Fase 1: EDA (Exploratory Data Analysis)

Objetivo: Analizar estructura y calidad del dataset.

• 1. El dataset no presenta valores extremos que afecten el análisis.

  2. Distribución de variables como Income y Balance muestra sesgo positivo (clientes con ingresos altos son minoría).

Fase 2: Preprocesamiento

Objetivo: Limpiar y preparar datos.

• • Variables numéricas normalizadas para evitar sesgo en el modelo.

  • Conversión de variables categóricas lista para clasificación/regresión.

Fase 3: Modelado

• • Árbol identifica Income, CCAvg y Education como variables más importantes.

  • Clientes con ingresos altos y buen historial son más propensos a aceptar préstamo.

Fase 4: Evaluación

• ROC Curve: AUC ≈ 0.963 → excelente desempeño.

• Scorer: Accuracy ≈ 90.7%, Precision ≈ 91.4%, Recall ≈ 90.1%.

Hipótesis: El ingreso y el comportamiento financiero son factores clave en la aceptación de préstamos personales.

Comprobación: “El modelo confirma que Income es el predictor más importante, seguido por CCAvg y Education. Accuracy > 90% y AUC > 0.96.

BASE PARA VENTAS: