Una clase positiva poco frecuente puede quedar escondida detrás de una exactitud alta. Los pesos de clase cambian cuánto contribuyen los errores de entrenamiento a la pérdida; un umbral de decisión cambia qué probabilidades ajustadas entran en la cola de revisión. Son decisiones distintas. Ajustarás un pipeline con pesos, aplicarás un umbral de validación y calcularás la sensibilidad con la clase positiva como evento. Una cola vacía necesita una convención de precisión declarada porque no hay ningún positivo predicho entre el que dividir. Mantén el conjunto de prueba fuera de la elección del umbral. En una revisión real de fraude importan tanto la detección como la carga de trabajo, así que una puntuación del modelo no puede elegir por sí sola la política de funcionamiento.
Los pesos equilibrados aumentan la contribución de la clase menos frecuente al entrenamiento sin duplicar observaciones de prueba.