La reducción de dimensionalidad disminuye el número de variables de un conjunto de datos sin perder la información esencial. Métodos conocidos son el análisis de componentes principales (PCA) y t-SNE y UMAP, que se usan a menudo para visualizar. Acelera los cálculos, reduce el riesgo de sobreajuste y hace los datos más comprensibles, por ejemplo al llevar cientos de atributos de clientes a un mapa bidimensional en el que los clientes parecidos quedan cerca.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoLa extracción de características (feature extraction) consiste en obtener a partir de datos brutos valores significativos que un modelo pueda procesar de forma eficiente. En lugar de millones de píxeles sueltos, un sistema usa por ejemplo bordes, colores o formas; los textos se convierten en pesos de palabras o vectores de embedding. Unas buenas características reducen el volumen de datos y el esfuerzo de cálculo, y a menudo mejoran la precisión. Es una parte central del feature engineering.
El clustering (agrupamiento) es un método de aprendizaje no supervisado que divide los datos en grupos según su similitud, sin categorías predefinidas. Así salen a la luz patrones que nadie había nombrado, por ejemplo segmentos de clientes con hábitos de compra parecidos. Con textos, ayuda a ordenar cientos de consultas de clientes por temas como envío, facturación o reclamaciones y a ver dónde se concentran.
El sobreajuste (overfitting) se produce cuando un modelo memoriza los datos de entrenamiento, incluidos el azar y el ruido, en lugar de captar patrones de validez general. Parece muy preciso con los datos conocidos, pero da malos resultados con datos nuevos. Una señal típica es una gran diferencia entre el error de entrenamiento y el de prueba. Las contramedidas son más datos o datos más variados, modelos más sencillos, regularización, dropout y validación cruzada.
La ingeniería de características (feature engineering) consiste en seleccionar, transformar y crear atributos a partir de datos en bruto para que un algoritmo de aprendizaje detecte mejor los patrones. La extracción de características obtiene valores compactos y significativos de datos complejos como textos, imágenes o señales. Ejemplo: a partir de compras individuales se crean atributos como «días desde la última compra» o «importe medio del pedido», que pueden mejorar mucho una predicción de abandono.
