Pipelines en Scikit‑Learn

Los pipelines permiten encadenar pasos de preprocesamiento y entrenamiento en un solo flujo. Son esenciales para proyectos profesionales porque garantizan coherencia, reproducibilidad y evitan errores comunes como aplicar transformaciones por separado.

1. Qué es un pipeline

Un pipeline es una secuencia de pasos que se ejecutan en orden:

# Ejemplo conceptual
limpiar → normalizar → entrenar → evaluar

2. Ventajas de usar pipelines

• Evitan errores de preprocesamiento
• Hacen el código más limpio
• Permiten validación cruzada completa
• Permiten optimizar hiperparámetros dentro del pipeline
• Son estándar en proyectos profesionales

3. Pipelines con Scikit‑Learn

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

pipeline = Pipeline([
    ("scaler", StandardScaler()),
    ("model", LogisticRegression())
])

pipeline.fit(X_train, y_train)

Cada paso tiene un nombre y una transformación o modelo asociado.

4. Pipeline con normalización + modelo

pipeline = Pipeline([
    ("scaler", StandardScaler()),
    ("clf", LogisticRegression(C=1.0))
])

pred = pipeline.predict(X_test)

El pipeline aplica normalización antes de entrenar y antes de predecir.

5. Pipeline con validación cruzada

from sklearn.model_selection import cross_val_score

scores = cross_val_score(pipeline, X, y, cv=5)
print(scores.mean())

La validación cruzada se aplica al pipeline completo, no solo al modelo.

6. Ejercicios

# pista pipeline
Pipeline([("scaler", StandardScaler()), ("model", LogisticRegression())])

# pista validación
cross_val_score(pipeline, X, y, cv=5)

7. Mini‑proyecto: Pipeline completo

Toma un dataset real y crea un pipeline que incluya:

• Normalización
• Selección de características
• Modelo de clasificación
• Validación cruzada
• Optimización de hiperparámetros dentro del pipeline

Siguiente guía