Conjuntos de Datos y Divisiones

Las divisiones de entrenamiento, validación y prueba definen lo que tu modelo ha visto durante el entrenamiento frente a lo que debe generalizar. Una división correcta es la base de una evaluación honesta.

Receta

Tarjeta de receta de referencia rápida, lista para copiar y pegar.

from sklearn.model_selection import train_test_split, StratifiedKFold, cross_val_score
 
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)
 
cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
scores = cross_val_score(model, X_train, y_train, cv=cv, scoring="f1_macro")

Cuándo usar esto:

Al iniciar cualquier proyecto de aprendizaje supervisado antes de ajustar preprocesadores o modelos.
Para comparar modelos de forma justa con validación cruzada solo en datos de entrenamiento.
Para manejar clases desequilibradas con divisiones estratificadas.
Para prevenir fugas cuando varias filas pertenecen al mismo usuario, sesión o ventana de tiempo.

Ejemplo de Trabajo

"""datasets_splits.py - flujo de trabajo de división sin fugas para clasificación tabular."""
from __future__ import annotations
 
import pandas as pd
from sklearn.datasets import load_breast_cancer
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
from sklearn.model_selection import StratifiedKFold, cross_val_score, train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
 
# Cargar e inspeccionar
data = load_breast_cancer(as_frame=True)
X: pd.DataFrame = data.data
y: pd.Series = data.target
 
# 1) Reservar el conjunto de prueba final (nunca se usa durante la selección del modelo)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)
 
# 2) Construir el pipeline - ajustar solo en los pliegues de entrenamiento dentro de CV
pipe = Pipeline([
    ("scaler", StandardScaler()),
    ("clf", RandomForestClassifier(n_estimators=100, random_state=42)),
])
 
cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
cv_scores = cross_val_score(pipe, X_train, y_train, cv=cv, scoring="f1")
print(f"CV F1: {cv_scores.mean():.3f} +/- {cv_scores.std():.3f}")
 
# 3) Ajuste final en todos los datos de entrenamiento, evaluar una vez en la prueba
pipe.fit(X_train, y_train)
print(classification_report(y_test, pipe.predict(X_test)))

Lo que esto demuestra:

Un conjunto de prueba bloqueado evaluado solo después de que se completa la selección del modelo.
Validación cruzada en datos de entrenamiento para estimaciones de rendimiento estables.
Preprocesamiento dentro de un pipeline para que cada pliegue de CV ajuste el escalador de forma independiente.
División estratificada para mantener el equilibrio de clases en los pliegues.

Inmersión Profunda

Cómo Funciona

Conjunto de entrenamiento ajusta los parámetros del modelo y las estadísticas de preprocesamiento.
Pliegues de validación/CV ajustan hiperparámetros y comparan arquitecturas sin tocar el conjunto de prueba.
Conjunto de prueba proporciona una única estimación imparcial de la generalización después de que se toman todas las decisiones.
Estratificación muestrea cada clase proporcionalmente en cada división, crucial para datos desequilibrados.
Divisiones por grupos mantienen filas relacionadas (mismo paciente, usuario o día) en una sola partición.

Estrategias de División

Estrategia	Usar Cuándo	API de sklearn
División aleatoria	Filas IID, clases balanceadas	`train_test_split`
División estratificada	Clasificación con clases raras	`stratify=y`
División basada en tiempo	Predicción, deriva temporal	`TimeSeriesSplit`
División por grupos	Múltiples filas por entidad	`GroupKFold`, `GroupShuffleSplit`
CV anidada	Ajuste de hiperparámetros imparcial	`GridSearchCV` dentro de CV externa

Notas de Python

from sklearn.model_selection import TimeSeriesSplit, GroupKFold
 
# Series temporales: siempre entrenar con el pasado, probar con el futuro
tscv = TimeSeriesSplit(n_splits=5)
 
# Grupos: el mismo group_id nunca está en entrenamiento ni en prueba
gkf = GroupKFold(n_splits=5)
for train_idx, val_idx in gkf.split(X, y, groups=group_ids):
    ...

