Marxist Philosophy of Science
Estadística · Métodos · Aprendizaje automático
Reescalamiento, normalización y estandarización
¿Por qué transformar las escalas de los datos en el aprendizaje automático?
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:
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:
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:
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.
| Observación | Edad (años) | Ingreso mensual |
|---|---|---|
| A | 20 | 2 000 |
| B | 22 | 3 000 |
| C | 40 | 2 100 |
| D | 50 | 5 000 |
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.
| Fila | Edad mín.–máx. | Ingreso mín.–máx. | Edad z | Ingreso z |
|---|---|---|---|---|
| A | 0,0000 | 0,0000 | −1,0375 | −0,8507 |
| B | 0,0667 | 0,3333 | −0,8779 | −0,0207 |
| C | 0,6667 | 0,0333 | 0,5587 | −0,7677 |
| D | 1,0000 | 1,0000 | 1,3567 | 1,6391 |
Después del escalamiento mínimo–máximo, las distancias de A a B y de A a C son:
≈ 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:
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:
| Situación | Opción a evaluar | Precaución |
|---|---|---|
| Comparar diferencias en unidades de dispersión | Estandarización | La media y la desviación son sensibles a extremos. |
| Usar un intervalo de referencia acotado | Mínimo–máximo | Valores futuros pueden superar el intervalo; los extremos comprimen el resto. |
| Reducir la influencia de extremos sobre los parámetros de escala | Mediana y rango intercuartílico | No elimina observaciones atípicas ni vuelve robusto todo el modelo. |
| Comparar dirección o composición del vector | Normalización por norma | Descarta su magnitud global. |
| Árboles con cortes por una característica | Conservar la escala original | Verificar las necesidades de los demás pasos del proceso. |
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:
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]
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}")
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.
- Scikit-learn developers. (s. f.). StandardScaler. Documentación de scikit-learn.
- Scikit-learn developers. (s. f.). MinMaxScaler. Documentación de scikit-learn.
- Scikit-learn developers. (s. f.). Normalizer. Documentación de scikit-learn.
- Scikit-learn developers. (s. f.). Importance of Feature Scaling. Ejemplos de scikit-learn.
- Scikit-learn developers. (s. f.). Stochastic Gradient Descent. Guía de usuario de scikit-learn.
- Scikit-learn developers. (s. f.). Linear Models. Guía de usuario de scikit-learn. Véanse los apartados sobre Ridge, Lasso y regresión logística.
- Scikit-learn developers. (s. f.). PCA. Documentación de scikit-learn.
- Scikit-learn developers. (s. f.). RobustScaler. Documentación de scikit-learn.
- Scikit-learn developers. (s. f.). Common pitfalls and recommended practices. Guía de usuario de scikit-learn.
- The Pennsylvania State University. (s. f.). SLR Model Assumptions. STAT 501: Regression Methods.
- Scikit-learn developers. (s. f.). Decision Trees. Guía de usuario de scikit-learn.


Leave a Comment/Deja un Comentario