Definir la unidad de predicción
Este procedimiento entrega archivos de entrenamiento, validación y prueba revisados para un experimento de clasificación, no un modelo ni una certificación de ausencia de sesgo. Define qué representa una observación y qué información existiría al predecir. Usuarios, pacientes, hogares o documentos relacionados no se vuelven independientes por ocupar filas distintas. Si necesitas separar grupos o respetar el tiempo, usa otro método: este divisor no tiene esos controles.
Confirma autorización y conserva una correspondencia controlada con las fuentes. Revisa etiquetas vacías, variantes ortográficas y recuentos. No aceptes una etiqueta ausente como clase nueva. Valida el CSV antes de dividir: el lector puede completar filas cortas y recortar celdas que exceden el encabezado. Resuelve encabezados ambiguos y filas dañadas; exportar correctamente no prueba que todos los valores sobrevivieron.
Para contar clases, usa con el agrupador una tabla simple de una columna de etiquetas ya verificada, no texto multilínea ni etiquetas con delimitadores entre comillas. Su lector es básico; si las etiquetas necesitan reglas CSV complejas, utiliza un lector externo adecuado y concilia totales. No cambies ni fusiones etiquetas para acomodar el lector.
Resolver duplicados manteniendo trazabilidad
Selecciona características y etiqueta, conservando una clave de registro fuera de las variables predictivas o una correspondencia externa autorizada. Para buscar duplicados, compara contenido relevante en una copia sin que los ID únicos oculten igualdad, pero mantén el vínculo con cada original. La deduplicación elimina filas; nunca la ejecutes sobre el único original ni aceptes coincidencias difusas sin revisión.
Una medición repetida puede ser legítima y exigir otro tipo de división. Etiquetas contradictorias para el mismo contenido requieren adjudicación, no eliminar una al azar. Documenta copias accidentales retiradas y claves conservadas. No ajustes imputación, escalado, selección de variables o balanceo con todos los datos: las transformaciones aprendidas se ajustan solo en entrenamiento.
Congelar la asignación real
Registra hash de la entrada exacta, orden, campos, objetivo, versión de herramienta, modo, porcentajes, semilla y opciones de mezcla y estratificación. La semilla no basta si cambia el archivo o la implementación; no garantiza miembros idénticos a scikit-learn. En modo estándar, prueba recibe el porcentaje restante tras entrenamiento y validación. Revisa cantidades enteras, no solo proporciones solicitadas.
Con 100 observaciones independientes y clases de 80 y 20, un plan 70/15/15 puede repartir la clase menor en 14/3/3. Dos ejemplos no pueden cubrir tres subconjuntos. No fusiones etiquetas distintas ni desactives estratificación para eliminar advertencias. En k-fold, los conjuntos de entrenamiento se solapan entre pliegues por diseño, pero cada pareja debe aislar sus miembros de validación. No se genera una prueba final independiente.
Conciliar miembros y conservar evaluación intacta
Inspecciona el ZIP: en modo estándar contiene train.csv, validation.csv, test.csv y split_report.json. Recuenta clases y compara claves con la entrada aprobada; cada original elegible debe aparecer una sola vez entre los tres subconjuntos. El control integrado compara filas enteras: ID distintos o pequeños cambios pueden ocultar contenido equivalente. Revisa además entidades, casi copias e información derivada del futuro. El JSON no contiene un registro completo de pertenencia o fugas: conserva también avisos visibles y comprobaciones externas.
Usa el analizador de desequilibrio solo sobre una copia de entrenamiento y, en validación cruzada, dentro de cada pliegue de entrenamiento. SMOTE aquí es una vista de características numéricas, no añade ejemplos a los CSV. Un ID o código entero no es una variable continua válida por ser numérico. Mantén evaluación intacta y registra cualquier remuestreo como experimento separado. Valida y calcula hashes de los archivos finales, guarda copias locales, aprobación y riesgos pendientes, y excluye las claves del modelo. Cambiar datos, orden u opciones exige otra revisión; la limpieza general y el análisis estadístico siguen en los flujos relacionados.