Clase N° 4 | Transformación de datos: el primer
paso hacia el modelo
Índice
Clase N° 4 | Transformación de datos: el primer paso hacia
el modelo
Objetivo de esta fase del pipeline
Introducción a Feature Engineering
Ejemplo con fechas y márgenes:
Transformación de variables categóricas
Label Encoding
One-Hot Encoding
Normalización y estandarización de variables numéricas
Normalización (Min-Max Scaling)
Estandarización (Z-score Scaling)
¿Qué pasa si no escalo los datos?
Detección y tratamiento de outliers
Reflexión final
Materiales y recursos adicionales:
Preguntas para reflexionar:
Una jornada intensa en Talento Lab
Ejercicio práctico
Próximos pasos
Objetivos de la clase:
En esta clase daremos inicio al proceso técnico de preparación de los datos, etapa clave
para que los algoritmos de aprendizaje automático puedan operar de manera eficiente y
obtener resultados confiables. Comenzaremos a trabajar sobre la transformación de
variables, tanto categóricas como numéricas, aplicando técnicas como la codificación, la
normalización y la estandarización. También introduciremos el concepto de ingeniería de
características, entendiendo su importancia en la construcción de modelos efectivos. El
objetivo es que al finalizar la clase, cada persona sea capaz de identificar qué
transformaciones son necesarias en un dataset determinado, y cómo aplicarlas para que los
datos estén listos para el entrenamiento de modelos en las próximas etapas.
Objetivo de esta fase del pipeline
Una vez que los datos han sido explorados, limpiados y comprendidos en profundidad,
comienza una etapa crítica en todo proyecto de aprendizaje automático: prepararlos para
el modelo. Esta fase no suele ser visible en los resultados finales, pero es decisiva para
que el algoritmo pueda aprender correctamente.
Los algoritmos de Machine Learning no trabajan
directamente con datos "crudos". Requieren
información organizada, cuantificable y libre de
ambigüedades. Por eso, necesitamos transformar
nuestros datos a un formato adecuado para que
puedan ser interpretados y procesados sin errores.
Esta etapa incluye tareas como convertir texto en
números, escalar valores que están en diferentes
magnitudes, identificar y tratar valores extremos, y
—más allá de eso— repensar qué variables son
verdaderamente útiles para la tarea que queremos
resolver. Todo esto forma parte de lo que se conoce como preparación o transformación
de datos, y sin ella, incluso el mejor algoritmo de aprendizaje automático va a ofrecer
resultados pobres o inconsistentes.
A partir de ahora, cada paso que demos estará orientado a convertir nuestros datos en un
terreno fértil para que los modelos puedan aprender. Porque un modelo bien alimentado
—con datos correctamente transformados— siempre tendrá una mayor capacidad de
generalización, precisión y utilidad en contextos reales
Introducción a Feature Engineering
Una de las claves del éxito en cualquier proyecto de Machine Learning no está únicamente
en elegir el algoritmo adecuado, sino en cómo representamos los datos que le damos al
modelo. Esta tarea se conoce como ingeniería de características, o feature engineering.
En términos simples, una feature es una columna o variable del conjunto de datos que
contiene información relevante para el modelo. Cada fila (o instancia) representa un caso
particular —por ejemplo, una compra, un cliente o un producto— y las columnas son las
características que describen ese caso: precio, fecha, tipo de producto, ubicación, etc.
El feature engineering consiste en crear, seleccionar, transformar o eliminar
características con el objetivo de mejorar el rendimiento del modelo. Es una combinación de
intuición, análisis, experiencia con los datos y conocimiento del dominio del problema.
Veamos algunos ejemplos:
● En lugar de usar la fecha completa, podríamos extraer el mes o el día de la
semana, si creemos que la demanda varía según la estacionalidad.
● Si tenemos una columna con "tipo de envío", podríamos transformarla en variables
numéricas para que el modelo la interprete.
● También podríamos crear una nueva variable calculando el margen de ganancia a
partir del precio de venta y el costo, si esa relación es importante para la tarea.
Una buena ingeniería de características puede aumentar significativamente la precisión
del modelo, incluso más que cambiar de algoritmo. Por eso, en la práctica, se dice que "los
datos bien trabajados son más importantes que los modelos sofisticados".
