Muchos algoritmos de Machine Learning trabajan midiendo distancias o combinando variables con escalas muy distintas. Si una columna tiene valores pequeños y otra tiene valores muy grandes, la columna grande puede dominar el cálculo, aunque no sea la más importante.
Por ejemplo:
Si dejamos ambos datos tal como están, un algoritmo basado en distancias podría prestar mucha más atención a ingresos que a edad, simplemente porque sus números son más grandes.
En la práctica muchas veces se usan como sinónimos, pero conviene distinguir:
En Scikit-learn, dos transformaciones muy conocidas son:
StandardScaler: centra cada variable en media 0 y desviación estándar 1.MinMaxScaler: lleva los valores a un rango dado, normalmente entre 0 y 1.En este tema usaremos StandardScaler, porque es uno de los más habituales y muy útil para comenzar.
El escalado suele ser importante cuando el algoritmo depende de distancias o magnitudes comparables. Algunos casos típicos:
En cambio, modelos basados en árboles, como DecisionTree o RandomForest, normalmente no dependen tanto del escalado.
Vamos a usar un problema sencillo: predecir si un cliente compra un producto a partir de su edad y sus ingresos. Entrenaremos un modelo KNN sin escalar y otro con StandardScaler.
La idea es comparar ambos enfoques y observar por qué el escalado ayuda.
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score
clientes = pd.DataFrame({
"edad": [22, 25, 27, 30, 32, 35, 40, 45, 50, 55, 28, 38],
"ingresos": [300, 320, 340, 500, 650, 700, 900, 1200, 1500, 1800, 360, 820],
"compra": [0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 1]
})
X = clientes[["edad", "ingresos"]]
y = clientes["compra"]
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.25, random_state=42, stratify=y
)
# Modelo sin escalado
knn_sin_escalar = KNeighborsClassifier(n_neighbors=3)
knn_sin_escalar.fit(X_train, y_train)
y_pred_sin = knn_sin_escalar.predict(X_test)
# Modelo con escalado
modelo_escalado = Pipeline([
("escalador", StandardScaler()),
("knn", KNeighborsClassifier(n_neighbors=3))
])
modelo_escalado.fit(X_train, y_train)
y_pred_con = modelo_escalado.predict(X_test)
print("Exactitud sin escalado:", accuracy_score(y_test, y_pred_sin))
print("Exactitud con escalado:", accuracy_score(y_test, y_pred_con))
nuevo_cliente = pd.DataFrame({
"edad": [36],
"ingresos": [780]
})
pred_sin = knn_sin_escalar.predict(nuevo_cliente)[0]
pred_con = modelo_escalado.predict(nuevo_cliente)[0]
print("Predicción sin escalado:", pred_sin)
print("Predicción con escalado:", pred_con)Salida resumida esperada:
Exactitud sin escalado: ...
Exactitud con escalado: ...
Predicción sin escalado: ...
Predicción con escalado: ...
El modelo KNN busca los vecinos más cercanos a cada caso. Para hacerlo, calcula distancias usando las variables de entrada. Si una columna tiene valores mucho mayores que otra, dominará la distancia.
En nuestro ejemplo:
edad se mueve en decenas;ingresos se mueve en cientos o miles.Sin escalado, la diferencia en ingresos pesa mucho más que la diferencia en edad. Con escalado, ambas variables pasan a ser comparables y el algoritmo puede aprovechar mejor las dos.
KNeighborsClassifier(n_neighbors=3): crea un clasificador que toma la decisión según los tres vecinos más cercanos.knn_sin_escalar.fit(...): entrena el modelo usando los datos tal como vienen.Pipeline([...]): encadena el escalado y el modelo en un único flujo.StandardScaler(): transforma cada variable para que quede centrada y comparable con las demás.modelo_escalado.fit(...): primero escala los datos y luego entrena KNN.accuracy_score(...): compara las predicciones con los valores reales.Si escalamos “a mano”, es fácil cometer errores: por ejemplo, escalar entrenamiento de una forma y datos nuevos de otra. Pipeline evita ese problema porque garantiza el mismo flujo en todas las etapas:
Además, el código queda más corto, más limpio y más fácil de mantener.
No existe una única respuesta válida para todos los casos, pero estas reglas ayudan:
Lo importante al comenzar no es memorizar una receta rígida, sino entender la idea: evitar que una variable domine a las demás solo por su escala.
StandardScaler es una herramienta muy útil para empezar.Pipeline es la forma más segura de aplicar escalado y modelo juntos.