Transformaciones de variables

Para qué transformar

Muchos modelos asumen relaciones lineales, residuos simétricos o escalas comparables. Cuando los datos las violan, el modelo sufre. Transformar acerca los datos a esas suposiciones y realza la señal que estaba comprimida o desbordada.

Logaritmos y colas pesadas

Variables como ingresos o poblaciones se amontonan a la izquierda con una cola larguísima. El logaritmo aplasta la cola, reparte el espacio y convierte crecimientos multiplicativos en aditivos, haciendo el patrón legible para modelos lineales.

Tramos y discretización

Partir una continua en tramos —edades en franjas, temperatura en intervalos— captura umbrales y relaciones no monótonas que una recta jamás dirá. Paga con pérdida de detalle fino y elección de cortes, que conviene hagan con criterio.

Polinomios y curvatura

Añadir potencias de una variable deja que un modelo lineal dibuje curvas: una parábola encaja relaciones con vuelta. Es barato y expresivo, pero los grados altos se descontrolan en los bordes; hay que graduarlo con validación.

Escalado y centrado

Restar la media y dividir por la desviación deja cada variable en escala comparable, imprescindible para regularización, vecinos más cercanos o descenso de gradiente. No cambia relaciones, pero cambia quién pesa en modelos sensibles a la magnitud.

Tratar extremos

Recortar colas o usar transformaciones resistentes evita que unos pocos valores descomunales arrastren el ajuste. La elección depende: ¿importa el valor exacto del extremo o solo su orden? No es lo mismo en ingresos que en temperaturas.

Monotonía y su efecto

Las transformaciones crecientes preservan el orden de los datos, así que no alteran métricas basadas en ranking como el área bajo la curva. Cambian, en cambio, la media, la varianza y la forma de los residuos, que es lo que interesa a muchos modelos.

Conocimiento del dominio primero

La mejor transformación nace de entender la variable, no de probar a ciegas. Saber que una magnitud crece exponencialmente, o que tiene un umbral fisiológico, dicta el logaritmo o el tramo. La intuición del experto ataja cien experimentos.

Errores frecuentes

• Aplicar transformaciones sin registrar la inversa, y no poder interpretar en unidades reales.
• Discretizar con demasiados tramos, desperdiciando la ventaja de la transformación.
• Transformar para inflar la métrica de validación sin causa que lo justifique.

Ejemplo resuelto: transformar ingresos para un modelo lineal

Una aseguradora ajusta una regresión para predecir el importe de sus pólizas, pero los ingresos, muy asimétricos, deforman el ajuste. El protocolo:

1. Diagnosticar: observar el histograma de ingresos y confirmar la cola larga hacia la derecha.
2. Aplicar logaritmo para comprimir la cola y repartir la distribución.
3. Reajustar el modelo y comparar la banda de residuos con la versión sin transformar.
4. Guardar la inversa del logaritmo para volver a leer en euros reales.
5. Verificar en validación que la mejora es estable y no un artefacto del azar.

¿Para qué sirve en la realidad?

Ingresos, poblaciones, tiempos de espera o ventas crecen multiplicativamente y desbordan a los modelos lineales. El logaritmo y los tramos, guiados por el dominio, suelen valer más que cambiar de algoritmo: hacen legible un patrón que la escala original escondía.

Transformar dentro del pipeline

Toda transformación que aprenda parámetros —el escalado, los cortes— debe vivir dentro del pipeline para ajustarse solo con entrenamiento. Aplicarla antes de dividir abre la puerta a la fuga.

# Transformaciones
## Logaritmo
### colas pesadas
### crecimiento multiplicativo
## Tramos
### umbrales
### no monótono
## Polinomio
### curvatura
### cuidado en bordes
## Escalado
### comparar magnitudes
### sin cambiar forma