Es en esta etapa donde, como equipo de Talento Lab, empezamos a tomar decisiones
importantes: ¿Qué variables conservamos? ¿Cuáles transformamos? ¿Hay información
implícita que podríamos convertir en una nueva variable? Estas elecciones marcarán el
rumbo del resto del proyecto.
Ejemplo con fechas y márgenes:
Estos tres comandos muestran cómo “fabricar” variables más expresivas a partir de campos
existentes: dos rasgos temporales que capturan estacionalidad y un margen que resume la
relación precio-costo. Son ejemplos típicos de feature engineering:
# Suponemos que 'df' ya tiene una columna 'fecha_compra' en formato
datetime
df['mes'] = df['fecha_compra'].[Link] # mes numérico (1-12)
df['dia_semana'] = df['fecha_compra'].[Link] # 0 = lunes, 6 =
domingo
# Nueva característica: margen de ganancia
df['margen'] = df['precio_venta'] - df['costo']
Transformación de variables categóricas
En todo conjunto de datos es común encontrar columnas que no contienen números, sino
categorías. Por ejemplo: el nombre de una ciudad, el tipo de producto, el género de una
persona, el método de pago o la marca de un artículo. A estas columnas las llamamos
variables categóricas.
Una variable categórica es aquella que toma un conjunto limitado y definido de valores
posibles, normalmente representados como texto o etiquetas. Estas variables pueden ser
de dos tipos:
● Nominales: no tienen un orden específico (por ejemplo, "rojo", "azul", "verde").
● Ordinales: representan una jerarquía o un orden (por ejemplo, "bajo", "medio",
"alto").
Las variables categóricas son muy frecuentes en los datos del mundo real y, en muchos
casos, contienen información clave para entender el comportamiento de los
fenómenos que queremos modelar. Sin embargo, existe un problema: los algoritmos de
Machine Learning no pueden trabajar directamente con texto.
Los modelos necesitan entradas numéricas, por lo que debemos transformar esas
categorías en números de una manera que conserve su significado sin inducir errores. Este
proceso se conoce como codificación de variables categóricas. A continuación, veremos
las dos técnicas más comunes para esta tarea:
Label Encoding
Consiste en asignar a cada categoría un número entero.
Por ejemplo, la variable “Género” con valores “Masculino”, “Femenino” y “Otro” se
codificaría como:
● Masculino → 0
● Femenino → 1
● Otro → 2
Es una técnica sencilla y rápida, pero solo debe usarse cuando hay un orden lógico
entre las categorías, como en una variable ordinal. Si usamos Label Encoding con
variables nominales, el modelo podría interpretar que hay una jerarquía donde no la hay, lo
que generaría errores.
One-Hot Encoding
Esta técnica crea una nueva columna para cada categoría, con valores binarios (0 o 1) que
indican si ese registro pertenece o no a la categoría.
Por ejemplo, si tenemos una variable “Color” con tres categorías: “Rojo”, “Azul” y “Verde”, el
resultado sería:
Rojo Azul Verde
1 0 0
0 1 0
0 0 1
Este método es más seguro cuando trabajamos con variables nominales, ya que no
introduce ningún orden implícito entre categorías.
El inconveniente es que puede generar muchas columnas nuevas si la variable tiene
muchos valores diferentes (por ejemplo, una columna “Ciudad” con 300 nombres distintos).
En esos casos, puede ser conveniente agrupar categorías poco frecuentes en un grupo
“Otros”, o usar técnicas más avanzadas como embeddings (aunque no lo abordaremos
en este curso).
Transformar correctamente las variables categóricas es un paso indispensable para que los
modelos puedan interpretarlas. Como parte del equipo de Talento Lab, esta es una de las
tareas que tendrás que abordar en datasets reales, asegurándote de elegir el método
adecuado según el tipo de variable, su significado y el modelo que se vaya a utilizar.
Ejemplo de codificación de variables:
El primer bloque asigna números consecutivos a una etiqueta ordinal, mientras que el
segundo crea columnas binarias para cada opción nominal.
from [Link] import LabelEncoder
import pandas as pd
# LABEL ENCODING – apropiado para categorías con orden implícito
le = LabelEncoder()
df['nivel_riesgo_cod'] = le.fit_transform(df['nivel_riesgo'])
# 'Bajo', 'Medio', 'Alto' → 0,1,2
# ONE-HOT ENCODING – seguro cuando no hay jerarquía
df = pd.get_dummies(df, columns=['tipo_envio'], prefix='envio')
# genera columnas 'envio_Estandar', 'envio_Express', etc. con 0/1
Normalización y estandarización de variables numéricas
Además de transformar las variables categóricas en números, es fundamental prestar
atención a las variables numéricas: aquellas que ya están expresadas como cantidades,
porcentajes, precios, temperaturas, unidades vendidas, etc.
