Saltar al contenido

Lección 2 de 16 · Lectura y práctica

Transformadores Personalizados y FeatureUnions

Construye un transformador numérico clonable y combina sus salidas con FeatureUnion sin perder el orden de filas ni ajustar sobre evaluación.

Del concepto a la práctica

Taller de esta lección

Un transformador personalizado debe respetar el contrato de Scikit-Learn: fit aprende estado, transform conserva el número y orden de filas, y los parámetros aparecen en __init__. FeatureUnion combina representaciones alternativas del mismo conjunto.

Ejemplo resuelto

python
import numpy as np
from sklearn.base import BaseEstimator, TransformerMixin
from sklearn.pipeline import FeatureUnion
from sklearn.utils.validation import validate_data, check_is_fitted
class Log1p(TransformerMixin, BaseEstimator):
    def fit(self, X, y=None):
        datos = validate_data(self, X, reset=True)
        if (datos < 0).any(): raise ValueError("cantidades negativas")
        return self
    def transform(self, X):
        check_is_fitted(self, "n_features_in_")
        datos = validate_data(self, X, reset=False)
        if (datos < 0).any(): raise ValueError("cantidades negativas")
        return np.log1p(datos)
X = np.array([[0., 2.], [3., 4.], [8., 1.]])
union = FeatureUnion([("raw", "passthrough"), ("log", Log1p())])
print(union.fit_transform(X).shape)  # (3, 4)
  1. Valida que las cantidades no sean negativas.

  2. Implementa fit sin cambiar filas.

  3. Devuelve la transformación en transform.

  4. Comprueba la forma después de unir ramas.

Error frecuente: calcular el logaritmo sobre valores negativos. Corrígelo validando la entrada o definiendo otra regla explícita.

Pruébalo

Cambia X por cuatro filas de dos cantidades no negativas.

Comprueba tu resultado

La salida tiene cuatro filas y cuatro columnas; las dos últimas son log1p de las dos primeras.

validate_data está disponible desde scikit-learn 1.6. Comprueba también una fila negativa y una entrada con tres columnas tras ajustar con dos: ambas deben rechazarse, y llamar transform antes de fit debe indicar que falta el ajuste.

El orden de herencia coloca TransformerMixin a la izquierda de BaseEstimator, como requiere el contrato de mixins y resolución de métodos de scikit-learn. Para el ejercicio de cuatro filas declara X = np.array([[0.,2.],[3.,4.],[8.,1.],[15.,7.]]) antes de fit_transform: la forma es4×4, con las ramas raw y log en ese orden. Ajustar dos columnas y transformar tres, un valor negativo o transformar antes del ajuste son fallos explícitos, no resultados silenciosos. Estimadores.

Conjuntos separados de entrenamiento, validación y prueba final con funciones distintas.
CursaloMapa de práctica
Entrenar sin mirar el examen

El entrenamiento ajusta los parámetros del modelo. La validación ayuda a elegir el enfoque sin utilizar la prueba final. Reserva la prueba para evaluar la decisión terminada y evita que sus resultados vuelvan al ajuste.

Ver la infografía en tamaño completo ↗
Fuentes para profundizar

Transformar columnas manteniendo el contrato

Un transformador debe aceptar una entrada, aprender solo lo que necesita en fit y devolver filas en el mismo orden en transform. FeatureUnion aplica varias transformaciones al mismo conjunto de entrada y combina sus salidas. No reemplaza a ColumnTransformer cuando necesitas asignar columnas distintas a ramas diferentes.

Ejemplo original: cantidades y su logaritmo

Trabaja con una matriz de cantidades no negativas. Una rama conserva valores escalados y otra produce log1p, útil para comparar una transformación comprimida. El ejemplo no afirma que mejore un modelo; prepara dos representaciones para una prueba.

import numpy as np
from sklearn.base import BaseEstimator, TransformerMixin
from sklearn.utils.validation import check_array, check_is_fitted
from sklearn.pipeline import FeatureUnion
from sklearn.preprocessing import StandardScaler

class NonNegativeLog1p(TransformerMixin, BaseEstimator):
    def fit(self, X, y=None):
        X = check_array(X)
        if (X < 0).any():
            raise ValueError("Usa cantidades no negativas")
        self.n_features_in_ = X.shape[1]
        return self

    def transform(self, X):
        check_is_fitted(self, "n_features_in_")
        X = check_array(X)
        if X.shape[1] != self.n_features_in_ or (X < 0).any():
            raise ValueError("Cantidad de columnas o valores inválidos")
        return np.log1p(X)

union = FeatureUnion([
    ("escala", StandardScaler()),
    ("log", NonNegativeLog1p()),
])
X = np.array([[0., 2.], [3., 4.], [8., 10.]])
resultado = union.fit_transform(X)
assert resultado.shape == (3, 4)

Hay tres filas y dos columnas por rama; la unión entrega cuatro columnas manteniendo tres filas. El assert comprueba forma, no calidad predictiva. En un modelo, coloca la unión dentro del pipeline y ajusta ese pipeline solo con entrenamiento.

Práctica guiada

  1. Ejecuta la muestra y confirma la forma de salida.
  2. Prueba un valor negativo y registra el error esperado.
  3. Intenta transformar una matriz con una columna distinta y explica por qué se rechaza.
  4. Clona el transformador con sklearn.base.clone; sus parámetros de construcción deben ser inspeccionables.
  5. Escribe el orden de columnas resultante y comprueba que no se mezclaron filas.

Criterios para revisar el contrato

  • fit devuelve self.
  • Se exige ajuste antes de transformar.
  • El número de filas y su orden se mantienen.
  • Los errores de dominio y de forma no se convierten en valores silenciosos.
  • Ninguna estadística de evaluación se aprende antes de separar los datos.

Entrega el código y los tres casos de forma, valor negativo y columnas distintas con sus resultados reales. Si necesitas columnas numéricas y categóricas diferentes, compara este ejemplo con ColumnTransformer antes de ampliar la unión.

Referencias para comprobar la implementación

Documentación consultada el 2 de octubre de 2026. Comprueba también las versiones y condiciones de tu proyecto.

Sigue con Machine Learning Práctico con Scikit-Learn

Esta lección forma parte de un curso de Cursalo. Revisa su programa y elige entre la compra individual o el acceso a toda la escuela.

Si ya tenías acceso a este curso, entra con tu cuenta: tus derechos y tu progreso se conservan. No necesitas comprarlo de nuevo.

01 / ELEGIR UNA RUTA

El próximo paso

Aprende IA mientras construyes algo que sí necesitas.

Empieza por el curso inicial o explora el catálogo para encontrar una práctica alineada con tu trabajo.