Ilustración conceptual · no muestra empresas ni resultados reales
De dónde nace
Un proyecto universitario que parte de una pregunta. ¿qué información útil sobre el riesgo de quiebra puedo obtener de los datos empresariales?
Problemas y decisiones
Elegir la métrica
Las quiebras son la clase minoritaria. No detectarlas puede costar más que una falsa alarma. También utilicé F3, que da más peso a la sensibilidad que a la precisión, para estudiar ese equilibrio.
Comparar estrategias
Comparé modelos y umbrales para observar cómo cambian los casos detectados y las falsas alarmas, y estudié la importancia de las variables con Random Forest.
Cómo funciona
Un notebook Python prepara y estandariza datos tabulares con pandas, NumPy y herramientas de scikit-learn.
Random Forest permite estudiar la importancia de las variables. Los experimentos comparan configuraciones RF y máquinas de vectores de soporte.
Las pruebas con redes neuronales usan TensorFlow/Keras y examinan arquitecturas, regularización y señales de sobreajuste.
Los umbrales y conjuntos de variables se comparan mediante F3-score, curvas ROC y gráficos guardados en el notebook.
Dentro del proyecto
Del dato a su interpretación: las etapas del proyecto.
01Datos y preparación
02Variables y estandarización
03Random Forest · SVM · redes neuronales
04Umbrales · F₃ · ROC · sobreajuste
Diagrama descriptivo del proyecto
Lo que aprendí
Este proyecto me enseñó a interpretar una puntuación junto con los errores que contiene. Cambiar la métrica o el umbral cambia los casos detectados. Al comparar modelos quiero explicar también ese compromiso.
Estado actual
Proyecto universitario exploratorio. Los gráficos documentan ejecuciones guardadas en el notebook. Para comprobar las conclusiones haría falta una evaluación independiente con nuevos datos.
