Estandarizar sin fuga
Tema: Metodología y Datos · Catálogo de recetas · temario: Syllabus IOAI
📍 Dónde se aprende: módulo 05 de la Ruta de Aprendizaje.
Qué hace
Centra y escala las features usando media y desviación calculadas solo con train.
Cuándo usarla
Antes de cualquier modelo sensible a la escala: k-NN, SVM, regresión regularizada, redes neuronales. Los árboles y el boosting no lo necesitan.
Implementación
Necesita: numpy.
import numpy as np
def ajustar_estandarizador(X_train):
"""Calcula media y desviación SOLO con train. Devuelve los parámetros."""
media = X_train.mean(axis=0)
desv = X_train.std(axis=0)
desv[desv == 0] = 1.0 # columna constante: no se escala, no se divide por cero
return media, desv
def aplicar_estandarizador(X, parametros):
"""Aplica a cualquier split los parámetros ajustados con train."""
media, desv = parametros
return (X - media) / desv⚠️ Notas
La trampa es de una línea: X_todo = (X_todo - X_todo.mean()) / X_todo.std() antes de partir. Ahí la media de validación se coló en el entrenamiento. Es fuga chica pero real, y crece cuando el dataset es chico — que en la IOAI es la norma (Restroom traía 82 ejemplos).
La columna constante es el otro caso: su desviación es 0. Acá se deja en 1 para no dividir por cero.
🔗 Relacionadas
Verificada
Este código se ejecuta en cada publicación, contra una referencia obviamente correcta, en
herramientas/pruebas/datos.py. Si se rompe, el sitio no se actualiza.
Las otras puertas del vault: Ruta de Aprendizaje · Referencia · IOAI