En el área de las ciencias materiales tradicionalmente se investiga mediante la prueba y error experimental en laboratorio, consumiendo una considerable cantidad de tiempo, recursos e inversiones. Actualmente, entre los materiales más investigados, se destacan las perovskitas por ser una promesa en el desarrollo de paneles solares. Sin embargo, su síntesis por formación de cristales es un proceso químico complejo y poco frecuente, aún se desconocen las condiciones experimentales que producen una síntesis exitosa.

En este contexto, existen trabajos que han demostrado que es posible desarrollar modelos de predicción de cristalización de perovskitas empleando técnicas de aprendizaje automático. No obstante, desde un punto de vista metodológico, estos modelos se han realizado sin considerar las características que conlleva usar datos experimentales, como por ejemplo, la cantidad acotada de datos, el desbalance entre experimentaciones en donde efectivamente cristaliza, los sesgos en la recolección de los datos, entre otros.

En este trabajo realizamos un estudio sobre la evaluación de modelos predictivos frente a errores en la recolección y muestreo de datos experimentales. Para ello estudiamos cómo se ven afectadas tradicionales métricas de evaluación -mediante matrices de confusión sintéticas- al usar conjunto de datos chicos y desbalanceados. Consideramos una evaluación basada en una representación bidimensional de métricas y definimos categorías de performance esperadas de los sistemas predictivos finales para poder valorar mejor su utilidad. Por último, aplicamos este mecanismo para estudiar en particular modelos de ensambles, pudiendo analizar qué estimadores generan un ensamble superador a los modelos individuales de un único estimador. Además, al estudiar ensambles heterogéneos concluimos que combinar modelos especializados por clase permite generar ensambles superadores con mejor desempeño.