Espartaco

“Is that to say we are against Free Trade? No, we are for Free Trade, because by Free Trade all economical laws, with their most astounding contradictions, will act upon a larger scale, upon the territory of the whole earth; and because from the uniting of all these contradictions in a single group, where they will stand face to face, will result the struggle which will itself eventuate in the emancipation of the proletariat.”

Karl Heinrich Marx · Marx-Engels Collected Works, Vol. VI, p. 290

28,796 views since December 2020

28,796 visitas desde diciembre de 2020

EnglishEspañol

¿POR QUÉ SE REALIZA UN AJUSTE POR RE-ESCALAMIENTO, NORMALIZACIÓN O ESTANDARIZACIÓN SOBRE LOS DATOS EN EL CONTEXTO DEL APRENDIZAJE AUTOMÁTICO?

Marxist Philosophy of Science
Estadística · Métodos · Aprendizaje automático

Reescalamiento, normalización y estandarización

¿Por qué transformar las escalas de los datos en el aprendizaje automático?

ISADORE NABI
Publicado el
Edición revisada y ampliada ·

Una diferencia de unidades puede convertirse, inadvertidamente, en una diferencia de importancia para un algoritmo. Si una característica se expresa en años y otra en miles de unidades monetarias, sus contribuciones a una distancia numérica pueden ser muy desiguales. El problema no reside en que una de ellas sea necesariamente más informativa, sino en que el procedimiento de cálculo responde a la representación numérica elegida.

Reescalar los datos permite intervenir sobre esa representación. Sin embargo, la transformación adecuada depende del problema: puede modificar la geometría de las observaciones, facilitar la optimización o cambiar el efecto de una penalización. Comprender esas diferencias es más útil que aplicar una regla universal de preprocesamiento.

01 / ConceptosTransformaciones que conviene distinguir

Sea X una matriz de datos: cada fila representa una observación y cada columna una característica. Escribiremos xij para el valor de la característica j en la observación i. Esta distinción entre filas y columnas es decisiva: no todas las operaciones llamadas «normalización» actúan sobre el mismo objeto.

Reescalamiento: el término general

En este texto, «reescalamiento» designa el cambio de escala de una representación numérica. Muchas transformaciones habituales por característica tienen la forma x′ij = ajxij + bj, con constantes fijadas para cada columna. Si existe una traslación distinta de cero, se trata de una transformación afín; solo cuando esa traslación es nula es estrictamente lineal.

Convertir grados Celsius a Fahrenheit es un ejemplo afín. Expresar un ingreso en miles de unidades monetarias es un cambio puramente multiplicativo. Ninguno de los dos añade observaciones: cambia la forma de expresarlas.

Escalamiento mínimo–máximo

La transformación mínimo–máximo lleva los valores de cada característica al intervalo [0, 1] del conjunto con el que se ajusta. Para una columna no constante:

x′ij = (xij − mj) / (Mj − mj) mⱼ: mínimo de la columna j · Mⱼ: máximo de esa columna · parámetros estimados en entrenamiento.

Un valor situado a mitad del rango pasa a 0,5. La operación conserva el orden y las proporciones entre diferencias dentro de una misma columna, pero modifica la comparación entre columnas. Los datos posteriores pueden quedar fuera de [0, 1] si exceden los extremos usados al ajustar el escalador; limitar esos valores mediante recorte es una decisión adicional.[2]

Estandarización: centrar y expresar en desviaciones estándar

La estandarización habitual resta la media de cada característica y divide por su desviación estándar:

zij = (xij − μj) / σj μⱼ: media de entrenamiento · σⱼ: desviación estándar de entrenamiento, distinta de cero.

Así, z = 2 significa que el valor está dos desviaciones estándar por encima de la media de referencia. En las columnas no constantes del conjunto de ajuste se obtiene media cero y varianza uno, usando la misma convención para calcular la varianza. StandardScaler emplea el divisor n, equivalente a ddof=0.[1]

Normalización por norma: transformar cada observación

En otro uso del término, normalizar significa dividir cada vector de observación no nulo por su norma. Para la norma euclidiana:

ui = xi / ‖xi‖2 xᵢ: vector de la fila i · ‖xᵢ‖₂ = √(xᵢ₁² + ⋯ + xᵢₚ²) · requiere una norma distinta de cero.

Esta operación lleva cada fila a longitud uno y conserva su dirección, descartando la magnitud global del vector. Puede ser útil en representaciones de texto y comparaciones mediante similitud coseno. No pone, por sí sola, las distintas columnas en escalas comparables; además, exige que la norma tenga sentido para la representación elegida.[3]

02 / EjemploLas unidades pueden cambiar al vecino más cercano

Consideremos cuatro observaciones ficticias. El ingreso se expresa en unidades monetarias por mes. Utilizaremos las cuatro filas como conjunto de referencia para ilustrar las transformaciones; todavía no estamos evaluando un modelo predictivo.

