Escalado de características

Es una técnica de preprocesamiento de datos utilizada en machine learning para ajustar las escalas de las características o variables a un rango común.

Ayuda a que los algoritmos que dependen de la magnitud de los datos, como los que utilizan distancias o gradientes, funcionen de manera más efectiva y estable.

Existen métodos comunes para realizar este ajuste, como la normalización, que escala los valores entre 0 y 1, y la estandarización, que transforma los datos para que tengan una media de 0 y una desviación estándar de 1.

Es especialmente importante en algoritmos sensibles como el k-Nearest Neighbors (k-NN), regresión logística y redes neuronales, ya que evita que características con mayores magnitudes dominen sobre otras de menor escala.

Su correcta implementación mejora la eficiencia, precisión y convergencia en modelos de aprendizaje automático.