# Conjuntos de Entrenamiento y Prueba
Semestre 01, 2026



## El problema

* Queremos construir un modelo que generalice  
* No basta con que funcione en los datos conocidos  
* Necesitamos medir desempeño en datos no vistos  



## Aprendizaje Supervisado

* Tenemos variables predictoras \(X\)  
* Tenemos una variable objetivo \(Y\)  
* Queremos aprender una función $$\(f(X) \rightarrow Y\) $$

El modelo aprende a partir de datos etiquetados.



## Riesgos

Si evaluamos el modelo con los mismos datos con los que entrenamos:

* Obtendremos resultados optimistas  
* No medimos generalización  
* Caemos en sobreajuste  



## División de datos

Dividimos el dataset en:

* Conjunto de entrenamiento  
* Conjunto de prueba  

Cada uno cumple un rol distinto.



## Conjunto de entrenamiento

* Se usa para ajustar el modelo  
* Permite estimar parámetros  
* Es donde el modelo “aprende”  



## Conjunto de prueba

* Se usa únicamente para evaluar  
* Simula datos nuevos  
* No participa en el entrenamiento  

Mide la capacidad de generalización.




## Esquema general

Datos totales  
→ Separación  
→ Entrenamiento  
→ Evaluación en prueba  




## Proporciones comunes

* 70% entrenamiento / 30% prueba  
* 80% entrenamiento / 20% prueba (no recomendado)
* Depende del tamaño del dataset



## Técnicas de muestreo


### Técnica 1: Muestreo Aleatorio Simple

* Selección aleatoria de observaciones
* Cada fila tiene la misma probabilidad
* No considera la variable objetivo


Desventaja:
Puede generar desbalance en las clases.


### Ejemplo

```r
numFilasTrain <- sample(nrow(iris), 0.7*nrow(iris))
train_iris <- iris[numFilasTrain,]
test_iris  <- iris[-numFilasTrain,]
```

Divide 70% entrenamiento
30% prueba


### Técnica 2: Muestreo Estratificado

* Se divide el dataset por clases (estratos)
* Se toma el mismo porcentaje de cada clase
* Mantiene la distribución original


Reduce riesgo de desbalance.


### Ejemplo

```r
setosas <- iris[iris$Species=="setosa",]
versicolors <- iris[iris$Species=="versicolor",]
virginicas <- iris[iris$Species=="virginica",]

numFilasTrainSetosa <- sample(nrow(setosas), 0.7*nrow(setosas))
```

Se repite para cada clase
Luego se combinan con `rbind()`


### Técnica 3: Reproducibilidad

* Controla la aleatoriedad
* Permite repetir exactamente la misma partición
* Fundamental para experimentos científicos


### Ejemplo

```r
set.seed(123)
sample(1:10,3)
```

Sin `set.seed()` → resultado distinto cada vez

Con `set.seed()` → mismo resultado siempre



## Error común

Evaluar sobre datos de entrenamiento.

Resultado:

* Métricas infladas  
* Modelo sobreajustado  
* Mala generalización  



## Data Leakage

* Información del conjunto de prueba se filtra al entrenamiento  
* Escalamiento hecho antes de dividir  
* Feature engineering mal aplicado  

Produce resultados irreales.



## Buenas prácticas

* Dividir antes de transformar  
* Mantener el test intacto  
* Usar validación cruzada cuando sea posible  
* Reportar métricas en datos no vistos