Escalador de Características | Herramienta online gratis | Elysia Tools

Guía de uso de la herramienta

Conoce cuándo usar esta herramienta, qué admite y cómo la aplican los usuarios.

Datos clave

Categoría: Data Processing
Tipos de entrada: textarea, select, text, checkbox
Tipo de salida: text
Cobertura de ejemplos: 4
API disponible: Sí

Resumen

El Escalador de Características permite transformar y normalizar variables numéricas en conjuntos de datos CSV mediante métodos estadísticos como Z-score, Min-Max o escalado robusto. Facilita el preprocesamiento de datos para algoritmos de aprendizaje automático, asegurando escalas uniformes y permitiendo la reversión de transformaciones mediante parámetros guardados.

Cuándo usarlo

Al preparar variables numéricas con diferentes escalas antes de entrenar modelos de aprendizaje automático.
Cuando se requiere mitigar la influencia de valores atípicos (outliers) utilizando escalado robusto o por cuantiles.
Al necesitar revertir predicciones normalizadas a sus valores originales mediante una transformación inversa.

Cómo funciona

1Pegue sus datos en formato CSV y especifique si la primera fila corresponde a los encabezados.
2Seleccione el método de escalado deseado (Z-score, Min-Max, Robusto, Cuantiles, Yeo-Johnson, entre otros) y defina las columnas específicas o permita la detección automática.
3Configure las opciones de salida (CSV, JSON o informe de texto) y decida si desea guardar los parámetros calculados.
4Ejecute la herramienta para obtener el conjunto de datos escalado y los parámetros estadísticos de transformación.

Casos de uso

Estandarización de variables predictoras en modelos sensibles a la escala, como SVM, redes neuronales o KNN.
Transformación de distribuciones asimétricas hacia distribuciones normales utilizando la técnica de Yeo-Johnson.
Normalización de vectores a norma unitaria para tareas de agrupamiento o cálculo de similitud de cosenos.

Ejemplos

1. Estandarización Z-score para clasificación

Científico de datos

Contexto

Se dispone de un archivo CSV con métricas de clientes (edad, ingresos y puntaje crediticio) en rangos numéricos dispares.

Problema

El algoritmo de clasificación pondera excesivamente la variable de ingresos debido a su magnitud absoluta.

Cómo usarlo

Pegue los datos CSV, seleccione 'Escalador Estándar (Z-score)', mantenga activada la detección automática de columnas numéricas y elija salida CSV.

Método: standard | Encabezados: Sí | Formato: CSV | Guardar Parámetros: Sí

Resultado

Se obtienen todas las variables numéricas centradas en media cero y varianza unitaria, listas para el entrenamiento del modelo.

2. Normalización Min-Max para redes neuronales

Ingeniero de ML

Contexto

Se requiere alimentar una red neuronal con datos tabulares donde los valores deben encontrarse estrictamente acotados entre 0 y 1.

Problema

Los gradientes divergen durante el entrenamiento debido a entradas sin acotar.

Cómo usarlo

Ingrese el CSV en el área de texto, elija 'Escalador Mínimo-Máximo' en el menú desplegable y seleccione formato JSON como salida.

Preguntas frecuentes

¿Qué método debo elegir si mis datos tienen valores atípicos severos?

Se recomienda el Escalador Robusto (Mediana y MAD) o el Escalador de Cuantiles, ya que no se ven afectados por valores extremos.

¿Cómo se seleccionan las columnas que deben transformarse?

Puede escribir los nombres de las columnas separados por comas o dejar el campo vacío para que se identifiquen y procesen automáticamente todas las columnas numéricas.

¿Cómo funciona la transformación inversa?

Debe marcar la casilla de Transformación Inversa e ingresar el JSON de parámetros generado en una ejecución previa junto con los datos escalados.

¿Qué diferencia hay entre la opción Z-score y Min-Max?

Z-score estandariza los datos para tener media 0 y desviación estándar 1, mientras que Min-Max restringe los valores a un rango acotado, comúnmente entre 0 y 1.

¿En qué formatos puedo exportar los resultados?

La salida puede generarse directamente en formato CSV, JSON o como un informe de texto con el resumen del análisis.

Método: minmax | Encabezados: Sí | Formato: JSON | Solo datos escalados: Sí

Escalador de Características

Ejecutar esta herramienta

Ejemplos que encajan con esta herramienta

Continuar con herramientas y temas relacionados

Conoce cuándo usar esta herramienta, qué admite y cómo la aplican los usuarios.

Datos clave

Resumen

Cuándo usarlo

Cómo funciona

Casos de uso

Ejemplos

1. Estandarización Z-score para clasificación

2. Normalización Min-Max para redes neuronales

Preguntas frecuentes

Ejemplos CSV

Ejemplos Python

Procesamiento de Cadenas Windows - Ejemplos C#

Ejemplos de Apache Spark

Calculadora de Columnas

Fusionador de Datos por Adición

Extractedor de Columnas de Datos

Calculadora de Filas