Glosario

Ingeniería y extracción de características

¿Qué es Ingeniería y extracción de características?

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.

Temas

Aprendizaje automático
Preparación de datos
Características

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo

← Todos los términos

Términos relacionados

Extracción de características

La 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.

preparación de datos
feature engineering
+1

Reducción de dimensionalidad

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.

análisis de datos
PCA
+1

Limpieza de datos

La limpieza de datos consiste en detectar y corregir entradas erróneas, duplicadas o incoherentes en un conjunto de datos. Pasos típicos son unificar grafías y formatos de fecha, eliminar espacios sobrantes y fusionar duplicados como «García S.L.» y «Garcia SL». Unos datos limpios son la base de análisis, envíos masivos y aplicaciones de IA fiables.

calidad de datos
duplicados
+1

Plantilla

Aprendizaje automático

El aprendizaje automático (machine learning) es una rama de la inteligencia artificial en la que los ordenadores deducen patrones de los datos en vez de recibir cada regla programada. Según la tarea, los modelos aprenden de ejemplos etiquetados (supervisado), de datos sin etiquetar (no supervisado) o mediante recompensas (por refuerzo). Las aplicaciones van desde filtros de spam y previsiones de demanda hasta recomendaciones de productos. La calidad depende mucho de la cantidad y la calidad de los datos de entrenamiento.

fundamentos
IA
+1