A simple vista podría parecer que esas columnas están listas para ser utilizadas por los
modelos. Sin embargo, hay un detalle muy importante: las escalas.
¿Cuál es la escala de una variable?
La escala se refiere al rango de valores que puede tomar una variable. Por ejemplo:
● La variable “Precio” podría tener valores entre 100 y 100.000.
● La variable “Cantidad” tal vez vaya de 1 a 50.
● La variable “Descuento” podría expresarse como un número entre 0 y 1.
Estas diferencias de escala pueden afectar negativamente el rendimiento de algunos
modelos, ya que ciertas variables numéricamente más grandes pueden "dominar" al resto,
incluso si no son más importantes en términos predictivos.
Para solucionar este problema usamos técnicas de escalado de variables. Las más
comunes son:
Normalización (Min-Max Scaling)
Consiste en re-escalar los valores de una variable para que queden dentro de un rango
definido, usualmente entre 0 y 1. Se aplica con la fórmula:
X_normalizado = (X - Xmínimo) / (Xmáximo - Xmínimo)
Esto asegura que el valor más bajo de la variable se convierta en 0 y el más alto en 1, y que
todos los demás valores queden proporcionalmente en ese rango.
Es especialmente útil cuando:
● Sabemos que los datos tienen un rango acotado.
● Vamos a utilizar modelos basados en distancias, como K-Nearest Neighbors o
K-Means.
Estandarización (Z-score Scaling)
Esta técnica transforma los datos para que tengan media 0 y desviación estándar 1. Se
aplica con la fórmula:
X_estandarizado = (X - media) / desviación estándar
Esto significa que, tras la transformación, la mayoría de los valores estarán entre -2 y 2, y
los valores extremos estarán más alejados, pero con una distribución centrada. Es más
adecuada cuando:
● Los datos no tienen un rango fijo.
● Se usarán modelos que asumen una distribución normal (como regresión logística,
SVM o redes neuronales).
¿Qué pasa si no escalo los datos?
Depende del modelo. Algunos modelos como los árboles de decisión, los Random Forest o
los Gradient Boosting no son sensibles a la escala de los datos. Pero muchos otros
—especialmente los que hacen cálculos geométricos o estadísticos más puros— sí se ven
fuertemente afectados si las variables están en escalas distintas.
En síntesis: normalizar o estandarizar no mejora la información en sí, pero sí mejora
cómo el modelo interpreta esa información.
Como parte del equipo de Talento Lab, tu trabajo incluirá saber cuándo conviene escalar
los datos, cómo hacerlo, y qué técnica es la más adecuada según el problema que
estás resolviendo y el modelo que vas a aplicar.
Ejemplo de escalado:
En este ejemplo se contrastan las dos técnicas de escalado mencionados: la normalización
compacta los valores entre 0 y 1—útil para algoritmos basados en distancias—mientras que
la estandarización centra y escala la distribución, lo que ayuda a métodos que asumen
normalidad de los datos.
from [Link] import MinMaxScaler, StandardScaler
# --- Normalización Min-Max (0-1) ---
minmax = MinMaxScaler()
df['precio_norm'] = minmax.fit_transform(df[['precio']])
# --- Estandarización Z-score (media 0, σ 1) ---
zscore = StandardScaler()
df['cantidad_std'] = zscore.fit_transform(df[['cantidad']])
Detección y tratamiento de outliers
En el análisis de datos reales, es muy común encontrarse con valores que se alejan
significativamente del resto. Estos valores extremos, conocidos como outliers o valores
atípicos, pueden tener distintas causas y efectos. Un outlier puede surgir por un simple error
humano al cargar los datos, por un comportamiento verdaderamente inusual del sistema
que se está analizando, o incluso por una diferencia en la interpretación de una variable (por
ejemplo, si alguien carga un número entero en lugar de un porcentaje).
