Target Encoding en Power BI: La Guía Definitiva Sin Data Leakage

Target Encoding en Power BI:
La Guía Definitiva Sin Data Leakage

Agregar columna índice

Domina esta técnica esencial para modelos predictivos con validación cruzada, smoothing y prevención de overfitting. Código M paso a paso + mejores prácticas.

Tabla de Contenidos

¿Qué es Target Encoding (Mean Encoding)?

Target Encoding es una técnica de codificación categórica que reemplaza cada categoría por el promedio de la variable objetivo para esa categoría. Es especialmente poderosa en modelos predictivos porque captura la relación real entre la categoría y el resultado.

Ejemplo Simple:
Ciudad Ventas
Madrid1000
Barcelona800
Madrid1200
Valencia600
Target Encoding:
Ciudad Target_Encoded
Madrid1100
Barcelona800
Valencia600
Ventaja clave: Reduce dimensionalidad (1 columna vs. N en One-Hot) y mejora el rendimiento predictivo al codificar información útil.

¿Cuándo Usar Target Encoding?

Alta Cardinalidad

>50 categorías únicas

ML Supervisado

Regresión o clasificación

Feature Engineering

AutoML, XGBoost, etc.

Riesgos Críticos: Data Leakage y Overfitting

Data Leakage: El Error Más Común

Si calculas el promedio usando toda la tabla y luego entrenas el modelo, el modelo ve información del futuro. ¡Overfitting garantizado!

Incorrecto (Data Leakage)
// ¡NO HAGAS ESTO!
PromedioGlobal = Table.Group(TodaLaTabla, {"Ciudad"}, {{"Avg", each List.Average([Ventas])}})
Correcto (Sin Leakage)
// Usa solo datos de entrenamiento
PromedioTrain = Table.Group(Entrenamiento, {"Ciudad"}, {{"Avg", each List.Average([Ventas])}})

Implementación Paso a Paso en Power Query

1 Prepara tus datos

Asegúrate de tener una columna categórica (ej. Ciudad) y una variable objetivo numérica (ej. Ventas).

2 Divide en Entrenamiento y Prueba

Usa Table.AddIndexColumn + Table.SelectRows para separar datos.

let
    Fuente = TuTabla,
    ConIndice = Table.AddIndexColumn(Fuente, "Índice", 0, 1),
    TotalFilas = Table.RowCount(ConIndice),
    Entrenamiento = Table.SelectRows(ConIndice, each [Índice] < TotalFilas * 0.8),
    Prueba = Table.SelectRows(ConIndice, each [Índice] >= TotalFilas * 0.8)
in
    [Entrenamiento, Prueba]

3 Calcula promedios en Entrenamiento

Promedios = Table.Group(Entrenamiento, {"Ciudad"}, {
    {"Target_Mean", each List.Average([Ventas]), type number},
    {"Conteo", each Table.RowCount(_), Int64.Type}
})

4 Une con todo el dataset

Resultado = Table.NestedJoin(Fuente, {"Ciudad"}, Promedios, {"Ciudad"}, "Encoding", JoinKind.LeftOuter),
Expandido = Table.ExpandTableColumn(Resultado, "Encoding", {"Target_Mean", "Conteo"}, {"Target_Encoded", "Cat_Count"})

Código M Completo (Listo para Copiar)

let
    // 1. Cargar datos
    Fuente = TuTablaOriginal,
    
    // 2. Agregar índice para división
    ConIndice = Table.AddIndexColumn(Fuente, "Índice", 0, 1, Int64.Type),
    TotalFilas = Table.RowCount(ConIndice),
    
    // 3. Dividir 80/20
    Entrenamiento = Table.SelectRows(ConIndice, each [Índice] < TotalFilas * 0.8),
    Prueba = Table.SelectRows(ConIndice, each [Índice] >= TotalFilas * 0.8),
    