Trampas Comunes

Preprocesamiento antes de la división - ajustar un escalador en todo el conjunto de datos filtra estadísticas de prueba en el entrenamiento. Solución: dividir primero, o envolver transformaciones en un Pipeline.
Ajuste en el conjunto de prueba - ejecutar búsqueda en cuadrícula y elegir el mejor modelo usando puntuaciones de prueba infla las métricas. Solución: usar CV en datos de entrenamiento; evaluar al ganador una vez en la prueba.
Ignorar el desequilibrio de clases - las divisiones aleatorias pueden dejar clases raras fuera de los pliegues de entrenamiento. Solución: usar stratify=y o estrategias de remuestreo.
Barajar series temporales - las divisiones aleatorias mezclan datos futuros en el entrenamiento para problemas temporales. Solución: usar TimeSeriesSplit o divisiones basadas en corte.
Entidades duplicadas entre divisiones - múltiples filas por usuario tanto en entrenamiento como en prueba inflan las puntuaciones. Solución: dividir por group_id, no por fila.
Conjuntos de prueba pequeños - alta varianza en métricas con pocas muestras de prueba. Solución: aumentar el tamaño de la prueba o usar CV repetida e informar intervalos de confianza.

Alternativas

Alternativa	Usar Cuándo	No Usar Cuándo
División única de entrenamiento/prueba	Conjuntos de datos grandes, iteración rápida	Datos pequeños donde la varianza de la división es alta
Validación cruzada K-fold	Comparación de modelos, datos limitados	Datos muy grandes donde una división es suficiente
Retención + conjunto de validación	Aprendizaje profundo con ejecuciones de entrenamiento largas	Necesitas muchas pruebas de hiperparámetros (usa CV)
Bootstrap / CV repetida	Métricas inestables en datos pequeños	El costo de entrenamiento por pliegue es prohibitivo

Preguntas Frecuentes

¿Qué tan grande debe ser mi conjunto de prueba?

El 20% es un valor predeterminado común para conjuntos de datos con miles de filas.
Con menos de 500 filas, prefiere la validación cruzada sobre una gran retención de prueba.
Ajusta el tamaño de la prueba al recuento mínimo por clase que necesitas para métricas fiables.

¿Cuándo necesito un conjunto de validación separado si ya uso validación cruzada?

La CV en datos de entrenamiento es suficiente para la mayoría de los ajustes de hiperparámetros de ML clásico.
Un conjunto de validación dedicado ayuda cuando cada ejecución de entrenamiento es costosa (aprendizaje profundo).
Nunca uses el conjunto de prueba como conjunto de validación.

¿Qué hace stratify=y?

train_test_split(X, y, stratify=y)  # preserva las proporciones de clase en ambas particiones

Cada clase aparece en entrenamiento y prueba en aproximadamente la misma proporción que el conjunto de datos completo.
Esencial cuando cualquier clase está por debajo del 5% de las filas.

¿Puedo barajar datos de series temporales antes de dividirlos?

No - barajar filtra información futura en el entrenamiento.
Usa divisiones cronológicas o TimeSeriesSplit.
La validación de avance (walk-forward validation) es el análogo en producción.

¿Cómo funcionan las divisiones por grupos?

Pasa un array groups con un ID por fila (user_id, patient_id).
GroupKFold asegura que todas las filas de un grupo caigan en el mismo pliegue.
Evita que el modelo memorice patrones específicos de la entidad que no generalizarán.

¿Qué es la validación cruzada anidada?

La CV externa estima la generalización; la CV interna ajusta los hiperparámetros.
Imparcial pero computacionalmente costosa.
Úsala cuando se requiera una evaluación de calidad de publicación.

¿Debería establecer random_state?

Sí - random_state=42 (cualquier entero fijo) hace que las divisiones sean reproducibles.
Documenta la semilla en los registros de experimentos.
Diferentes semillas ayudan al análisis de sensibilidad en conjuntos de datos pequeños.