Tabla 1 · Datos originales
ObservaciónEdad (años)Ingreso mensual
A202 000
B223 000
C402 100
D505 000
Datos sintéticos de elaboración propia. La combinación directa de años e ingreso se usa para mostrar el problema, no para proponer una medida sustantiva de semejanza.

Si se aplica directamente la distancia euclidiana a los números originales, la distancia de A a B es aproximadamente 1 000,002; de A a C, 101,980. C resulta más cercana a A, aunque difiera veinte años en edad, porque la diferencia de ingreso domina el cálculo.

Para mínimo–máximo, el rango de edad es 30 y el de ingreso 3 000. Para estandarizar, las medias son 33 y 3 025; las desviaciones estándar, calculadas con divisor 4, son aproximadamente 12,530 y 1 204,938.

Tabla 2 · Dos transformaciones de las mismas columnas
FilaEdad
mín.–máx.
Ingreso
mín.–máx.
Edad
z
Ingreso
z
A0,00000,0000−1,0375−0,8507
B0,06670,3333−0,8779−0,0207
C0,66670,03330,5587−0,7677
D1,00001,00001,35671,6391
Valores redondeados a cuatro decimales. Los cálculos de distancia se realizan antes del redondeo.

Después del escalamiento mínimo–máximo, las distancias de A a B y de A a C son:

d′(A, B) = √[(2/30)² + (1 000/3 000)²]
≈ 0,3399
d′(A, C) = √[(20/30)² + (100/3 000)²]
≈ 0,6675
A D: d′(A, D) ≈ 1,4142. Entre las otras tres observaciones, B pasa a ser la más cercana a A.

El vecino más cercano cambió de C a B. No cambiaron las personas ni sus atributos originales: cambió la regla numérica de comparación. El ejemplo demuestra sensibilidad a la escala; no demuestra que la segunda vecindad sea científicamente superior. Eso exige justificar qué significa «parecido» en el problema estudiado.

03 / FundamentosTres razones distintas para escalar

Geometría: decidir cómo se mide la proximidad

Si cada coordenada se transforma como x′j = (xj − bj)/sj, con sj > 0, la distancia euclidiana al cuadrado entre dos observaciones se convierte en:

d′(x, y)² = ∑j=1p (xj − yj)² / sj² p: número de características · sⱼ: divisor de escala de la característica j. La traslación común bⱼ se cancela al restar.

La identidad muestra que escalar equivale a introducir una ponderación por coordenada: cada diferencia al cuadrado recibe el factor 1/sj². Esto afecta a K vecinos más cercanos cuando utiliza una métrica sensible a la escala, y a K-means con su objetivo euclidiano habitual. La estandarización iguala varianzas marginales en el conjunto de ajuste; no iguala la información que aporta cada variable ni elimina sus correlaciones.[4]

Optimización: facilitar el recorrido hacia una solución

En problemas ajustados mediante gradiente, las escalas muy diferentes pueden producir curvaturas desiguales en la función objetivo. Una tasa de aprendizaje suficientemente pequeña para una dirección puede hacer lento el avance en otra. Un escalamiento adecuado puede mejorar el condicionamiento y favorecer la convergencia, aunque no elimina toda dificultad numérica ni garantiza una aceleración determinada.[5]

Conviene distinguir el modelo del algoritmo que lo ajusta: una misma familia de modelos puede estimarse mediante procedimientos numéricos diferentes. Por eso, «mejora el entrenamiento» y «cambia la solución estadística» no son afirmaciones equivalentes.

Regularización: las unidades también afectan a las penalizaciones

En un predictor lineal, multiplicar una característica por una constante permite dividir su coeficiente por esa constante sin cambiar su contribución a la predicción. Sin embargo, una penalización L1 o L2 sobre los coeficientes sí cambia bajo esa reparametrización si se mantiene su forma y fuerza. De ahí que la escala importe en Ridge, Lasso y regresión logística regularizada.[6]

La razón para escalar no se reduce, por tanto, al uso explícito de distancias. En mínimos cuadrados sin penalización, con intercepto y una transformación afín invertible de las características, el espacio de predicciones ajustadas se conserva en aritmética exacta; aun así, el comportamiento numérico puede variar.

Elegir una escala es elegir cómo se comparan las diferencias.

04 / Caso particularPCA: ¿qué variabilidad queremos conservar?

