INTRODUCCIÓN

Los bancos de germoplasma vegetal son pilares fundamentales para la conservación de la diversidad genética, esenciales para enfrentar desafíos globales como el cambio climático, la seguridad alimentaria y la pérdida de biodiversidad (FAO, 2020). Sin embargo, su utilidad depende críticamente de la calidad de los datos y el balance de clases asociados a las accesiones, que incluyen atributos morfológicos, fisiológicos y geográficos. Problemas como valores faltantes, inconsistencias o desbalance de clases comprometen la confiabilidad de los análisis, limitando su aplicabilidad en programas de fitomejoramiento o conservación (Singh et al., 2023Singh, R.; S. Kumar and P. Sharma. 2023. Data quality challenges in germplasm banks: A review. Journal of Agricultural Informatics, 14(2): 45-67.
).

La calidad de los datos se evalúa mediante tres métricas clave: completitud (proporción de datos no faltantes), consistencia (ausencia de contradicciones en las reglas generadas) y precisión (relación entre aproximaciones inferior y superior). La Teoría de Conjuntos Aproximados (RST), propuesta por Pawlak (1982)Pawlak, Z. 1982. Rough sets. International Journal of Computer & Information Sciences, 11(5): 341-356. DOI: https://doi.org/10.1007/BF01001956.
, sigue siendo la base para el manejo de incertidumbre en ciencia de datos. Esta permite abordar estos desafíos mediante aproximaciones inferiores (objetos clasificables con certeza) y superiores (objetos clasificables con ambigüedad), cuantificando la solidez de las reglas mediante el índice de calidad de aproximación. Durante la última década se han desarrollado variantes que amplían su potencia explicativa. Por ejemplo, las revisiones sistemáticas sobre selección de características confirman que los reductos aproximados siguen siendo competitivos frente a métodos wrapper modernos (Alves et al., 2025Alves Júnior, J.G.V.; N.F. Leite; J.B. Guimarães; J.A.L. Marques; S.S. Ribeiro; A.R.D. Alexandria. 2025. Rough Set Theory Applied to Feature Selection. In: Zhang, Q., et al. (Eds.), Rough Sets. IJCRS 2025. Lecture Notes in Computer Science (LNAI), vol 15709. Springer, Cham. pp. 91-107. https://doi.org/10.1007/978-3-031-92744-7_7.
). Modelos distribuidos recientes reducen el costo computacional en grandes volúmenes de datos (Sudha et al., 2024Sudha, D. and M. Krishnamurthy. 2024. A fuzzy rough set-based horse herd optimization algorithm for Map Reduce framework for customer behavior data. Knowledge and Information Systems, 66, 4721-4753. https://doi.org/10.1007/s10115-024-02105-7
).

Por otro lado, el desbalance multiclase es un problema crítico en el aprendizaje automático que distorsiona la capacidad predictiva de los modelos, especialmente en dominios donde las clases minoritarias tienen implicaciones de alto impacto, como en la detección de especies en peligro de extinción (García et al., 2021García, V.; J. Sánchez; R. Mollineda and F. Herrera. 2021. Learning from imbalanced data in species distribution modeling. Ecological Informatics, 64:101365. DOI: 10.1016/j.ecoinf.2021.101365.
). Las métricas tradicionales, como el F1-score, carecen de sensibilidad contextual y omiten interacciones entre clases intermedias, limitando su aplicabilidad en contextos multiclase (Branco et al., 2020Branco, P.; L. Torgo and R. Ribeiro. 2016. A survey of predictive modeling on imbalanced domains. ACM Computing Surveys, 49(2): 31. DOI: https://doi.org/10.1145/2907070.
).

Para abordar estas brechas, este trabajo adopta métricas como la entropía y el coeficiente de variación, adaptadas para cuantificar la concentración de muestras en clases.

Este estudio se enfoca en evaluar la calidad de los datos mediante métricas RST (completitud, consistencia, precisión) y el desbalance de clases en un conjunto de datos de germoplasma de malanga (Xanthosoma spp.).

MATERIALES Y MÉTODOS

RESULTADOS Y DISCUSIÓN

CONCLUSIONES

BIBLIOGRAFÍA

ANEXO

# Función mejorada para verificar el balanceo de clases

verificar_balanceo<- function(datos, columna_decision) {

# 1. Extracción y preparación de la variable objetivo

objetivo <- datos[[columna_decision]]

objetivo <- as.factor(as.character(objetivo))

frecuencias <- table(objetivo)

proporciones <- prop.table(frecuencias)

n_clases <- length(frecuencias)

# ---- Métricas de balanceo ----

# 2. Ratio de desbalance clásico (mayor clase vs menor clase)

ratio_desbalance <- max(frecuencias) / min(frecuencias)

# 3. Entropía normalizada (mide la uniformidad de la distribución)

entropia <- -sum(proporciones * log(proporciones + 1e-10)) # Evita log(0)

indice_balance <- ifelse(n_clases > 1, entropia / log(n_clases), 0) # Corrección

# 4. Coeficiente de Variación (CV): Desviación estándar relativa a la media

cv <- sd(proporciones) / mean(proporciones)

# ---- Visualización (con ggplot2) ----

if (require(ggplot2)) {

library(ggplot2) # Asegura que ggplot2 esté cargado

plot <- ggplot(data.frame(Clase = names(frecuencias),

Frecuencia = as.numeric(frecuencias)),

aes(x = Clase, y = Frecuencia, fill = Clase)) +

geom_bar(stat = "identity") +

geom_text(aes(label = Frecuencia), vjust = -0.5) +

labs(title = "Distribución de clases",

subtitle = "Frecuencia") + # Corrección typo

theme_minimal()

print(plot)

} else {

warning("ggplot2 no está instalado. Ejecuta install.packages('ggplot2') para ver la visualización.")

}

# ---- Interpretación del balanceo (basada en el índice) ----

interpretacion <- ifelse(indice_balance > 0.7, "Balanceado",

ifelse(indice_balance > 0.4, "Moderadamente desbalanceado",

"Desbalanceado"))

# ---- Retorno de resultados ----

return(list(

clases = n_clases,

distribucion = frecuencias,

proporcion = round(proporciones, 3),

ratio_desbalance = round(ratio_desbalance, 1),

indice_balance = round(indice_balance, 2),

coeficiente_variacion = round(cv, 2),

interpretacion = interpretacion

))

}

# ---- EJEMPLO DE USO ----

# Asegúrate de que ' dataframe ' y ' species ' existan en tu entorno de R

if (exists("germoplasma") && "species" %in% colnames(germoplasma)) {

resultado <- verificar_balanceo(germoplasma, "species")

# Imprime los resultados

cat("=== ANÁLISIS DE BALANCEO DE CLASES ===\n")

cat("Número de clases identificadas:", resultado$clases, "\n")

cat("Distribución absoluta de clases:\n")

print(resultado$distribucion)

cat("\nDistribución relativa de clases:\n")

print(resultado$proporcion)

cat("\n--- Métricas de Balanceo --- \n")

cat(" * Ratio de desbalance (mayor/menor):", resultado$ratio_desbalance, "\n")

cat(" * Índice de Balanceo (entropía normalizada):", resultado$indice_balance, "\n")

cat(" * Coeficiente de Variación:", resultado$coeficiente_variacion, "\n")

cat("\nInterpretación general:", resultado$interpretacion, "\n")

} else {

cat("Error: El dataframe 'germoplasma' no existe o no contiene la columna 'especie'.\n")

}