Curso de machine learning con R #03: Limpieza inicial de datos

Los datos reales casi nunca llegan limpios. Esta clase aborda uno de los problemas más frecuentes: los valores faltantes. Saber por qué falta un dato es tan importante como saber cómo rellenarlo, y aquí se aprende a distinguir entre los distintos mecanismos que los generan.

No todos los huecos se tratan igual. A veces el valor faltante tiene una explicación lógica que permite rellenarlo directamente. Otras veces hay que usar la información del resto del dataset para hacer una estimación razonable. Y en algunos casos lo más honesto es dejar constancia de que ese dato simplemente no existe. La clase muestra cómo tomar esa decisión de forma fundamentada.

Se trabaja con el paquete VIM para visualizar el patrón de los valores faltantes —porque en muchos datasets los huecos no aparecen al azar, sino que siguen un patrón que dice algo sobre los datos— y con mice para la imputación múltiple, una técnica que va más allá de rellenar con la media y produce estimaciones más fiables.

También se dedica tiempo a algo que se suele ignorar hasta que da problemas: los tipos de datos. Una variable numérica que R ha leído como texto, o una categoría mal codificada, puede invalidar un modelo entero. Aquí se aprende a detectarlo y corregirlo.

Al final de la clase el dataset estará libre de huecos problemáticos y con los tipos correctos, listo para la siguiente etapa.