Configuración del Grupo & Semilla
Hasta 3 integrantesSeleccione la cantidad de integrantes del grupo e ingrese los últimos 3 dígitos del DNI de cada uno. La semilla resultante (3 dígitos por integrante) calibrará la cartera crediticia única de su equipo.
Scorecard de Riesgo & Optimización de Costos
Modelado predictivo de riesgo de crédito mediante Regresión Logística y Naive Bayes. El dataset contiene atributos demográficos, historial financiero y condiciones del préstamo, incluyendo datos sucios (ingresos negativos, edades extremas y nulos) que deben ser auditados antes del entrenamiento.
Vista Previa del Dataset Generado
Inspección de las primeras filas generadas con el PRNG determinístico
Ningún dataset generado aún
Ingrese los últimos 3 dígitos del DNI de los integrantes en el panel de configuración superior para generar y descargar los datos.
import pandas as pd
import numpy as np
import statsmodels.api as sm
from sklearn.metrics import roc_auc_score, roc_curve
# Cargar dataset descargado
df = pd.read_csv("credit_risk_dataset.csv")
# 1. Auditoría y Limpieza de Datos Sucios
print("Registros totales:", len(df))
print("Valores nulos:\n", df.isnull().sum())
print("Edades no biológicas (<18 o >100):", ((df['person_age'] < 18) | (df['person_age'] > 100)).sum())
print("Ingresos negativos o cero:", (df['person_income'] <= 0).sum())
# Filtrar anomalías identificadas
df_clean = df[
(df['person_age'].between(18, 100)) &
(df['person_income'] > 0) &
(df['person_income'].notna()) &
(df['loan_int_rate'].notna()) &
(df['person_home_ownership'] != 'UNKNOWN')
].copy()
# 2. Codificación y Regresión Logística
df_clean['default_flag'] = (df_clean['cb_person_default_on_file'] == 'Y').astype(int)
df_clean = pd.get_dummies(df_clean, columns=['person_home_ownership'], drop_first=True, dtype=int)
features = ['loan_percent_income', 'default_flag', 'loan_int_rate', 'person_age']
X = sm.add_constant(df_clean[features])
y = df_clean['loan_status']
logit_model = sm.Logit(y, X).fit()
print(logit_model.summary())
print("Odds Ratios:\n", np.exp(logit_model.params))