# Escalador de Características Escalar y normalizar características usando varios métodos para preprocesamiento de aprendizaje automático y estandarización de datos > Página canónica: https://elysiatools.com/es/tools/feature-scaler - **Categoría:** Data Processing - **Palabras clave:** escalado de características, normalización, estandarización, min-max, z-score, escalado robusto, aprendizaje automático, preprocesamiento de datos, normalización ## Descripción general El Escalador de Características es una herramienta esencial para el preprocesamiento de datos, permitiéndote normalizar y estandarizar tus conjuntos de datos numéricos mediante diversos métodos estadísticos para mejorar el rendimiento de tus modelos de aprendizaje automático. ## Entradas - **Entrada de Datos CSV** (textarea): Ingrese sus datos CSV aquí... Ejemplo: Característica1,Característica2,Característica3,Etiqueta 1.5,2.3,0.8,A 3.2,1.1,2.5,B 0.8,4.5,1.2,C 2.1,3.4,1.8,A 4.5,1.9,0.7,B - **Método de Escalado** (select) - **Columnas a Escalar (opcional)** (text): Especifique qué columnas escalar. Si está vacío, todas las columnas numéricas serán detectadas y escaladas automáticamente. - **Parámetros de Escalado (para transformación inversa)** (textarea): Solo requerido para transformación inversa. Pegue los parámetros de escalado de una ejecución anterior. - **Primera Fila Contiene Encabezados** (checkbox): Tratar primera fila como encabezados de columna - **Transformación Inversa** (checkbox): Aplicar transformación inversa usando parámetros proporcionados - **Formato de Salida** (select) - **Guardar Parámetros de Escalado** (checkbox): Incluir parámetros de escalado en la salida para futuras transformaciones inversas - **Solo Salida Datos Escalados** (checkbox): Omitir análisis detallado y solo generar los datos escalados ## Cuándo usarlo - Cuando las variables de tu conjunto de datos tienen escalas muy diferentes que pueden sesgar los algoritmos de aprendizaje automático. - Al preparar datos para modelos sensibles a la magnitud, como redes neuronales, máquinas de soporte vectorial o algoritmos basados en distancias. - Para estandarizar distribuciones de datos antes de realizar análisis estadísticos o comparaciones entre diferentes métricas. ## Cómo funciona - Carga tus datos en formato CSV y selecciona el método de escalado deseado, como Z-score, Min-Max o Robust Scaler. - Define las columnas específicas que deseas procesar o deja que la herramienta detecte automáticamente todas las columnas numéricas. - Configura las opciones de salida para obtener los datos transformados en formato CSV, JSON o un informe detallado. - Opcionalmente, guarda los parámetros de escalado para aplicar transformaciones inversas en el futuro y recuperar los valores originales. ## Casos de uso - Normalización de variables financieras con rangos dispares para modelos de predicción de riesgos. - Estandarización de características de sensores IoT para mejorar la precisión de algoritmos de clasificación. - Preparación de datasets de imágenes o píxeles mediante escalado Min-Max para redes neuronales profundas. ## Preguntas frecuentes ### ¿Qué método de escalado debo elegir? Depende de tus datos: usa Z-score para datos con distribución normal, Min-Max para rangos fijos y Robust Scaler si tus datos contienen valores atípicos significativos. ### ¿Puedo revertir el escalado realizado? Sí, si activas la opción 'Guardar Parámetros de Escalado', puedes usar esos parámetros posteriormente con la función de 'Transformación Inversa'. ### ¿Qué sucede si no especifico columnas? La herramienta detectará automáticamente todas las columnas que contengan valores numéricos y aplicará el método de escalado seleccionado a todas ellas. ### ¿Es compatible con archivos que tienen encabezados? Sí, puedes marcar la opción 'Primera Fila Contiene Encabezados' para que la herramienta identifique correctamente los nombres de tus columnas. ### ¿En qué formatos puedo exportar los resultados? Puedes obtener los datos procesados en formato CSV, JSON o visualizar un informe de texto directamente en la interfaz. ## Herramientas relacionadas - [Calculadora de Columnas](https://elysiatools.com/es/tools/column-calculator): Realizar cálculos en columnas y agregar nuevas filas - [Fusionador de Datos por Adición](https://elysiatools.com/es/tools/data-append-merger): Añadir y fusionar verticalmente múltiples tablas de datos con coincidencia inteligente de columnas - [Extractedor de Columnas de Datos](https://elysiatools.com/es/tools/data-column-extractor): Extrae columnas específicas de datos tabulares con soporte para varios formatos y selección flexible de columnas - [Calculadora de Filas](https://elysiatools.com/es/tools/row-calculator): Realizar cálculos en cada fila y agregar nuevas columnas - [Reordenador de Columnas](https://elysiatools.com/es/tools/column-reorder): Reordenar las columnas de la tabla sin cambiar las filas de datos - [Calculadora de Coeficiente de Variación](https://elysiatools.com/es/tools/coefficient-of-variation): Calcular el coeficiente de variación (CV) para columnas numéricas para medir la variabilidad relativa - [Eliminador de Columnas](https://elysiatools.com/es/tools/column-remover): Eliminar columnas especificadas de los datos de la tabla - [Validador CSV](https://elysiatools.com/es/tools/csv-validator): Valida la estructura CSV, detecta filas malformadas, comillas desbalanceadas y columnas inconsistentes ## Ejemplos - [Ejemplos CSV](https://elysiatools.com/es/samples/csv-samples): Archivos CSV de muestra con varios tipos de datos, tamaños y niveles de complejidad - [Ejemplos Python](https://elysiatools.com/es/samples/python): Ejemplos de código Python y demostraciones Hello World - [Procesamiento de Cadenas Windows - Ejemplos C#](https://elysiatools.com/es/samples/windows-string-processing-csharp): Ejemplos completos de procesamiento de cadenas C# para plataforma Windows incluyendo manipulación, división, unión, expresiones regulares y análisis de texto - [Ejemplos de Apache Spark](https://elysiatools.com/es/samples/apache-spark): Framework de procesamiento de big data Apache Spark con ejemplos de PySpark, DataFrames, SQL y operaciones de machine learning