¿Cómo divido un DataFrame de pandas ya cargado?

train, test = train_test_split(df, test_size=0.2, stratify=df["label"])
X_train, y_train = train["features"], train["label"]

Divide el DataFrame primero, luego extrae X e y.
Mantiene los índices de fila alineados entre características y etiquetas.

¿Qué es la fuga de datos en el contexto de las divisiones?

Cualquier información de los datos de prueba que influya en las decisiones de entrenamiento.
Fuentes comunes: escalado global, selección de características en datos completos, entidades duplicadas.
Los pipelines y el orden de división adecuado previenen la mayoría de las fugas.

¿Cuándo no es suficiente cross_val_score?

Cuando necesitas predicciones por pliegue para calibración o análisis de errores.
Usa cross_val_predict en su lugar, todavía solo en datos de entrenamiento.
Para métricas finales, ajusta en todo el conjunto de entrenamiento y predice la prueba una vez.

¿Cómo manejo múltiples columnas objetivo?

Los problemas de salida múltiple necesitan MultiOutputClassifier o modelos separados por objetivo.
La estratificación funciona en una única columna de etiquetas - agrupa etiquetas combinadas o estratifica el objetivo principal.

¿Puedo reutilizar el conjunto de prueba en diferentes proyectos?

Sí, si el conjunto de prueba se mantiene verdaderamente reservado y nunca se usa para ningún ajuste.
Documenta que el conjunto de prueba está bloqueado y compartido entre experimentos.
Considera un nuevo conjunto de prueba para cambios importantes en la distribución de datos.

Relacionado

Ingeniería de Características - codificación después de dividir
Pipelines - preprocesamiento sin fugas dentro de CV
Evaluación de Modelos - métricas en datos retenidos
Datos Desequilibrados - divisiones estratificadas y remuestreadas
Ajuste de Hiperparámetros - búsqueda dentro de pliegues de CV

Versiones de Stack: Esta página fue escrita para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+, y uv 0.6+.

Conjuntos de Datos y Divisiones

Receta

Tarjeta de receta de referencia rápida, lista para copiar y pegar.

from sklearn.model_selection import train_test_split, StratifiedKFold, cross_val_score
 
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)
 
cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
scores = cross_val_score(model, X_train, y_train, cv=cv, scoring="f1_macro")

Cuándo usar esto:

Al iniciar cualquier proyecto de aprendizaje supervisado antes de ajustar preprocesadores o modelos.
Para comparar modelos de forma justa con validación cruzada solo en datos de entrenamiento.
Para manejar clases desequilibradas con divisiones estratificadas.
Para prevenir fugas cuando varias filas pertenecen al mismo usuario, sesión o ventana de tiempo.

Ejemplo de Trabajo

"""datasets_splits.py - flujo de trabajo de división sin fugas para clasificación tabular."""
from __future__ import annotations
 
import pandas as pd
from sklearn.datasets import load_breast_cancer
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
from sklearn.model_selection import StratifiedKFold, cross_val_score, train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
 
# Cargar e inspeccionar
data = load_breast_cancer(as_frame=True)
X: pd.DataFrame = data.data
y: pd.Series = data.target
 
# 1) Reservar el conjunto de prueba final (nunca se usa durante la selección del modelo)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)
 
# 2) Construir el pipeline - ajustar solo en los pliegues de entrenamiento dentro de CV
pipe = Pipeline([
    ("scaler", StandardScaler()),
    ("clf", RandomForestClassifier(n_estimators=100, random_state=42)),
])
 
cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
cv_scores = cross_val_score(pipe, X_train, y_train, cv=cv, scoring="f1")
print(f"CV F1: {cv_scores.mean():.3f} +/- {cv_scores.std():.3f}")
 
# 3) Ajuste final en todos los datos de entrenamiento, evaluar una vez en la prueba
pipe.fit(X_train, y_train)
print(classification_report(y_test, pipe.predict(X_test)))

Lo que esto demuestra:

Un conjunto de prueba bloqueado evaluado solo después de que se completa la selección del modelo.
Validación cruzada en datos de entrenamiento para estimaciones de rendimiento estables.
Preprocesamiento dentro de un pipeline para que cada pliegue de CV ajuste el escalador de forma independiente.
División estratificada para mantener el equilibrio de clases en los pliegues.

