Calculadora de división train/test
Introduce el número de muestras y las proporciones de prueba y validación. La calculadora da los tamaños exactos —redondeados como lo hace scikit-learn—, el tamaño de los pliegues para la validación cruzada k-fold sobre los datos que no son de prueba y cuántos lotes (batches) tiene una época.
Funciona en tu navegador: nada de lo que escribes se envía a ningún sitio.
Cómo se usa
- Escribe el número de muestras.
- Escribe las proporciones de prueba y validación en porcentaje (0 si no hay validación).
- Escribe el número de pliegues y el tamaño del lote.
- Lee los tamaños de los conjuntos, de los pliegues y los lotes por época.
Fórmulas
- Prueba = ⌈N × proporción de prueba⌉, validación = ⌈N × proporción de validación⌉, entrenamiento = N − prueba − validación
- Conjunto para validación cruzada P = N − prueba
- Tamaños de pliegue ⌊P ÷ k⌋ y ⌈P ÷ k⌉; P mod k pliegues tienen el mayor
- Entrenamiento por ronda = P − tamaño del pliegue
- Lotes por época = ⌈entrenamiento ÷ tamaño del lote⌉; el último lote lleva el resto
Ejemplo
1000 muestras, 20 % de prueba, 10 % de validación, 5 pliegues y lotes de 32:
- prueba 200, validación 100, entrenamiento 700;
- conjunto para validación cruzada: 1000 − 200 = 800, así que cada uno de los 5 pliegues tiene 160 muestras y cada ronda entrena con 640;
- 700 ÷ 32 = 21,875, por lo que una época son 22 lotes y el último lleva 700 − 21 × 32 = 28 muestras.
Consejos
- Baraja antes de dividir y, en clasificación, usa una división estratificada para que cada conjunto mantenga las proporciones de clases.
- Divide por grupos cuando las muestras estén relacionadas —varias filas por paciente o usuario—, o la puntuación de prueba saldrá demasiado optimista.
- Si el último lote es diminuto, considera drop_last o un tamaño de lote que divida el entrenamiento de forma más pareja.
Preguntas frecuentes
¿Cómo se redondean los tamaños?
Como en train_test_split de scikit-learn: la prueba recibe su proporción redondeada hacia arriba, n_test = ⌈N × proporción⌉, y el entrenamiento se queda con el resto. La validación se redondea igual. Con 1234 muestras y un 25 % de prueba salen ⌈308,5⌉ = 309 de prueba y 925 de entrenamiento.
¿De qué tamaño es cada pliegue en k-fold?
P muestras repartidas en k pliegues dan pliegues de ⌊P ÷ k⌋ o ⌈P ÷ k⌉; como en KFold de scikit-learn, los primeros P mod k pliegues llevan una muestra más. 925 muestras en 10 pliegues son cinco pliegues de 93 y cinco de 92. En cada ronda se entrena con todos los pliegues menos uno.
¿Qué datos entran en la validación cruzada?
Todo salvo el conjunto de prueba: entrenamiento y validación juntos. La prueba no se toca hasta el final; la validación cruzada sustituye a la división fija de validación.
¿Qué proporción conviene usar?
80/20 o 70/15/15 son puntos de partida habituales para unos miles de muestras. Con millones, un 1–2 % para validación y prueba suele bastar. En conjuntos pequeños, la validación cruzada k-fold (k = 5 o 10) aprovecha mejor los datos que una única división.