El análisis de componentes principales busca direcciones de máxima varianza mediante combinaciones lineales de las características. Trabajar con datos centrados en sus unidades originales da un PCA de la matriz de covarianzas; estandarizar previamente, con una convención coherente de varianza, conduce al PCA de la matriz de correlaciones.

Las diferencias de unidades pueden hacer que una característica con gran varianza numérica domine ciertos componentes. Pero un valor medio elevado no implica gran varianza: una variable puede tener valores grandes y variar muy poco. Lo relevante para el PCA es la dispersión y la estructura de covariación.

Estandarizar antes del PCA es una decisión analítica. Puede justificarse cuando las unidades son heterogéneas y se pretende comparar la variación relativa de las características. Si todas comparten unidades y las diferencias de varianza tienen significado sustantivo, eliminarlas puede ocultar información relevante.[4]

Tampoco debe identificarse el PCA con el descenso de gradiente. Su cálculo habitual utiliza descomposición en valores singulares de los datos centrados o descomposición espectral de la matriz de covarianzas. En scikit-learn, PCA centra las características, pero no las estandariza automáticamente.[7]

05 / CriterioCómo elegir una transformación

El punto de partida debe ser el mecanismo del modelo, la distribución observada y el significado de las variables. Las siguientes opciones son hipótesis de trabajo para contrastar, no garantías de superioridad:

Tabla 3 · Guía de elección
SituaciónOpción a evaluarPrecaución
Comparar diferencias en unidades de dispersiónEstandarizaciónLa media y la desviación son sensibles a extremos.
Usar un intervalo de referencia acotadoMínimo–máximoValores futuros pueden superar el intervalo; los extremos comprimen el resto.
Reducir la influencia de extremos sobre los parámetros de escalaMediana y rango intercuartílicoNo elimina observaciones atípicas ni vuelve robusto todo el modelo.
Comparar dirección o composición del vectorNormalización por normaDescarta su magnitud global.
Árboles con cortes por una característicaConservar la escala originalVerificar las necesidades de los demás pasos del proceso.
La elección y sus hiperparámetros deben contrastarse en validación, manteniendo reservado el conjunto final de prueba.

Valores atípicos y escalamiento robusto

Cuando unos pocos extremos alteran mucho la media, la desviación o el rango, conviene considerar una referencia menos sensible. Una transformación habitual es:

rij = [xij − mediana(Xj)] / [Q3,j − Q1,j] Q₁ y Q₃: cuartiles primero y tercero de entrenamiento · su diferencia es el rango intercuartílico, que debe ser distinto de cero para esta fórmula.

RobustScaler aplica este criterio por defecto. «Robusto» se refiere aquí a cómo se estiman el centro y la escala: un extremo puede seguir muy alejado después de transformar y todavía influir sobre el estimador posterior.[8]

Casos en que escalar suele aportar poco

Los árboles convencionales que dividen una característica mediante umbrales conservan, en aritmética exacta, las mismas particiones posibles bajo transformaciones afines de pendiente positiva. El orden de sus valores no cambia. Por eso, el escalamiento no suele ser necesario para esos árboles ni para conjuntos que se basan exclusivamente en ellos; pueden existir diferencias de implementación o precisión numérica.[11]

Una cadena que incluya selección por distancias, PCA u otro paso sensible a la escala puede necesitarlo aunque su predictor final sea un árbol. La evaluación debe considerar el procedimiento completo.

06 / AplicaciónTransformar sin anticipar información

Los parámetros del escalamiento se aprenden de los datos: medias, desviaciones, extremos o cuantiles. Si se calculan con el conjunto completo antes de separar entrenamiento y prueba, se permite que la prueba influya en la construcción del modelo. Esa fuga de información puede producir una evaluación demasiado optimista.

La regla operativa es sencilla: ajustar el escalador solo con entrenamiento y reutilizar sus parámetros en los demás datos. Dentro de validación cruzada, el ajuste debe repetirse en la parte de entrenamiento de cada partición. Una Pipeline permite realizar ese procedimiento conjuntamente con el estimador.[9]

Ejemplo reproducible · Python / scikit-learn
from sklearn.datasets import load_iris
from sklearn.model_selection import (
    StratifiedKFold,
    cross_val_score,
    train_test_split,
)
from sklearn.neighbors import KNeighborsClassifier
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25,
    stratify=y, random_state=42,
)

modelo = make_pipeline(
    StandardScaler(),
    KNeighborsClassifier(n_neighbors=5),
)
cv = StratifiedKFold(
    n_splits=5, shuffle=True, random_state=42,
)

# El escalador se ajusta dentro de cada partición.
scores = cross_val_score(
    modelo, X_train, y_train,
    cv=cv, scoring="accuracy",
)
print(f"Exactitud media en CV: {scores.mean():.3f}")

# Ajuste final solo con entrenamiento.
modelo.fit(X_train, y_train)
print(f"Exactitud en prueba: {modelo.score(X_test, y_test):.3f}")
Iris permite ejecutar el ejemplo sin descargar un archivo externo. La prueba se usa al final; si se comparan escaladores o hiperparámetros, esa comparación corresponde a la validación dentro de entrenamiento.

