Target y estrategia

Árbol de decisión

Los árboles de decisión son algoritmos de aprendizaje supervisado que, en este caso, se utilizaron para clasificar los clientes entre aquellos interesados en un depósito a plazos y los que no. Resulta conveniente justificar esta decisión, ya que existen otros métodos como el random forest o el gradient boosting que suelen ofrecer un rendimiento mucho mayor en problemas de clasificación. No obstante, los árboles de decisión cuentan con la ventaja de la simplicidad y la transparencia, es decir, el proceso de decisión que sigue el ordenador al clasificar los datos puede visualizarse en forma de árbol. Esto permite que el modelo pueda ser interpretado fácilmente y, por lo tanto, pueda utilizarse para informar estrategias corporativas y no solo para realizar predicciones.

El primer modelo creado resulta satisfactoriamente simple y cuenta con una métrica de accuracy sorprendentemente elevada (0.83). Sin embargo, al examinar el dataset con detenimiento puede observarse un cierto sesgo, ya que el 75% de las observaciones corresponden a clientes no interesados en el producto. A pesar de haber utilizado un muestreo estratificado, esta deficiencia en los datos puede ocasionar que el modelo aprenda simplemente a clasificar la mayoría de las observaciones como clientes no interesados. En casos problemáticos como este, la métrica ROC AUC es la más recomendada para evaluar modelos. El primer árbol presentaba una puntuación de 0.76.