Escalado de características y codificación categórica: qué transformar, y ajustarlo solo con datos de entrenamiento

Qué es

La guía de preprocesamiento de scikit-learn señala que la estandarización (restar la media, dividir por la desviación estándar, StandardScaler) es un requisito habitual para muchos estimadores, que pueden comportarse mal cuando las características no están aproximadamente centradas con varianza unitaria; MinMaxScaler mapea a un rango fijo y RobustScaler usa estimaciones más robustas del centro y el rango (por defecto la mediana y el rango intercuartílico) para datos con muchos valores atípicos. Para las categorías, OneHotEncoder convierte una columna con n valores en n columnas binarias, OrdinalEncoder asigna enteros (con sentido solo cuando el orden es real), y TargetEncoder usa la media del objetivo condicionada al valor categórico, lo que la guía describe como útil para características de alta cardinalidad, donde las columnas one-hot inflarían el espacio de características. La página de trampas comunes añade la regla que gobierna a todas: nunca llamar a fit con datos de prueba; el transformador aprende sus estadísticas de las filas de entrenamiento y luego se aplica a todo lo demás.

Por qué importa

Los modelos que usan distancias (k vecinos más próximos, SVM, k-means), penalizaciones de coeficientes (ridge, lasso, regresión logística) o descenso de gradiente (redes neuronales) tratan una característica en metros y otra en milímetros como si difirieran en importancia por un factor de mil. La codificación decide si un modelo puede usar una categoría siquiera, y si una categoría poco frecuente rompe la inferencia.

Cómo aplicarlo

• Los modelos basados en árboles son invariantes al escalado monótono; para todo lo demás conviene escalar, y siempre que se aplique una penalización.
• One-hot para baja cardinalidad y modelos lineales; ordinal solo para niveles genuinamente ordenados; target encoding para muchos niveles, usando fit_transform, que según la guía se apoya en un esquema interno de validación cruzada para evitar que el objetivo se filtre en la representación de entrenamiento.
• Configurar handle_unknown en los codificadores para que una categoría vista por primera vez en producción produzca una salida definida en lugar de una excepción.
• Envolver el escalador, el codificador y el modelo en un único Pipeline (con ColumnTransformer para columnas mixtas) de modo que fit y transform no puedan aplicarse a las filas equivocadas.
• Persistir el pipeline ajustado como un único artefacto; un modelo servido con un escalador distinto del usado en el entrenamiento es un error silencioso.

Trampas

Escalar antes de dividir filtra estadísticas de prueba hacia el entrenamiento. Los códigos ordinales sobre categorías nominales inventan un orden que el modelo explotará. Transformar con logaritmo una característica con ceros o valores negativos falla; usar log1p o un desplazamiento, y documentarlo.