Inmersión Profunda

Cómo Funciona

Conjunto de entrenamiento ajusta los parámetros del modelo y las estadísticas de preprocesamiento.
Pliegues de validación/CV ajustan hiperparámetros y comparan arquitecturas sin tocar el conjunto de prueba.
Conjunto de prueba proporciona una única estimación imparcial de la generalización después de que se toman todas las decisiones.
Estratificación muestrea cada clase proporcionalmente en cada división, crucial para datos desequilibrados.
Divisiones por grupos mantienen filas relacionadas (mismo paciente, usuario o día) en una sola partición.

Estrategias de División

Estrategia	Usar Cuándo	API de sklearn
División aleatoria	Filas IID, clases balanceadas	`train_test_split`
División estratificada	Clasificación con clases raras	`stratify=y`
División basada en tiempo	Predicción, deriva temporal	`TimeSeriesSplit`
División por grupos	Múltiples filas por entidad	`GroupKFold`, `GroupShuffleSplit`
CV anidada	Ajuste de hiperparámetros imparcial	`GridSearchCV` dentro de CV externa

Notas de Python

from sklearn.model_selection import TimeSeriesSplit, GroupKFold
 
# Series temporales: siempre entrenar con el pasado, probar con el futuro
tscv = TimeSeriesSplit(n_splits=5)
 
# Grupos: el mismo group_id nunca está en entrenamiento ni en prueba
gkf = GroupKFold(n_splits=5)
for train_idx, val_idx in gkf.split(X, y, groups=group_ids):
    ...

Trampas Comunes

Preprocesamiento antes de la división - ajustar un escalador en todo el conjunto de datos filtra estadísticas de prueba en el entrenamiento. Solución: dividir primero, o envolver transformaciones en un Pipeline.
Ajuste en el conjunto de prueba - ejecutar búsqueda en cuadrícula y elegir el mejor modelo usando puntuaciones de prueba infla las métricas. Solución: usar CV en datos de entrenamiento; evaluar al ganador una vez en la prueba.
Ignorar el desequilibrio de clases - las divisiones aleatorias pueden dejar clases raras fuera de los pliegues de entrenamiento. Solución: usar stratify=y o estrategias de remuestreo.
Barajar series temporales - las divisiones aleatorias mezclan datos futuros en el entrenamiento para problemas temporales. Solución: usar TimeSeriesSplit o divisiones basadas en corte.
Entidades duplicadas entre divisiones - múltiples filas por usuario tanto en entrenamiento como en prueba inflan las puntuaciones. Solución: dividir por group_id, no por fila.
Conjuntos de prueba pequeños - alta varianza en métricas con pocas muestras de prueba. Solución: aumentar el tamaño de la prueba o usar CV repetida e informar intervalos de confianza.

Alternativas

Alternativa	Usar Cuándo	No Usar Cuándo
División única de entrenamiento/prueba	Conjuntos de datos grandes, iteración rápida	Datos pequeños donde la varianza de la división es alta
Validación cruzada K-fold	Comparación de modelos, datos limitados	Datos muy grandes donde una división es suficiente
Retención + conjunto de validación	Aprendizaje profundo con ejecuciones de entrenamiento largas	Necesitas muchas pruebas de hiperparámetros (usa CV)
Bootstrap / CV repetida	Métricas inestables en datos pequeños	El costo de entrenamiento por pliegue es prohibitivo

Preguntas Frecuentes

¿Qué tan grande debe ser mi conjunto de prueba?

