Del EDA al modelado

De la pregunta al objetivo

La exploración abre y afina preguntas; el modelado las congela en una variable objetivo y una función. Elegir bien ese objetivo es la primera decisión, y debe nacer de lo aprendido mirando, no de lo conveniente de calcular.

Seleccionar variables con criterio

El EDA revela qué variables se relacionan con el objetivo, cuáles son redundantes y cuáles un confusor. Esta intuición guía la selección de predictores, aunque hay que resistir la tentación de incluir todo lo que «se vio bien» en la exploración.

Transformaciones sugeridas

Una relación curva vista en la dispersión pide un polinomio o una transformación; una cola larga, un logaritmo; una interacción sospechada, un término cruzado. El EDA sugiere el espacio de funciones que el modelo podrá explotar.

El peligro de confirmar lo explorado

Si el modelo se construye con las mismas variables que se eligieron mirando la respuesta en los mismos datos, la «validación» es teatro: se está confirmando un hallazgo por construcción. La separación entre exploración y confirmación exige datos o protocolos distintos.

Fuga desde la exploración

Seleccionar variables, decidir transformaciones o fijar umbrales mirando todo el conjunto, incluida la validación, filtra información igual que un transformador mal ajustado. La exploración que contamina el test hincha el rendimiento reportado.

Formular hipótesis comprobables

Lo que el EDA sugiere como patrón debe volverse una hipótesis que el modelado pueda refutar: «esta variable aporta más allá de las demás», «la relación es decreciente». El modelo es la prueba de fuego de la intuición exploratoria.

Decidir familia de modelo

La forma vista orienta la elección: lineal si las dispersiones eran rectas, árboles si había interacciones y umbrales, modelos aditivos si cada variable aportaba por separado. Explorar bien reduce el espacio de modelos candidatos.

Preparar la validación honesta

Antes de ajustar, conviene reservar un conjunto que la exploración jamás tocó, y planificar los protocolos de validación cruzada sin mirar el test. La honestidad del número final depende de esta separación previa, no de buenas intenciones posteriores.

Detectar problemas heredados

Desequilibrio, colinealidad, datos faltantes sistemáticos: muchos males del modelo se anunciaron en el EDA. Tratarlos al empezar el modelado —remuestreo, regularización, imputación— es más eficaz que descubrirlos cuando el modelo ya falló.

Iterar modelo y exploración

La transición no es unidireccional. Un modelo que falla devuelve al analista a explorar: residuos con estructura, variables que no aportan, subgrupos problemáticos. Explorar y modelar alternan hasta que ambos se cuadran.

Interpretar con lo aprendido

Conocer los datos permite interpretar el modelo con sentido: saber que un coeficiente enorme corresponde a una variable en escala rara, o que una predicción extrema cae fuera del dominio explorado. El EDA es el contexto que vuelve legible la salida del modelo.

Documentar el puente

Cada decisión de modelado debería poder rastrearse a una observación exploratoria. Ese hilo entre lo visto y lo hecho hace el trabajo auditable y defendible, y separa la ingeniería de datos del arte de ajustar parámetros a ciegas.

Errores frecuentes

• Modelar sin haber explorado, confiando en que el algoritmo descubrirá lo que el analista no miró.
• Seleccionar y validar sobre los mismos datos que la exploración, e inflar el rendimiento.
• Ignorar los problemas de datos que el EDA ya había delatado.

Del «wow» al «funciona»

Un hallazgo exploratorio emocionante aún no es un modelo útil: hay que comprobar que aguanta fuera de la muestra, que no dependió del azar de una mirada, que se puede operar con datos nuevos. El puente convierte el «mira qué curioso» en «esto mejora decisiones».

La humildad del número final

Quien exploró sabe cuán frágil fue el camino: cuántas miradas, descartes y decisiones. Esa memoria frena la arrogancia del «mi modelo acierta el noventa y cinco por ciento» sin contexto. El EDA enseña a desconfiar sanamente del propio resultado.

Interpretable ML
Cómo la comprensión de los datos se traduce en modelos interpretables.