En este estudio, proponemos un enfoque para abordar el problema urgente de los errores de falsos negativos al mejorar el recall de la clase minoritaria dentro de conjuntos de datos desbalanceados comúnmente encontrados en aplicaciones de aprendizaje automático. A través de la utilización de una técnica de sobremuestreo basada en clústeres junto con una evaluación de la entropía de la información, nuestro enfoque apunta efectivamente a las áreas de ambigüedad inherentes en el conjunto de datos. Una evaluación extensa a través de una amplia gama de conjuntos de datos del mundo real caracterizados por la complejidad entre clústeres demuestra el rendimiento superior de nuestro método en comparación con las técnicas de sobremuestreo existentes. Es particularmente notable su mejora significativa dentro del conjunto de datos de Delincuencia Telecom, donde logra un aumento notable de hasta el 30.54 por ciento en el recall de la clase minoritaria en comparación con el conjunto de datos original. Esta notable reducción en los errores de falsos negativos subraya la importancia de nuestra metodología para identificar y clasificar con precisión instancias de clases subrepresentadas, mejorando así el rendimiento del modelo en escenarios de datos desbalanceados.