    // 4. Calcular Target Encoding en entrenamiento
    EncodingTable = Table.Group(Entrenamiento, {"Ciudad"}, {
        {"Target_Mean", each List.Average([Ventas]), type nullable number},
        {"Cat_Count", each Table.RowCount(_), Int64.Type}
    }),
    
    // 5. Calcular promedio global (para smoothing)
    PromedioGlobal = List.Average(Entrenamiento[Ventas]),
    
    // 6. Aplicar smoothing (evita overfitting en categorías raras)
    MinSamples = 10,
    EncodingConSmoothing = Table.AddColumn(EncodingTable, "Target_Encoded", each 
        if [Cat_Count] < MinSamples then PromedioGlobal
        else ([Target_Mean] * [Cat_Count] + PromedioGlobal * MinSamples) / ([Cat_Count] + MinSamples)
    ),
    
    // 7. Unir con dataset completo
    Resultado = Table.NestedJoin(ConIndice, {"Ciudad"}, EncodingConSmoothing, {"Ciudad"}, "Temp", JoinKind.LeftOuter),
    Expandido = Table.ExpandTableColumn(Resultado, "Temp", {"Target_Encoded"}, {"Ciudad_Target"}),
    
    // 8. Limpiar
    Final = Table.SelectColumns(Expandido, List.RemoveItems(Table.ColumnNames(Expandido), {"Índice", "Temp"}))
in
    Final
Smoothing incluido: Categorías con menos de 10 muestras usan promedio global. ¡Evita overfitting!

Uso en DAX: Medidas Dinámicas

Ventas_Promedio_Ciudad = 
CALCULATE(
    AVERAGE(Ventas[Ventas]),
    ALLEXCEPT(Ciudades, Ciudades[Ciudad])
)

// Con filtro de fecha
Impacto_Temporal = 
CALCULATE(
    [Ventas_Promedio_Ciudad],
    DATESINPERIOD(Calendar[Date], MAX(Calendar[Date]), -30, DAY)
)

Conclusión: Tu Modelo Listo para Producción

Sin Data Leakage
Baja Dimensionalidad
Mejor Predicción

¡Ya dominas Target Encoding como un Data Scientist profesional! Implementa esta técnica en tus modelos de AutoML, exporta a Azure ML o intégrala en dashboards predictivos.

Entradas populares de este blog

Cómo Equilibrar Múltiples Productos con Pedidos a la Medida

Imagen
Domina tus Pedidos: Modelo de Inventario Multiproducto con Restricción de Órdenes Créditos: mygestion.com ¿Alguna vez has sentido que gestionar un almacén es como bailar una coreografía imposible? Productos que entran y salen, clientes que esperan, y un límite de pasos (¡o pedidos!) que no puedes exceder. ¡No te preocupes! Hoy te guiaremos por un modelo de inventario multiproducto que hará que tus pedidos fluyan como una danza perfecta, respetando una restricción de 15 pedidos al año. Con este modelo, aprenderás a ajustar cuánto pedir y cuándo hacerlo , manteniendo los costos bajo control. ¡Prepárate para una aventura numérica llena de estrategia y diversión! ¿Por qué Optimizar los Pedidos? En el mundo empresarial, optimizar los pedidos es clave para: Red...
Leer más

Maximiza la rentabilidad de tu negocio: Cómo optimizar la selección de proveedores de mercancías.

Imagen
Optimización de Proveedores con Programación Lineal en Python La programación lineal es una herramienta poderosa para optimizar decisiones en la gestión de la cadena de suministro. En este artículo, exploramos cómo seleccionar proveedores para maximizar la utilidad total, respetando restricciones como presupuesto, capacidad y demanda. Usaremos la biblioteca PuLP en Python para modelar y resolver este problema. ¡Acompáñanos en este recorrido técnico! 🚀 Gestión de proveedores para optimizar la cadena de suministro (Fuente: CEUPE). El Problema de Selección de Proveedores Imagina una empresa que necesita adquirir productos de varios proveedores para satisfacer una demanda específica. Cada proveedor ofrece productos a un costo y precio de venta distintos, con una capacidad máxima de suministro. El objetivo es maximizar la utilidad total (diferencia entre precio de venta y costo) mientra...
Leer más

