Clase_​09

WF1

• Accuracy overall: 0.784 — Cohen's kappa: 0.532

• Clase 0 (no sobrevivió) — Precision: 0.807, Recall: 0.855

• Clase 1 (sobrevivió) — Precision: 0.739, Recall: 0.667

• Conclusión: normalización Min-Max elimina el dominio de Fare sobre las demás variables — comparar este accuracy con el obtenido sin normalizar para evidenciar el impacto de transformar antes de modelar

WF2

• Min-Max sobre Age y Fare — min=0, max=1 — todas las variables en misma escala — sensible a outliers extremos

• Z-Score sobre Age y Fare — media=0, desviación=1 — valores negativos posibles — más robusto ante outliers

• One to Many sobre Sex — 2 columnas binarias generadas: male y female

• Fare original — distribución sesgada a la derecha — outliers extremos hasta 512

• Fare_log tras log(Fare+1) — distribución más simétrica — skewness reducido visualmente en Histogram

WF3

• Train normalizado — min=0, max=1 confirmado en Statistics

• Test normalizado con Normalizer Apply — rangos consistentes con train

• Data leakage: conectar Normalizer directo al test cambia los parámetros — el modelo ve información del test antes de predecir

• Regla fija: fit en train → transform en train y en test — nunca ajustar el normalizador sobre el test