Antes de entrenar cualquier modelo hay un trabajo silencioso que decide gran parte del resultado: dejar los datos listos. Un modelo es tan bueno como los datos que recibe —garbage in, garbage out— y en la práctica esta etapa se lleva la mayor parte del tiempo de un proyecto.
La parte que nadie presume
Nadie cuelga en redes que pasó la tarde imputando valores faltantes. Y sin embargo, es acá —convirtiendo datos crudos en algo que un modelo pueda digerir— donde de verdad se gana o se pierde un proyecto. Esta serie recorre esa cocina paso a paso: codificar, escalar e imputar, sin misterios.
¿Por qué importa tanto?
Los datos del mundo real llegan sucios: columnas de texto que el modelo no entiende, variables en escalas muy distintas, celdas vacías, errores de tipeo. Si se los damos así al modelo, aprenderá de ese ruido o directamente fallará. Preparar los datos es lo que permite que el modelo vea el patrón real.
El pipeline típico
Un flujo de preparación suele seguir estos pasos:
Las tareas de esta serie
- Codificación de variables categóricas — convertir texto (color, ciudad, sí/no) en números que el modelo entienda.
- Escalado y normalización — poner variables de escalas dispares en pie de igualdad.
- Valores faltantes — decidir qué hacer con las celdas vacías.
La regla de oro: no mires la prueba
Toda transformación (una media para imputar, un mínimo y un máximo para escalar, las categorías vistas) se aprende solo con los datos de entrenamiento y luego se aplica al de prueba. Calcularla sobre todo el conjunto filtra información del futuro: es la fuga de datos que ya vimos en validación cruzada.
Para llevar
El procesamiento de datos convierte lo crudo en aprovechable: codificar, escalar e imputar. Es la etapa que más tiempo consume y la que más impacto tiene. Y una regla lo gobierna todo: la preparación se aprende con el entrenamiento y se aplica al resto, nunca al revés.