Rangos personalizados mediante el parámetro `feature_range`
Aspectos críticos del flujo de trabajo
+ info
+ INFO
RANGOS PERSONALIZADOS MEDIANTE EL PARÁMETRO `FEATURE_RANGE`
ASPECTOS CRÍTICOS DEL FLUJO DE TRABAJO
La implementación mediante MinMaxScaler de scikit-learn requiere considerar aspectos críticos del flujo de trabajo. Durante el entrenamiento, el escalador calcula y almacena los valores mínimo y máximo del conjunto de datos, que posteriormente se utilizan para transformar tanto los datos de entrenamiento como los de prueba. Resulta fundamental aplicar el método `fit()` únicamente sobre los datos de entrenamiento para evitar data leakage, donde información del conjunto de prueba contaminaría el proceso de entrenamiento.
3.1 Normalización Min-Max
CESUR
Created on February 3, 2026
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Newspaper Presentation
View
Audio tutorial
View
Pechakucha Presentation
View
Desktop Workspace
View
Decades Presentation
View
Psychology Presentation
View
Medical Dna Presentation
Explore all templates
Transcript
Rangos personalizados mediante el parámetro `feature_range`
Aspectos críticos del flujo de trabajo
+ info
+ INFO
RANGOS PERSONALIZADOS MEDIANTE EL PARÁMETRO `FEATURE_RANGE`
ASPECTOS CRÍTICOS DEL FLUJO DE TRABAJO
La implementación mediante MinMaxScaler de scikit-learn requiere considerar aspectos críticos del flujo de trabajo. Durante el entrenamiento, el escalador calcula y almacena los valores mínimo y máximo del conjunto de datos, que posteriormente se utilizan para transformar tanto los datos de entrenamiento como los de prueba. Resulta fundamental aplicar el método `fit()` únicamente sobre los datos de entrenamiento para evitar data leakage, donde información del conjunto de prueba contaminaría el proceso de entrenamiento.