Informe de laboratorio · Clasificación
Modelos de clasificación estadística: comparación controlada
Ejecuté tres clasificadores sobre el mismo conjunto de datos, con idénticas particiones, idéntico escalado e idéntica semilla. Este documento recoge las condiciones del ensayo, los indicadores medidos y la conclusión final.
Muestra: 12.480 registros · Semilla fija: 42 · Partición estratificada 70/15/15
Sección 1
Objetivo del ensayo
La pregunta era concreta: con los mismos datos y el mismo particionado, ¿qué modelo ofrece mejor equilibrio entre sensibilidad y precisión? Se fijaron tres condiciones de control para que la comparación no dependiera del azar ni del preprocesamiento.
Hipótesis
El modelo de conjunto supera a los modelos simples en AUC con este volumen de datos.
Control
Semilla 42, validación cruzada de 5 pliegues y escalado idéntico en los tres casos.
Criterio
Selección por AUC en validación, verificación posterior en el conjunto de prueba.
Sección 2
Variables y condiciones del experimento
El conjunto contiene 20 variables predictoras y una variable objetivo binaria desbalanceada. Todas las transformaciones se aplicaron dentro del pipeline, de modo que ninguna información del conjunto de prueba entró en el entrenamiento.
- 14 variables numéricas — imputación por mediana y escalado estándar.
- 6 variables categóricas — codificación one-hot con categorías raras agrupadas.
- Objetivo binario — 23,4 % de casos positivos, estratificado en cada partición.
- Reproducibilidad — semilla 42 y versiones fijas de las librerías.
El detalle del pipeline y de las transformaciones aparece en el análisis predictivo con Python.
Registro de control
- Registros totales12.480
- Entrenamiento8.736
- Validación1.872
- Prueba1.872
- Valores ausentes1,8 %
Sección 3
Comparación de los tres modelos
Se entrenaron tres clasificadores en el mismo entorno. Cada uno recibió exactamente la misma matriz de entrada y se evaluó sobre la misma partición de prueba.
Regresión logística
Referencia lineal con regularización L2. Entrenamiento en 1,2 s, coeficientes interpretables y buen comportamiento con el desbalance.
Leer el análisisÁrbol de decisión
Profundidad máxima 6 y mínimo de 40 muestras por hoja. Captura interacciones, pero muestra varianza alta entre pliegues.
Ver la visualizaciónRandom Forest
300 árboles, profundidad 12 y muestreo balanceado. Mejor AUC del ensayo a cambio de 14,6 s de entrenamiento.
Ver trabajosSección 4
Indicadores de control
Los valores corresponden al conjunto de prueba, no a validación. El umbral de decisión se fijó en 0,5 para los tres modelos, sin ajuste posterior.
El reparto de los errores se revisó con la matriz de confusión y con las curvas de rendimiento descritas en la guía de visualización avanzada.
- AUC · Random Forest0,912
- AUC · Regresión logística0,884
- AUC · Árbol de decisión0,861
- F1 · Random Forest0,78
- F1 · Regresión logística0,76
- Tiempo de entrenamiento1,2 s / 0,3 s / 14,6 s
Conclusión del informe
El Random Forest gana en AUC con una diferencia de 0,028 puntos, pero la regresión logística ofrece un F1 casi idéntico con un coste de entrenamiento doce veces menor. Para producción con este volumen de datos, la decisión razonable es empezar por el modelo lineal y justificar el salto al conjunto solo si la diferencia supera el ruido entre pliegues.