Consideramos el problema de datos desequilibrados que implica una nueva clase de modelos basados en remuestreo para clasificación. Estos modelos son variantes de las redes generativas adversarias condicionales. Se emplea un enfoque de regularización de entropía (RegCGAN) para implementar el aprendizaje de datos desequilibrados correspondiente. Se introduce su marco básico. Se realizan análisis teóricos y basados en simulaciones para demostrar la existencia y unicidad del punto de equilibrio de RegCGAN, y RegCGAN tiene una excelente capacidad de predicción de la clase minoritaria. Aplicamos los resultados a dos conjuntos de datos desequilibrados construidos sintéticamente y a un conjunto de datos desequilibrados reales.