Ingeniería de Variables para Machine Learning - Código

Publicado en Junio de 2020

Curso Original en Inglés: Feature Engineering for Machine Learning

Links

• Curso Online en Español

Tabla de Contenidos

Todas las técnicas aplicadas con Pandas, Scikit-learn y Feature-engine

1. Tipos de variables

   1. Numéricas
   2. Categóricas
   3. Fecha y hora
   4. Mixtas

2. Características de las variables

   1. Datos ausentes
   2. Cardinalidad
   3. Etiquetas raras
   4. Supuestos de los modelos
   5. Valores extremos
   6. Escala de las variables

3. Sustitución de datos faltantes

   1. Análisis de Casos Completos
   2. Imputación con la media y la mediana
   3. Sustitución con valor arbitrario
   4. Imputación con valor al final de la distribución
   5. Sustitución con la categoría más frecuenta (moda)
   6. Imputación con categoría adicional
   7. Imputación aleatoria
   8. Agregado de indicador de ausencia
   9. Secuencia de imputación

4. Codificación de variables categóricas

   1. Codificación One Hot
   2. Codificación One Hot de categorías frecuentes
   3. Codificación Ordinal
   4. Codificación con cuentas o frecuencias
   5. Codificación ordinal ordenada
   6. Codificación con la media de la variable de respuesta
   7. Codificación con tasa de probabilidad
   8. Peso de la evidencia
   9. Manejo de etiquetas raras

5. Transformación de variables numéricas

   1. Transformación Logarítmica
   2. Transformación de Potencia
   3. Transformación Reciproca
   4. Transformación de BoxCox
   5. Transformación de Yeo-Johnson

6. Discretización

   1. Discretización con intervalos de igual rango
   2. Discretización con intervalos de igual frecuencia
   3. Discretización arbitraria
   4. Discretización con árboles de decisión

7. Datos Extremos

   1. Remoción de datos extremos
   2. Truncamiento
   3. Winzorisación

8. Escalamiento de variables

   1. Estandarización
   2. Escalamiento por la media
   3. Escalamiento al mínimo y máximo valor
   4. Escalamiento al máximo absoluto
   5. Escalamiento con mediana y rango entre-cuartil
   6. Normalización a la norma del vector

9. Variables mixtas

   1. Separación en componente numérico y componente categórico

10. Variables de fecha y hora

    1. Extracción de componentes de día, mes y año
    2. Extracción de hora, minutos y segundos
    3. Captura de tiempo transcurrido
    4. Manejo de zonas horarias

11. Ensamblado de flujos de aprendizaje automático

    1. Regresión
    2. Clasificación