Descubriendo el Poder de los Modelos de Clasificación en Machine Learning: Predicciones Precisas y Clasificaciones Sorprendentes

Imagen
Clasificación de Materias Primas con Machine Learning en Python El problema de clasificación en Machine Learning permite predecir categorías a partir de datos, como identificar el tipo de materia prima (CD, DB, SBT, R) según características como porcentajes de Grado A, B, C y el peso total del lote. En este artículo, exploramos algoritmos clave como Regresión Logística , Máquina de soporte vectorial (SVM) , Árboles de Decisión , Random Forest , Extreme gradient descent (XGBoost) y K-nearest neighborhood (KNN) , con implementaciones en Python, manejo de datos desbalanceados y evaluación de métricas. ¡Acompáñanos en este viaje técnico! 🚀 Ilustración de clasificación de datos con Machine Learning, representando la asignación de categorías (Fuente: Propia). El Problema de Clasificación de Materias Primas El objetivo es clasificar lotes de materias primas en categorías (CD, DB, SBT, R) según...
Leer más

Optimización del Inventario Multiproducto en Espacios Reducidos: Una guía para la eficiencia en gestión de stocks

Imagen
Optimización de Inventario Multiproducto: Magia en Espacios Reducidos ¿Alguna vez has sentido que tu almacén es como un rompecabezas imposible? Productos apilados, espacio limitado y clientes que esperan que todo esté listo en un chasquido de dedos. ¡No te preocupes! Hoy te guiaremos por un hechizo de optimización que hará que tu inventario sea tan eficiente como un caldero bien mezclado. Con nuestro modelo de inventario multiproducto con espacio restringido , aprenderás a decidir qué almacenar , cuánto pedir y cuándo hacerlo , todo mientras mantienes tus costos bajo control y el espacio limitado de 4000 ft². ¡Prepárate para convertir el caos en magia pura! ¿Por Qué Optimizar el Inventario? En un mundo donde el espacio es oro y los costos pueden salirse de control, optimizar el inventario es clave para: Re...
Leer más

Domina tu Almacén sin arruinarte: El Juego del Modelo de Inventario Múltiproductos con Presupuesto ajustado

Imagen
Domina tu Almacén sin Arruinarte: Modelo de Inventario Multiproductos con Presupuesto Ajustado ¿Tu almacén parece un rompecabezas imposible? Productos apilados, un presupuesto ajustado y clientes que esperan todo listo en un chasquido. ¡No temas! Hoy te guiaremos por un modelo de inventario multiproducto que transformará el caos en magia, manteniendo tus finanzas a salvo. Con nuestro modelo de inventario multiproducto con presupuesto restringido , aprenderás a decidir qué almacenar , cuánto pedir y cuándo hacerlo , todo dentro de un presupuesto de $25,000. ¡Prepárate para una aventura divertida y rentable! ¿Por Qué Optimizar el Inventario? En un mundo donde cada dólar cuenta, optimizar el inventario es clave para: Reducir costos : Minimiza gastos en pedidos y almacenamiento. Evitar faltantes : ...
Leer más

¡Plan Desagregado de Producción como un jefe!

