ia_models

A2.1 Regresión logística y validación cruzada

Autor: David Díaz Paz y Puente

Matrícula: 650794

Descripción del Proyecto

Este directorio contiene la resolución de la actividad A2.1, en la cual se aborda un problema de clasificación supervisada para predecir el estrato socioeconómico de los hogares (est_socio).

A diferencia de etapas anteriores donde se estimaba el ingreso per cápita de forma continua, en este proyecto el problema se reformuló para predecir a qué categoría pertenece un hogar de acuerdo con sus características estructurales y condiciones de vivienda. Las clases a predecir son cuatro categorías ordinales:

1. Bajo
2. Medio bajo
3. Medio alto
4. Alto

El objetivo principal es entrenar y evaluar un modelo de Regresión Logística robusto, asegurando su capacidad de generalización mediante validación cruzada y realizando una interpretación profunda de sus métricas, umbrales y coeficientes.

---

Estructura del Directorio

• main.ipynb: Jupyter Notebook principal que contiene todo el código fuente. Incluye desde la carga y separación de los datos, hasta el entrenamiento mediante Pipelines, validación cruzada, evaluación en el conjunto de prueba y el análisis visual/estadístico del modelo.
• features_lasso.csv: Conjunto de datos utilizado para el entrenamiento y prueba del modelo. Contiene las características de las viviendas previamente seleccionadas.

---

Metodología y Técnicas Aplicadas

El desarrollo del modelo en main.ipynb / main.html sigue un flujo de trabajo estructurado de Machine Learning:

1. Preparación de Datos: * División del dataset en conjuntos de entrenamiento (80%) y prueba (20%) mediante muestreo estratificado (stratify=y) para mantener el balance original de las clases.
2. Entrenamiento y Validación Cruzada:
   • Construcción de un Pipeline integrando estandarización (StandardScaler) y el modelo clasificador (LogisticRegression).
   • Evaluación de la estabilidad del modelo mediante Validación Cruzada Estratificada (5-folds) utilizando métricas como Accuracy, F1-macro y F1-weighted.
3. Evaluación Final en Prueba:
   • Generación del reporte de clasificación y Matriz de Confusión en datos no vistos.
   • Análisis de Umbrales: Estudio del balance entre Precisión y Sensibilidad (Recall) al modificar el punto de corte (threshold) específicamente para aislar a la clase vulnerable (“Bajo”).
   • Curvas ROC y AUC: Evaluación del rendimiento global del modelo utilizando una estrategia One-vs-Rest (OvR).
4. Interpretación del Modelo (Caja Blanca):
   • Extracción y análisis de los coeficientes de la regresión logística para identificar qué características arquitectónicas, económicas o de servicios (ej. estim_pago, drenaje_2, eli_basura_4) actúan como “drivers” de pobreza o riqueza en la toma de decisión del algoritmo.