División de datos (Train/Test Split)

Dividir los datos en entrenamiento y prueba es un paso esencial en cualquier proyecto de IA. Sin esta división, no puedes evaluar correctamente el rendimiento de tu modelo. En esta guía aprenderás cómo hacerlo con Scikit‑Learn y por qué es tan importante.

1. Qué es Train/Test Split

Train/Test Split es el proceso de dividir un dataset en dos partes:

• Train: datos para entrenar el modelo
• Test: datos para evaluar el modelo

# Ejemplo conceptual
80% → entrenamiento
20% → prueba

2. Por qué es necesario

Si entrenas y evalúas con los mismos datos, el modelo memoriza la información y no sabes si realmente generaliza.

• Evita overfitting
• Permite evaluar rendimiento real
• Simula datos nuevos

3. Cómo dividir datos con Scikit‑Learn

from sklearn.model_selection import train_test_split

X = df.drop(columns=["target"])
y = df["target"]

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

test_size=0.2 significa que el 20% de los datos se usan para prueba.

4. Proporciones recomendadas

• 80/20 → estándar
• 70/30 → datasets grandes
• 90/10 → datasets pequeños

5. División estratificada

En clasificación, es importante mantener la proporción de clases en train y test.

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, stratify=y
)

6. Ejercicios

# pista división
train_test_split(X, y, test_size=0.3)

# pista estratificada
stratify=y

7. Mini‑proyecto: División completa

Toma un dataset real y realiza:

• División 80/20
• División 70/30
• División estratificada
• Comparación de tamaños de train y test

Siguiente guía