Imaginemos, por ejemplo, que estamos trabajando
con una columna de precios de productos y que la
mayoría de los registros están entre los 1.000 y los
10.000 pesos. Si aparece un valor de 250.000,
probablemente estemos frente a un outlier. Ahora
bien, ¿es un error o es una venta legítima y
excepcional? Esa es una de las preguntas que
debemos hacernos antes de decidir cómo actuar.
Los outliers no solo alteran la percepción de los
datos cuando los analizamos visualmente; también
pueden tener un efecto muy fuerte en ciertos
modelos de Machine Learning. Esto sucede porque
muchos algoritmos —como la regresión lineal o los modelos basados en distancias— se
ven muy influenciados por los extremos. Unos pocos valores muy altos o muy bajos pueden
alterar la media, distorsionar coeficientes o sesgar las predicciones.
Para detectar outliers, existen diferentes enfoques. A
veces basta con observar un gráfico de dispersión, un
histograma o un boxplot para notar que hay puntos que
“se escapan” del comportamiento general. Otras veces
se recurre a criterios estadísticos, como considerar
outlier a todo dato que se encuentre a más de tres
desviaciones estándar de la media, o utilizar el rango
intercuartílico para establecer límites razonables.
También hay métodos automáticos y más complejos
que se utilizan cuando se trabaja con grandes
volúmenes de datos o sistemas en tiempo real, pero no
los abordaremos en esta instancia del curso.
Una vez que se detectan los valores atípicos, hay que decidir qué hacer con ellos. No existe
una única respuesta correcta. En algunos casos, lo mejor será eliminarlos si se comprueba
que son errores o registros residuales. En otros, se podrá corregirlos manualmente si se
identifica el motivo del desvío. También es posible “caparlos”, es decir, limitar su valor a un
máximo o mínimo razonable. Incluso puede ser útil transformarlos mediante funciones
matemáticas —como el logaritmo— para suavizar su impacto. Y por supuesto, puede
suceder que el outlier sea un dato real y útil, que conviene conservar para que el modelo
aprenda a manejar esos casos excepcionales.
Lo más importante es no aplicar soluciones automáticas. Los outliers deben analizarse con
atención, considerando el contexto y el propósito del modelo. A veces son errores que hay
que corregir; otras veces son señales valiosas que conviene preservar.
En Talento Lab, por ejemplo, si se detectan compras inusuales con montos extremadamente
altos, el equipo deberá evaluar si se trata de errores de carga o de operaciones reales, y
decidir qué hacer con esa información antes de pasar a la etapa de modelado. Como verás,
los outliers no solo afectan los números: también desafían nuestra capacidad de interpretar
y tomar decisiones informadas.
Reflexión final
Transformar los datos puede parecer una tarea puramente técnica, pero en realidad es una
de las etapas más estratégicas de todo proyecto de aprendizaje automático. En esta clase
vimos que no alcanza con que los datos estén limpios: también deben estar listos para ser
comprendidos por los algoritmos.
Aprendimos que elegir, codificar, escalar y ajustar correctamente las variables no solo
mejora el rendimiento de un modelo, sino que puede marcar la diferencia entre una solución
útil y una que no aporta valor. Además, vimos cómo los valores atípicos, si no se tratan
adecuadamente, pueden distorsionar nuestros resultados sin que nos demos cuenta.
A partir de este punto, comenzamos a movernos hacia el corazón del Machine Learning.
Todo lo que hicimos hasta ahora —explorar, limpiar, transformar— tiene un propósito:
enseñarle al modelo a aprender de manera efectiva. Lo que viene es el inicio de esa
enseñanza: el entrenamiento, la validación y la evaluación de nuestros primeros modelos.
Pero ningún modelo aprende bien si los datos no fueron preparados con criterio y
responsabilidad. Esa es, justamente, la fortaleza que empezamos a construir hoy.
Materiales y recursos adicionales:
Lecturas recomendadas
● Feature Engineering en Español - Coursera
Un curso en línea que explora los beneficios de utilizar herramientas como Vertex AI
Feature Store, cómo mejorar la exactitud de los modelos de aprendizaje automático
y cómo descubrir cuáles columnas de datos producen los atributos más útiles.
● Técnicas de Feature Engineering | Algoretico
Este artículo profundiza en diversas técnicas de ingeniería de características,
destacando su papel crucial en la transformación y creación de nuevas variables
para mejorar el rendimiento de los modelos.
