Conjunto de datos
Sinónimos: Dataset
Definición ampliada
Un conjunto de datos, o dataset, es una colección delimitada de observaciones: imágenes, textos, señales, mediciones o registros, junto con las variables y etiquetas que los describen. En IA puede servir para entrenamiento, validación, prueba o análisis, funciones que conviene mantener separadas.
Los datos no son solo archivos. Su significado depende de cómo se obtuvieron, qué población representan, qué transformaciones recibieron y para qué usos se consideran apropiados.
Contexto histórico
Las colecciones de ejemplos han acompañado al reconocimiento estadístico de patrones desde sus orígenes. La expansión del aprendizaje profundo se apoyó en recursos de mayor escala y tareas comparables; ImageNet, presentado en 2009, organizó millones de imágenes en una jerarquía compartida [1].
Importancia actual
A fecha de septiembre de 2026, la procedencia y la documentación del conjunto son parte del resultado técnico. Las fichas de datos propuestas por Gebru y colaboradores registran motivación, composición, recogida, usos previstos y limitaciones para que los consumidores puedan juzgar su idoneidad [2].
Aplicaciones
Generales
- Entrenar un clasificador con ejemplos etiquetados.
- Comparar modelos sobre un conjunto de prueba mantenido aparte.
- Explorar grupos o tendencias sin una variable objetivo.
Sanitarias
- Estudiar datos clínicos desidentificados con una procedencia definida, como la base de cuidados críticos MIMIC-III [3].
- Evaluar un sistema de imagen médica sobre centros y equipos distintos de los usados para entrenarlo.
- Documentar consentimiento, criterios de inclusión, codificación y ausencias antes de reutilizar registros asistenciales.
Limitaciones
- Una muestra grande puede seguir siendo poco representativa de la población de uso.
- Las etiquetas incorporan errores, desacuerdos y decisiones de quien las creó.
- Mezclar personas o episodios entre entrenamiento y prueba produce fuga de información y una evaluación demasiado optimista.
- Los cambios de centro, tiempo, dispositivo o práctica clínica pueden alterar la distribución.
- La desidentificación reduce riesgos, pero no convierte cualquier reutilización en legítima ni elimina toda posibilidad de reidentificación.
Ejemplos
Un conjunto de radiografías puede incluir la imagen, la fecha, el equipo y una etiqueta derivada del informe. Si imágenes de la misma persona aparecen en entrenamiento y prueba, el rendimiento medido puede reflejar esa dependencia en lugar de generalización a pacientes nuevos.