El objetivo de este proyecto es desarrollar un modelo predictivo capaz de estimar la probabilidad de default de un solicitante y, al mismo tiempo, proporcionar explicabilidad caso por caso. Esto permite comprender con mayor precisión los factores que influyen en la decisión y fundamentar cada evaluación crediticia con información clara y transparente.
Además, este enfoque responde a exigencias regulatorias (p.ej. derecho a no ser objeto de decisiones únicamente automatizadas y necesidad de explicación en decisiones con impacto significativo).
Analizamos estructura, calidad, patrones y desbalance de clases (muchos “pagan”, pocos “no pagan”).
Se observa una diferencia consistente entre géneros en la tasa de default.
Relación inversa: mayor edad, menor probabilidad de default (tendencia general).
La relación no es lineal: hay rangos intermedios donde el riesgo sube y luego puede bajar.
A mayor ingreso suele bajar el riesgo, pero no es garantía absoluta.
Puede aportar señal complementaria (no causal).
Primeras pruebas con XGBoost (dataset crudo):
| Clase | Precision | Recall | F1Score | Support |
|---|---|---|---|---|
| Paga | 0.95 | 0.90 | 0.92 | 56538 |
| No paga | 0.28 | 0.42 | 0.33 | 4965 |
Outliers + columnas poco útiles → limpiamos y reintentamos.
Limpieza + primer balanceo:
| Clase | Precision | Recall | F1Score | Support |
|---|---|---|---|---|
| Paga | 0.96 | 0.80 | 0.84 | 61503 |
| No paga | 0.21 | 0.60 | 0.31 | 61503 |
Probamos nuevas estrategias, añadimos features, comparamos modelos (CatBoost/LightGBM) y optimizamos con Optuna.
| Clase | Precision | Recall | F1Score | Support |
|---|---|---|---|---|
| Paga | 0.97 | 0.65 | 0.78 | 46061 |
| No paga | 0.17 | 0.78 | 0.29 | 4367 |
El mejor rendimiento se obtuvo con CatBoost:
| Clase | Precision | Recall | F1Score | Support |
|---|---|---|---|---|
| Paga | 0.97 | 0.74 | 0.84 | 138182 |
| No paga | 0.21 | 0.73 | 0.33 | 13101 |
Frontend conectado a FastAPI (scoring existente + registro nuevo). Explicación visual para demo.
Calcula riesgo usando SK_ID_CURR.
Registro de cliente.