Uno de los errores más frecuentes en ciencia de datos es lanzarse a construir un modelo sin explorar primero los datos. Un modelo ajustado sobre datos mal entendidos, con outliers no detectados, variables con distribuciones inesperadas, correlaciones que no se conocían o relaciones no lineales ignoradas, puede producir resultados incorrectos aunque las métricas de validación parezcan aceptables.
El análisis exploratorio de datos (EDA, por sus siglas en inglés) es el paso previo imprescindible. No es un trámite, es donde realmente aprendes qué hay en tus datos, qué variables son prometedoras, qué problemas existen y qué decisiones de preprocesado necesitas tomar antes de modelar.
Este tutorial muestra un flujo completo de análisis exploratorio usando cuatro aplicaciones del laboratorio de Analytics Lane conectadas entre sí:
El flujo es progresivo: cada app responde una pregunta distinta y los resultados de una informan las decisiones en la siguiente.
No todos los pasos son necesarios en todos los casos, el flujo se adapta según el tipo de problema y el tipo de datos. Pero seguirlos en orden garantiza que no te llevarás sorpresas desagradables cuando empieces a modelar.
Abre la calculadora de estadísticos descriptivos y carga tu columna de datos, o si tienes varias variables, analiza cada una por separado.
Usa el botón “Test de normalidad →” en la calculadora de estadísticos descriptivos para transferir los datos directamente a la app de test de normalidad.
El tutorial Cómo Verificar la Normalidad de tus Datos cubre este paso en detalle. Aquí el resumen de lo que buscas en el contexto del análisis exploratorio previo al modelado:
Para cada variable analizada: ¿es compatible con la normalidad? ¿Necesita transformación? ¿Qué tipo de transformación? Esta información guía directamente las decisiones de preprocesado antes del modelado.
Abre el simulador de regresión lineal para explorar las relaciones entre pares de variables numéricas.
Este uso del simulador es exploratorio, no estás ajustando un modelo final, estás entendiendo la estructura de tus datos. Para cada par de variables que te interese:
Si tienes dos variables numéricas y quieres ver su relación, pega los valores en el modo de datos del simulador. El gráfico de dispersión con la recta de regresión ajustada aparece de forma inmediata.
Si tienes muchas variables y no sabes por dónde empezar, la calculadora de estadísticos descriptivos incluye la opción de calcular la correlación de Pearson entre dos variables. Úsala para identificar los pares más correlacionados antes de explorarlos en el simulador de regresión.
Este paso es específico para problemas de clasificación, cuando tienes una variable objetivo binaria (0/1) y quieres entender qué variables predictoras tienen más relación con ella.
Abre el constructor de scorecards, carga tu dataset en el paso 1 y avanza al paso 2 — Análisis bivariante sin necesidad de completar el scorecard completo. Puedes usar este paso de forma independiente como herramienta de análisis exploratorio.
Para cada variable predictora el análisis bivariante muestra:
No necesitas completar todos los pasos del constructor para beneficiarte del análisis bivariante. Carga el dataset, configura la variable target en el paso 1, avanza al paso 2 y explora las variables que te interesen. Puedes volver al análisis sin comprometerte a construir ningún modelo.
Supón que tienes un dataset de 3.000 clientes con información sociodemográfica y quieres predecir si van a contratar un producto financiero (variable target binaria).
Cargas la variable ingreso_anual y observas:
Decisión: la variable necesita revisión. El valor de 2.400.000€ puede ser un error de captura, merece verificación. La asimetría sugiere considerar una transformación logarítmica.
El test de Shapiro-Wilk rechaza la normalidad con p < 0,001. El Q-Q muestra una S pronunciada con el extremo derecho muy alejado de la diagonal.
Decisión: si vas a usar esta variable en un modelo que asume normalidad, aplica transformación logarítmica. El simulador de regresión lineal te permitirá verificar si la relación con el target mejora con la transformación.
Exploras la relación entre ingreso_anual y edad, dos de tus variables predictoras. R² = 0,04, prácticamente sin correlación entre ellas. Buena señal: no hay multicolinealidad entre estas dos variables.
Exploras la relación entre ingreso_anual y num_productos_contratados. R² = 0,31, correlación moderada. Si ambas entran en el modelo juntas puede haber multicolinealidad que dificulte la interpretación de los coeficientes.
Cargas el dataset completo en el constructor de scorecards (o ScoreFlow) con contratacion como variable target.
Para ingreso_anual ves una relación monótona creciente, a mayor ingreso, mayor tasa de contratación. IV = 0,18, poder predictivo medio. La relación es estable y se puede modelar bien.
Para edad ves una relación en U, los clientes muy jóvenes y los mayores de 60 tienen tasas de contratación más altas que los de mediana edad. IV = 0,09, poder predictivo débil pero con una forma interesante que merece atención en el modelado.
Para codigo_postal ves IV = 0,52, sospechosamente alto. Miles de categorías con pocas observaciones cada una. El detector automático lo marca como posible pseudo-ID.
Decisión: excluir codigo_postal de forma provisional, probablemente está memorizando el target. Incluir ingreso_anual y edad. Tener precaución con num_productos_contratados por su correlación con ingreso_anual.
| Paso | App | Pregunta que responde | Resultado |
|---|---|---|---|
| 1 | Estadísticos descriptivos | ¿Cómo se distribuye cada variable? | Lista de variables con asimetría, outliers y nulos problemáticos |
| 2 | Test de normalidad | ¿Puedo usar métodos paramétricos? | Decisión de transformar o no cada variable |
| 3 | Regresión lineal | ¿Hay relaciones lineales entre variables? | Mapa de correlaciones y detección de multicolinealidad |
| 4 | Análisis bivariante | ¿Qué variables predicen el target? | Ranking de variables por IV y forma de la relación |
El análisis exploratorio responde preguntas sobre los datos que tienes, no sobre los datos que necesitas. Hay preguntas que solo se responden con conocimiento del negocio o del proceso que generó los datos:
El análisis exploratorio es el primer paso, no el único. Los hallazgos de este flujo deben revisarse siempre con conocimiento del dominio antes de tomar decisiones de preprocesado y modelado.
Nota: La imagen de este artículo fue generada utilizando un modelo de inteligencia artificial.
Pregunta a cualquiera qué significan las letras de "Wi-Fi" y lo más probable es que…
Imagina que tienes una lista con datos de un usuario: usuario_original = { 'nombre': 'Juan',…
Has aplicado un t-test y obtienes p = 0,003. El resultado es estadísticamente significativo, hay…
Hay un bug que aparece una y otra vez en código Python, tan sutil que…
Durante décadas, cuando escribías una dirección web y pulsabas Intro, tu navegador hacía algo que…
La independencia financiera es el punto en el que tus inversiones generan suficientes rendimientos para…
This website uses cookies.