Sección 3.2 #

Características categóricas #

Patrones prácticos para codificar categorías, tratar niveles raros, manejar alta cardinalidad y combinar con variables numéricas en pipelines.

Codificaciones comunes #

• One‑hot / Dummy: opción segura con baja cardinalidad; cuidado con la dimensionalidad.
• Ordinal: cuando existe un orden natural (p. ej., bajo < medio < alto).
• Objetivo / Media (Target/Mean): potente, requiere codificación con validación cruzada para evitar fugas.
• Hashing: escalable para alta cardinalidad; colisiones no invertibles.

Consejos #

• Consolida niveles raros (umbral de frecuencia) para estabilizar modelos.
• Mantén la codificación dentro de Pipeline para evitar fugas train/test.
• Para árboles/GBMs, one‑hot suele ser suficiente; modelos lineales se benefician de opciones ordinal/target cuidadosas.