Zero-inflated model

Es un modelo estadístico diseñado para manejar datos donde la cantidad de ceros es notablemente alta, superando lo que se esperaría bajo una distribución convencional.

Se utiliza para analizar datos con exceso de ceros al asumir que existen al menos dos procesos subyacentes: uno que genera ceros y otro que genera tanto ceros como valores positivos.

En el contexto del machine learning, se emplea para mejorar la precisión de las predicciones cuando los datos tienen esta característica, como en conteos de eventos raros o fenómenos con frecuentes ausencias.

Este enfoque combina un modelo binario, que predice la probabilidad de ocurrencia de ceros, y un modelo de conteo, que predice los valores no negativos, ajustando ambos de manera conjunta.

Su aplicación es común en problemas donde los datos tienden a agruparse alrededor del cero, como la predicción de eventos raros, conteos de incidencias o datos de salud.