En Machine Learning, disponer de una tabla no significa que ya estemos listos para entrenar. Los modelos necesitan datos en un formato consistente, sin errores graves y con una separación clara entre lo que usamos para describir cada caso y lo que queremos predecir.
En la práctica, antes de entrenar solemos revisar:
Gran parte del trabajo real en un proyecto de Machine Learning ocurre en esta etapa. Un modelo sofisticado no compensa datos mal preparados.
Preparar datos es transformar una tabla inicial en una entrada útil para el algoritmo. Dependiendo del problema, esto puede incluir tareas como:
En este tema nos concentraremos en uno de los casos más comunes y fáciles de entender: valores faltantes en variables numéricas.
Supongamos que queremos predecir si un estudiante aprueba un examen. Tenemos tres características:
La variable objetivo será aprobo, con valor 0 o 1. El detalle importante es que algunos datos faltan. Si intentamos entrenar directamente, muchos algoritmos lanzarán error.
Usaremos SimpleImputer para reemplazar valores faltantes por la mediana de cada columna. Luego entrenaremos una regresión logística.
import pandas as pd
from sklearn.impute import SimpleImputer
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
df = pd.DataFrame({
"horas_estudio": [2, 3, 4, None, 6, 7, 8, 9, 10, None],
"practicas": [1, 2, None, 3, 4, 5, 5, 6, None, 7],
"asistencia": [60, 65, 70, 72, None, 80, 85, 90, 95, 88],
"aprobo": [0, 0, 0, 0, 1, 1, 1, 1, 1, 1]
})
print("Datos originales:")
print(df)
print("\nValores faltantes por columna:")
print(df.isnull().sum())
X = df[["horas_estudio", "practicas", "asistencia"]]
y = df["aprobo"]
imputador = SimpleImputer(strategy="median")
X_limpio = imputador.fit_transform(X)
X_train, X_test, y_train, y_test = train_test_split(
X_limpio, y, test_size=0.3, random_state=42, stratify=y
)
modelo = LogisticRegression()
modelo.fit(X_train, y_train)
y_pred = modelo.predict(X_test)
print("\nPredicciones:", y_pred)
print("Valores reales:", y_test.values)
print("Exactitud:", accuracy_score(y_test, y_pred))
nuevo_estudiante = pd.DataFrame({
"horas_estudio": [5],
"practicas": [4],
"asistencia": [78]
})
nuevo_limpio = imputador.transform(nuevo_estudiante)
prediccion = modelo.predict(nuevo_limpio)[0]
probabilidad = modelo.predict_proba(nuevo_limpio)[0, 1]
print("\nPrediccion para el nuevo estudiante:", prediccion)
print(f"Probabilidad de aprobar: {probabilidad:.3f}")Salida resumida esperada:
Valores faltantes por columna:
horas_estudio 2
practicas 2
asistencia 1
aprobo 0
Predicciones: [...]
Valores reales: [...]
Exactitud: ...
Prediccion para el nuevo estudiante: 1
Probabilidad de aprobar: 0.6...
df = pd.DataFrame(...): crea un dataset pequeño, pero suficientemente realista para mostrar filas incompletas.df.isnull().sum(): cuenta cuántos valores faltan en cada columna. Esta revisión conviene hacerla siempre.X: contiene solo las características.y: contiene la variable objetivo, es decir, si aprobo o no aprobo.SimpleImputer(strategy="median"): reemplaza los faltantes usando la mediana de cada columna. La mediana es útil porque resiste mejor valores extremos que el promedio.fit_transform(X): aprende las medianas a partir de los datos y devuelve la versión limpia.train_test_split(...): separa entrenamiento y prueba.LogisticRegression(): entrena un clasificador binario con los datos ya preparados.imputador.transform(nuevo_estudiante): aplica exactamente la misma transformación a datos nuevos. Esto es clave: lo que hacemos en entrenamiento debe repetirse igual al predecir.Los algoritmos esperan entradas numéricas completas y coherentes. Si una fila tiene valores faltantes, el modelo no sabe cómo interpretarla. Por eso la limpieza ocurre antes del entrenamiento.
En este ejemplo la solución fue imputar con la mediana, pero esa no es la única opción. Según el problema, también podríamos:
La técnica correcta depende del contexto y del significado real de la variable.
Uno de los errores más comunes es limpiar el conjunto de entrenamiento de una forma y luego tratar los datos nuevos de otra forma diferente. Eso rompe la coherencia del modelo.
La regla practica es simple:
Más adelante veremos que Pipeline ayuda justamente a evitar este tipo de errores.
Antes de entrenar cualquier modelo, conviene revisar al menos estos puntos:
Este chequeo rápido evita muchos errores y hace más fácil entender por qué un modelo funciona bien o mal.
SimpleImputer ofrece una forma simple y segura de completar datos numericos.