Videos
● La INGENIERÍA DE CARACTERÍSTICAS (feature engineering)
Este video ofrece una explicación detallada sobre qué es la ingeniería de
características, su importancia en el aprendizaje automático y cómo aplicarla para
mejorar el rendimiento de los modelos.
● Escalamiento, Normalización y Estandarización de Datos con Python para
Ciencia de Datos
En este video se aborda la problemática ocasionada por tener diferentes escalas en
los datos y se explican técnicas de escalamiento, normalización y estandarización
utilizando Python, fundamentales para el preprocesamiento en proyectos de ciencia
de datos.
Preguntas para reflexionar:
1. ¿Por qué es necesario transformar los datos antes de entrenar un modelo de
Machine Learning? ¿Qué problemas podría generar no hacerlo?
2. ¿En qué situaciones sería más apropiado usar One-Hot Encoding y en cuáles
convendría utilizar Label Encoding? ¿Qué consecuencias podría tener una elección
incorrecta?
3. ¿Cómo influye la escala de las variables numéricas en el comportamiento de los
modelos? ¿Qué técnicas existen para resolver posibles desbalances?
4. Frente a la presencia de valores atípicos en un dataset, ¿qué criterios utilizarías para
decidir si conservarlos, corregirlos o eliminarlos?
Una jornada intensa en Talento Lab
Finalizada la reunión de planificación, el equipo de Talento
Lab se dividió tareas para preparar el conjunto de datos
recibido por el cliente, una empresa del sector consumo
masivo que busca optimizar su estrategia de distribución
regional.
Sabrina organizó el entorno técnico para realizar pruebas,
mientras Matías y Luis detectaron que algunas variables
venían en formato de texto, otras tenían rangos de valores
muy dispares, y había registros atípicos que generaban
sospechas. Silvia, por su parte, dejó en claro que esta etapa es tan importante como el
modelado: “No podemos esperar que el algoritmo funcione bien si no le damos datos en
condiciones de ser comprendidos”.
Ahora es tu turno. Como parte del equipo, te corresponde aplicar algunas de las
transformaciones fundamentales que permitirán que el modelo pueda ser entrenado en
etapas futuras. No se trata solo de aplicar técnicas: se trata de tomar decisiones
informadas, documentar tus elecciones y justificar por qué cada transformación es
necesaria.
Ejercicio práctico
Utilizando el dataset titanic (lo podes encontrar ACA) o utilizando un dataset real (por
ejemplo, uno de Kaggle, [Link] o un conjunto de datos propio), realizá las siguientes
tareas dentro de un cuaderno Jupyter (Google Colab).
1. Identificá variables categóricas y numéricas dentro del dataset. Analizá si alguna
columna con texto puede codificarse y con qué técnica (Label o One-Hot Encoding).
2. Aplicá técnicas de codificación sobre al menos dos variables categóricas. Justificá
tu elección explicando por qué usaste cada técnica.
3. Escalá o estandarizá al menos dos variables numéricas. Indicá qué técnica
usaste en cada caso (Min-Max o Z-score) y por qué sería conveniente hacerlo,
pensando en un modelo hipotético.
4. Buscá posibles outliers. Usá un gráfico (boxplot, histograma o scatterplot) para
visualizarlos y explicá qué decisión tomarías: ¿los conservarías, los eliminarías o
aplicarías alguna transformación?
Documentá todo tu trabajo con comentarios y celdas de texto claras. Este notebook
es parte de tu entrenamiento como miembro del equipo técnico de Talento Lab, y
puedes compartirlo para ser revisado por tus compañeros como si estuvieras
participando en una revisión de código colaborativa.
Próximos pasos
En la próxima etapa del curso comenzaremos a trabajar directamente con los algoritmos de
aprendizaje automático. Ya con los datos correctamente transformados, es momento de dar
el siguiente paso: entrenar nuestros primeros modelos.
Vamos a explorar cómo se lleva a cabo el proceso de entrenamiento, cómo dividir los datos
en conjuntos de entrenamiento y prueba, y cómo evaluar la calidad de las predicciones.
También veremos cómo elegir qué tipo de modelo aplicar según el problema que queremos
resolver, y qué métricas utilizar para medir su desempeño.
El equipo de Talento Lab está a punto de entrar en la fase central del proyecto. La calidad
del trabajo realizado hasta ahora será determinante para que el modelo pueda aprender de
forma efectiva. Lo que se viene es la parte más emocionante: empezar a ver los primeros
resultados predictivos.