# Métricas de Evaluación de Datasets

Los Dataset Evaluation Metrics proporcionan una forma principista de juzgar si un dataset es apto para una tarea de machine learning o data science determinada. Abarcan (a) estadísticas descriptivas para resumir distribuciones, tendencia central y dispersión; (b) métricas de data quality que evalúan la exactitud, completitud y consistencia; (c) métricas de dataset complexity que describen la escala y estructura de los datos; y (d) métricas de class balance que revelan la distribución entre las target labels. La práctica moderna también requiere atención explícita a bias y fairness, riesgo de data leakage, consideraciones de privacy, y evaluación alineada con la tarea (task-aligned evaluation). Este registro expande las categorías tradicionales con estadísticas descriptivas mejoradas (incluyendo skewness, kurtosis, range, e interquartile range), tratamiento explícito de missing values y outliers, y guía práctica sobre umbrales de reporting e interpretación. También aclara las elecciones de terminología (metrics vs measures) y destaca posibles brechas conceptuales como bias, representatividad y leakage que pueden socavar el rendimiento downstream si se ignoran. Las cuatro categorías principales se describen en detalle a continuación, seguidas de políticas para reporting, replication e interpretación, además de un glosario conciso de términos relacionados.