El ejemplo ilustra la separación correcta entre ajuste y evaluación; no pretende demostrar que estandarizar siempre mejore Iris. En datos temporales, agrupados por persona o con otras dependencias, también debe elegirse una partición que respete esa estructura.

Al aplicar el modelo a observaciones futuras se conserva el escalador aprendido. Reajustarlo independientemente sobre cada lote cambia las coordenadas de entrada y rompe la correspondencia con el modelo entrenado.

07 / AlcanceLo que el escalamiento no resuelve

Escalar forma parte del preprocesamiento, pero no sustituye la limpieza ni la evaluación de la calidad de los datos. No corrige errores de medición, duplicados, sesgos de selección o etiquetas equivocadas; tampoco imputa automáticamente los valores faltantes.

  • Columnas constantes. Si el rango o la desviación son cero, las fórmulas correspondientes requieren un tratamiento específico. Conviene detectar esas columnas y decidir si se conservan.
  • Datos dispersos. Restar la media puede convertir ceros en valores no nulos y elevar mucho el consumo de memoria. StandardScaler(with_mean=False) evita el centrado cuando se necesita preservar la dispersión.[1]
  • Variables categóricas. Asignarles números no establece automáticamente un orden o una distancia legítimos. Su codificación requiere una decisión separada.
  • Interpretación. Un coeficiente expresado por desviación estándar responde a una pregunta distinta de uno expresado por año o por unidad monetaria. La escala elegida debe quedar documentada.

La cuestión metodológica decisiva es qué diferencias del fenómeno se desea conservar y cuáles provienen únicamente de sus unidades de representación. El conocimiento del objeto de estudio orienta esa elección; la validación permite contrastar sus consecuencias predictivas. Así entendido, el escalamiento es una decisión explícita de modelización.

08 / Aparato críticoReferencias y notas

Las llamadas numéricas remiten a documentación primaria de las herramientas y a material universitario. Los datos y cálculos del ejemplo de edad e ingreso son de elaboración propia. Documentación consultada el 26 de octubre de 2026.

  1. Scikit-learn developers. (s. f.). StandardScaler. Documentación de scikit-learn.
  2. Scikit-learn developers. (s. f.). MinMaxScaler. Documentación de scikit-learn.
  3. Scikit-learn developers. (s. f.). Normalizer. Documentación de scikit-learn.
  4. Scikit-learn developers. (s. f.). Importance of Feature Scaling. Ejemplos de scikit-learn.
  5. Scikit-learn developers. (s. f.). Stochastic Gradient Descent. Guía de usuario de scikit-learn.
  6. Scikit-learn developers. (s. f.). Linear Models. Guía de usuario de scikit-learn. Véanse los apartados sobre Ridge, Lasso y regresión logística.
  7. Scikit-learn developers. (s. f.). PCA. Documentación de scikit-learn.
  8. Scikit-learn developers. (s. f.). RobustScaler. Documentación de scikit-learn.
  9. Scikit-learn developers. (s. f.). Common pitfalls and recommended practices. Guía de usuario de scikit-learn.
  10. The Pennsylvania State University. (s. f.). SLR Model Assumptions. STAT 501: Regression Methods.
  11. Scikit-learn developers. (s. f.). Decision Trees. Guía de usuario de scikit-learn.


Descubre más de Marxist Philosophy of Science

Suscríbete para recibir las últimas entradas en tu correo electrónico.

Follow the blogSeguí al blog

Comments

Una respuesta a “¿POR QUÉ SE REALIZA UN AJUSTE POR RE-ESCALAMIENTO, NORMALIZACIÓN O ESTANDARIZACIÓN SOBRE LOS DATOS EN EL CONTEXTO DEL APRENDIZAJE AUTOMÁTICO?”

  1. […] Nabi, I. (3 de Abril de 2021). ¿Por qué se realiza un ajuste por re-escalamiento, normalización o estandarización sobre los datos en el contexto del aprendizaje automático? Obtenido de El Blog de Isadore Nabi: https://marxianstatistics.com/2021/04/03/por-que-se-realiza-un-ajuste-por-re-escalamiento-normalizac… […]

Leave a Comment/Deja un Comentario