Detectar desbalance de clases

Te estás centrando en la fase preliminar clave del ciclo de vida de Machine Learning: Análisis Exploratorio de Datos (EDA).

El EDA te permite comprender mejor la naturaleza del conjunto de datos heart_disease_df, incluidas las relaciones entre variables y los posibles problemas que conviene abordar antes de entrenar tu modelo. Entender la distribución de clases en tus características —por ejemplo, el sexo de los pacientes— es una parte fundamental del EDA.

El desbalance de clases, donde una clase tiene significativamente más muestras que otra, puede sesgar el proceso de entrenamiento de tu modelo, haciendo que favorezca a la clase mayoritaria.