Unidad Temática 3 – Feature Engineering¶
En esta unidad se trabajaron las técnicas de feature engineering aplicadas al aprendizaje automático, con el objetivo de optimizar la representación de los datos y mejorar la capacidad predictiva de los modelos.
Se abordaron enfoques para transformar, codificar, reducir y seleccionar características relevantes, integrando teoría y práctica en contextos de negocio reales.
Prácticas realizadas¶
-
Diseñando el valor oculto: cómo el feature engineering mejora la predicción de precios de vivienda
Creación de features derivadas, transformaciones logarítmicas y variables de interacción aplicadas a un caso inmobiliario con datos sintéticos y Ames Housing. -
Codificando la realidad: cómo el encoding categórico mejora la predicción de ingresos en datos del censo
Comparación de técnicas de encoding categórico y su impacto en el rendimiento de modelos supervisados. -
Reduciendo el ruido: cómo PCA y Feature Selection revelan las variables clave del valor inmobiliario
Aplicación de PCA y métodos de selección de características para identificar factores relevantes y eliminar redundancias. -
Modelando el tiempo: cómo el feature engineering temporal anticipa la recompra en e-commerce
Implementación de lag features, rolling windows, expanding windows, RFM, calendar features y validación temporal con TimeSeriesSplit evitando data leakage. -
Caso Retail Churn: cómo el feature engineering anticipa el abandono de clientes
Caso aplicado donde se construyen features de comportamiento (RFM, engagement, codificación categórica avanzada y PCA) para identificar señales tempranas de abandono y mejorar la capacidad interpretativa del modelo.
Reflexión de la unidad¶
- La creación de features derivadas e interacciones mostró cómo relaciones no evidentes pueden aportar más valor que las variables originales.
-
La codificación categórica confirmó su importancia en modelos sensibles a la representación de categorías.
-
La reducción dimensional facilitó interpretabilidad y redujo ruido en datos con alta correlación.
- El feature engineering temporal reveló patrones secuenciales de comportamiento fundamentales en series de tiempo y análisis de usuarios.
-
La unidad reforzó que el rendimiento de un modelo depende en gran medida de la calidad y diseño de sus features, más que del algoritmo utilizado.
-
Retail Churn profundizó la importancia del feature engineering como núcleo del análisis predictivo: la construcción de variables basadas en comportamiento real permitió detectar patrones de abandono imposibles de observar con los datos originales.
Flujo de trabajo de UT3¶
Este esquema refleja las etapas clave del feature engineering: partir de los datos base, generar transformaciones, codificar variables, aplicar reducción o selección y obtener un conjunto final de features listo para modelado.
Conclusión final de UT3¶
La UT3 permitió consolidar una comprensión integral del feature engineering como etapa crítica dentro del proceso de machine learning.
A través de las distintas prácticas, se integraron técnicas de codificación categórica, evaluación comparativa, reducción dimensional y creación de variables temporales, demostrando cómo la calidad y el diseño de las features determinan el rendimiento, la interpretabilidad y la escalabilidad de los modelos predictivos.
El aprendizaje obtenido en esta unidad refuerza que el valor real de un modelo surge de cómo se construyen las variables, combinando conocimiento técnico, razonamiento estadístico y comprensión del dominio del problema.