Imagen
Plan Desagregado de Producción: Optimización con Programación Lineal Fuente: Webflow ¡El plan desagregado de producción desafía los límites de la eficiencia! Divide el proceso en pasos manejables para maximizar recursos, reducir costos y mejorar la respuesta al mercado. Con 2500 horas hombre disponibles, optimizamos la secuencia de producción de 4 productos (A, B, C, D) usando programación lineal para maximizar el tiempo de ciclo \( T \) . Datos del Problema A B C D Total Demanda (\( D_j \)) 400 600 800 700 2500 Inventario (\( I_j \)) 200 400 500 300 ...
Leer más

Análisis ABC en Power BI con DAX: Guía Completa para Profesionales

Imagen
Análisis ABC en Power BI con DAX: Guía Completa para Profesionales El análisis ABC es una técnica poderosa para clasificar ítems (como productos, clientes o inventarios) según su importancia relativa, comúnmente basada en valor económico o peso. En este artículo, te guiaremos paso a paso para implementar un análisis ABC en Power BI utilizando DAX . Si eres un apasionado de los datos buscando optimizar tus informes, ¡este post es para ti! 🚀 ¿Qué es el análisis ABC y por qué usarlo en Power BI? El análisis ABC clasifica ítems en tres categorías (A, B, C) según su contribución acumulada al total, siguiendo la regla del 80/20 ( Principio de Pareto ). Por ejemplo: Categoría A : ~20% de los ítems que aportan ~80% del valor (los más importantes). Categoría B : Ítems intermedios. Categoría C : Ítems con menor impacto. En Power BI, el análisis ABC es ide...
Leer más

El Desafío del Empaque en Contenedores: Optimizando Espacios en contenedores con Ingenio

Imagen
Optimización del Embalaje en Contenedores: Algoritmos y Ejemplos en Python Algoritmos y Ejemplos en Python Elproblema de embalaje en contenedores (bin packing) es un desafío clásico en informática y matemáticas que busca minimizar el número de contenedores necesarios para almacenar un conjunto de objetos, cada uno con un tamaño específico, respetando una capacidad fija por contenedor. Este problema tiene aplicaciones en logística, gestión de inventarios y optimización de recursos. En este artículo, exploramos algoritmos clave como First Fit Decreasing , Best Fit , Next Fit y Algoritmos Genéticos , con implementaciones en Python. ¡Prepárate para optimizar al máximo! 🚀 ¿Qué es el Problema de Embalaje en Contenedores? El bin packing problem es un problema NP-difícil, lo que significa que no se conoce un algoritmo eficiente para resolverlo de forma óptima en casos grandes. El objetivo es asignar ítems...
Leer más

¡Optimización de Portafolios de Productos: El arte de maximizar el rendimiento!

Imagen
Optimización de Portafolios de Productos con K-means y Programación Lineal Fuente: Hamish Thorburn La optimización de portafolios de productos es clave para maximizar el rendimiento empresarial en industrias como retail, manufactura o tecnología. En este artículo, combinamos K-means clustering para agrupar productos similares y programación lineal con PuLP para construir portafolios óptimos, respetando restricciones como volumen, capacidad, precio y lead time. ¡Acompáñanos en este recorrido técnico! El Problema de Optimización de Portafolios Imagina que gestionas una empresa con múltiples productos, cada uno con características como volumen, precio, costo, lead time (tiempo de entrega) y calidad. El objetivo es construir portafolios de productos que maximicen el rendimiento total, cumpliendo restricciones como: Volumen mínimo por p...
Leer más

Cómo Realizar One-Hot Encoding en Power BI: Guía Paso a Paso para Principiantes y Expertos

Imagen
Cómo Realizar One-Hot Encoding en Power BI: Guía Paso a Paso Fuente: aiplusinfo.com ¡Hola, comunidad de análisis de datos en Power BI ! Hoy te traigo un tutorial completo para implementar One-Hot Encoding directamente en Power Query . Si estás preparando datos para modelos de machine learning , regresiones lineales o simplemente quieres variables dummy para análisis avanzados, este método es rápido, nativo y escalable . ¡No necesitas R, Python ni extensiones! ¿Qué es el One-Hot Encoding? El One-Hot Encoding convierte variables categóricas (como "Rojo", "Azul", "Verde") en columnas binarias (0 o 1). Categoría Rojo Azul Verde Rojo 1 0 0 Azul 0 1 0 Verde 0 0 1 Ventajas en Power BI : Compatible con DAX y vis...
Leer más