remuestreo ocurre dentro del fold de entrenamiento, nunca antes del reparto, o el conjunto de validación acaba conteniendo casi duplicados de filas de entrenamiento y la puntuación es ficción. Y después de todo esto las probabilidades predichas ya no están calibradas, así que si alguien aguas abajo multiplica la puntuación por un importe en euros, ajusto un paso de calibración sobre un holdout limpio. En mi último modelo de fraude eso movió la estimación de pérdida esperada más que el propio cambio de modelo.