Ahora que hemos gestionado los valores faltantes y codificado las características categóricas, hemos resuelto todos los problemas que podrían generar un error al alimentar los datos al modelo. Sin embargo, existe otro problema que mencionamos: diferentes escalas.

Este problema no generará errores si se alimentan los datos en su estado actual al modelo, pero puede empeorar sustancialmente algunos modelos de ML.

Considere un ejemplo donde una característica es 'age', con un rango de 18 a 50, y la segunda característica es 'income', con un rango de $25,000 a $500,000. Es evidente que una diferencia de diez años en la edad es más significativa que una diferencia de diez dólares en los ingresos.

Sin embargo, algunos modelos, como k-NN (que utilizaremos en este curso), pueden tratar estas diferencias como igualmente importantes. En consecuencia, la columna 'income' tendrá un impacto mucho mayor en el modelo. Por lo tanto, es fundamental que las características tengan aproximadamente el mismo rango para que k-NN funcione de manera efectiva.

Aunque otros modelos pueden verse menos afectados por las diferentes escalas, escalar los datos puede mejorar significativamente la velocidad de procesamiento. Por ello, el escalado de datos suele incluirse como un paso final en el preprocesamiento.

El próximo capítulo cubrirá los tres transformadores más utilizados para el escalado de datos. Estos son StandardScaler, MinMaxScaler y MaxAbsScaler.