Un conjunto de datos saneado tiene características cuyas escalas difieren en órdenes de magnitud. Para maximizar la precisión de la predicción en producción, ¿qué secuencia de pasos debe seguir antes de modelar?

La opción correcta es dividir primero el conjunto de datos y luego reescalar el conjunto de entrenamiento, aplicando los mismos parámetros de escalado a los conjuntos de validación y prueba. Esto evita la fuga de datos (data leakage), donde información del conjunto de prueba influye en el entrenamiento. Si reescalamos todo el conjunto primero, los parámetros de escalado se verían afectados por los datos de validación y prueba. Reescalar cada conjunto de forma independiente también introduce fuga de datos y puede llevar a inconsistencias. El muestreo aleatorio es una técnica útil, pero no aborda directamente el problema de las escalas de las características.