Los algoritmos de detección de valores atípicos suelen trabajar con números, pero muchos datos importantes son categóricos: país, producto, dispositivo o tipo de cliente. Para analizarlos hay que convertir esas categorías en representaciones numéricas sin perder su significado. 📊
El artículo explica que la codificación adecuada depende del contexto. One-hot encoding crea una columna por categoría; las codificaciones ordinales asignan un orden explícito; y métodos basados en frecuencia, impacto o embeddings representan relaciones más complejas. Una mala elección puede crear distancias artificiales y producir falsos atípicos.
💡 Explicación en pocas palabras#
Si un modelo recibe “rojo”, “verde” y “azul” como 1, 2 y 3, podría creer que azul está más cerca de verde que de rojo. Esa relación quizá no existe. Codificar bien significa escoger una representación que refleje cómo se parecen realmente los valores.
También hay que evitar fugas de información, tratar categorías desconocidas y validar el resultado con el dominio. La detección de atípicos no empieza con el algoritmo: empieza con representar correctamente los datos.
Más información en el link 👇
