Ingeniería de características con recipes

En tidymodels, una recipe es un esquema para preprocesar los datos. Registra los pasos necesarios para transformar datos sin procesar en características listas para el modelo, sin aplicarlos inmediatamente.

La función clave es recipe(outcome ~ ., data = train), que define la fórmula y el conjunto de datos de referencia usado para estimar las estadísticas necesarias durante el preprocesamiento.

step_normalize(all_numeric_predictors()) centra cada predictor numérico en una media de 0 y lo escala a una desviación estándar de 1. Esto es esencial para algoritmos sensibles a la escala de las características, como la regresión logística, SVM o las redes neuronales.

La media y la desviación estándar se calculan a partir del conjunto de entrenamiento y se aplican de forma coherente a los datos de prueba mediante bake().

step_dummy(all_nominal_predictors()) convierte las variables categóricas (factor/character) en columnas numéricas dummy (codificadas mediante one-hot). De forma predeterminada, crea k-1 columnas para un factor de k niveles, evitando la multicolinealidad perfecta.

Use one_hot = TRUE para modelos basados en árboles que se benefician de una codificación one-hot completa.

Los valores ausentes provocan errores en la mayoría de los motores de modelos. step_impute_median(all_numeric_predictors()) reemplaza los valores NA por la mediana calculada a partir del conjunto de entrenamiento. La mediana es más resistente a los valores atípicos que la imputación mediante la media.

Para variables categóricas, use step_impute_mode() para rellenarlas con el valor más frecuente.

step_zv(all_predictors()) elimina cualquier predictor que tenga un único valor distinto (varianza cero). Estas columnas no aportan información y pueden provocar errores en algunos motores de modelos.

Para una varianza cercana a cero, use step_nzv(all_predictors()), que también elimina las columnas en las que un valor predomina de forma abrumadora.

prep(recipe) estima todos los parámetros requeridos por los pasos —por ejemplo, la media y la desviación estándar para la normalización, o las medianas para la imputación— usando los datos de entrenamiento. El resultado es una recipe preparada que conoce todos los parámetros de transformación.

Prepare siempre la recipe únicamente con los datos de entrenamiento para evitar la fuga de datos del conjunto de prueba.

bake(prepped_recipe, new_data = test_data) aplica todos los pasos de preprocesamiento usando los parámetros ya estimados a cualquier conjunto de datos. Esto garantiza que las transformaciones sean coherentes entre el entrenamiento y la prueba.

Pase new_data = NULL para aplicar la transformación a los datos de entrenamiento utilizados durante prep().

juice(prepped_recipe) es una función auxiliar equivalente a bake(prepped_recipe, new_data = NULL). Devuelve la versión preprocesada de los datos de entrenamiento utilizados durante prep().

Nota: juice() está ligeramente obsoleta en favor de bake(prep, new_data = NULL), pero la verá en código antiguo de tidymodels.

Los pasos se aplican en el orden en que se añaden. Una recipe de producción habitual sigue este orden:

1. Imputación (corregir primero los NA)
2. Creación de características (interacciones, polinomios)
3. Codificación dummy (convertir factores)
4. Eliminación de la varianza cero
5. Normalización (escalar al final)

Este orden es importante; por ejemplo, normalizar antes de la codificación dummy produciría resultados incorrectos.

Después de llamar a prep(), puede inspeccionar lo que hizo cada paso mediante tidy(prepped_rec). Cada paso tiene un identificador numérico, y puede examinarlo con tidy(prepped_rec, number = 1) para ver los parámetros estimados.

Las recipes muestran todo su potencial cuando se combinan con workflows. En lugar de llamar manualmente a prep() y bake(), añada la recipe a un workflow y tidymodels gestionará prep/bake automáticamente durante fit() y predict().

Esto elimina una fuente habitual de errores: que el preprocesamiento se aplique de forma diferente durante el entrenamiento y la inferencia.

Conclusiones clave de Ingeniería de características con Recipes:

• recipe(outcome ~ ., data = train) define el esquema de preprocesamiento.
• step_normalize(), step_dummy(), step_impute_median() y step_zv() son los pasos más utilizados.
• prep() estima los parámetros únicamente a partir de los datos de entrenamiento; nunca a partir de los datos de prueba.
• bake(prepped, new_data) aplica la recipe entrenada a cualquier conjunto de datos.
• El orden de los pasos es importante: imputar → crear → codificar → eliminar → escalar.
• En producción, encapsule la recipe en un workflow() para automatizar prep/bake durante fit y predict.