Curso de machine learning con R #04: Limpieza final de datos

Con los valores faltantes resueltos, esta clase se ocupa de otra fuente habitual de ruido en los datos: los valores extremos. Un coche con 9.999 CV en el dataset no es un hipercar; es un error de entrada. Pero no todo outlier es un error, y aprender a distinguirlos es una habilidad que marca la diferencia entre un modelo que funciona y uno que no.

Se aplican dos métodos clásicos de detección —el rango intercuartílico y el Z-score— y se discute qué hacer con cada caso: eliminar, transformar o conservar. La decisión depende del contexto, no de una regla universal.

La segunda parte de la clase introduce el feature engineering: la creación de nuevas variables a partir de las que ya existen. En automovilismo, la relación potencia/peso es un indicador de rendimiento mucho más informativo que cualquiera de los dos valores por separado. Crear ese tipo de variables puede mejorar un modelo más que cambiar el algoritmo.

También se cubren la normalización y la estandarización —dos técnicas de escalado que son imprescindibles para algunos algoritmos— y la codificación de variables categóricas, que es el proceso de convertir texto en números para que los modelos puedan trabajar con ello.

La clase termina dividiendo el dataset en conjunto de entrenamiento y conjunto de test, una separación que se mantendrá durante el resto del curso y que es la base de cualquier evaluación honesta de un modelo.