El 20% es un valor predeterminado común para conjuntos de datos con miles de filas.
Con menos de 500 filas, prefiere la validación cruzada sobre una gran retención de prueba.
Ajusta el tamaño de la prueba al recuento mínimo por clase que necesitas para métricas fiables.

¿Cuándo necesito un conjunto de validación separado si ya uso validación cruzada?

La CV en datos de entrenamiento es suficiente para la mayoría de los ajustes de hiperparámetros de ML clásico.
Un conjunto de validación dedicado ayuda cuando cada ejecución de entrenamiento es costosa (aprendizaje profundo).
Nunca uses el conjunto de prueba como conjunto de validación.

¿Qué hace stratify=y?

train_test_split(X, y, stratify=y)  # preserva las proporciones de clase en ambas particiones

Cada clase aparece en entrenamiento y prueba en aproximadamente la misma proporción que el conjunto de datos completo.
Esencial cuando cualquier clase está por debajo del 5% de las filas.

¿Puedo barajar datos de series temporales antes de dividirlos?

No - barajar filtra información futura en el entrenamiento.
Usa divisiones cronológicas o TimeSeriesSplit.
La validación de avance (walk-forward validation) es el análogo en producción.

¿Cómo funcionan las divisiones por grupos?

Pasa un array groups con un ID por fila (user_id, patient_id).
GroupKFold asegura que todas las filas de un grupo caigan en el mismo pliegue.
Evita que el modelo memorice patrones específicos de la entidad que no generalizarán.

¿Qué es la validación cruzada anidada?

La CV externa estima la generalización; la CV interna ajusta los hiperparámetros.
Imparcial pero computacionalmente costosa.
Úsala cuando se requiera una evaluación de calidad de publicación.

¿Debería establecer random_state?

Sí - random_state=42 (cualquier entero fijo) hace que las divisiones sean reproducibles.
Documenta la semilla en los registros de experimentos.
Diferentes semillas ayudan al análisis de sensibilidad en conjuntos de datos pequeños.

¿Cómo divido un DataFrame de pandas ya cargado?

train, test = train_test_split(df, test_size=0.2, stratify=df["label"])
X_train, y_train = train["features"], train["label"]

Divide el DataFrame primero, luego extrae X e y.
Mantiene los índices de fila alineados entre características y etiquetas.

¿Qué es la fuga de datos en el contexto de las divisiones?

Cualquier información de los datos de prueba que influya en las decisiones de entrenamiento.
Fuentes comunes: escalado global, selección de características en datos completos, entidades duplicadas.
Los pipelines y el orden de división adecuado previenen la mayoría de las fugas.

¿Cuándo no es suficiente cross_val_score?

Cuando necesitas predicciones por pliegue para calibración o análisis de errores.
Usa cross_val_predict en su lugar, todavía solo en datos de entrenamiento.
Para métricas finales, ajusta en todo el conjunto de entrenamiento y predice la prueba una vez.

¿Cómo manejo múltiples columnas objetivo?

Los problemas de salida múltiple necesitan MultiOutputClassifier o modelos separados por objetivo.
La estratificación funciona en una única columna de etiquetas - agrupa etiquetas combinadas o estratifica el objetivo principal.

¿Puedo reutilizar el conjunto de prueba en diferentes proyectos?

Sí, si el conjunto de prueba se mantiene verdaderamente reservado y nunca se usa para ningún ajuste.
Documenta que el conjunto de prueba está bloqueado y compartido entre experimentos.
Considera un nuevo conjunto de prueba para cambios importantes en la distribución de datos.

Relacionado

Ingeniería de Características - codificación después de dividir
Pipelines - preprocesamiento sin fugas dentro de CV
Evaluación de Modelos - métricas en datos retenidos
Datos Desequilibrados - divisiones estratificadas y remuestreadas
Ajuste de Hiperparámetros - búsqueda dentro de pliegues de CV

Versiones de Stack: Esta página fue escrita para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+, y uv 0.6+.

Conjuntos de Datos y Divisiones

Buscar en la documentación

Conjuntos de Datos y Divisiones