Preprocesamiento de datos desbalanceados

Crea un archivo .ipynb desde cero que realice lo siguiente:

1. Genera un dataset desbalanceado utilizando la función make_classification de Scikit-Learn, donde una clase represente aproximadamente el 90 % de las muestras y la otra el 10 %.
2. Divide el dataset en conjuntos de entrenamiento y prueba utilizando train_test_split, asegurándote de que la partición se realice de manera estratificada (usando el parámetro stratify) y fija una semilla con random_state (por ejemplo, 42) para la reproducibilidad.
3. Entrena un modelo de clasificación (por ejemplo, RandomForestClassifier) configurado con el parámetro class_weight='balanced' para mitigar el desbalance de clases.
4. Muestra en pantalla:
   • La distribución de clases en los conjuntos de entrenamiento y prueba (usando, por ejemplo, value_counts(normalize=True)).
   • Una métrica de evaluación (como la exactitud o el F1-score) en el conjunto de prueba.