Random Forest obtuvo una exactitud de validación aproximada de 0.793 y de prueba de 0.785.
PROYECTO ACADÉMICO / TRIPLETEN / MACHINE LEARNING · SPRINT 10
Predicción de planes telefónicos
Comparación de modelos supervisados para clasificar clientes según patrones de consumo y recomendar un plan de telefonía.
01 / CONTEXTO
El problema que abordé
Una compañía de telefonía busca clasificar perfiles de consumo para orientar la recomendación de planes. El problema se plantea como una clasificación binaria a partir de las llamadas, minutos, mensajes y datos móviles consumidos.
Proyecto académico de introducción a Machine Learning. Métricas obtenidas del notebook original revisado; no corresponden a un producto empresarial.
02 / METODOLOGÍA
Cómo lo resolví
- Exploré el dataset de 3,214 registros y revisé la distribución de la variable objetivo.
- Separé los datos en entrenamiento (60%), validación (20%) y prueba (20%).
- Entrené árboles de decisión, Random Forest y regresión logística, comparando su exactitud.
- Seleccioné el modelo a partir del conjunto de validación y comprobé el desempeño final contra un modelo de clase mayoritaria.
03 / CONCLUSIONES
Hallazgos del análisis
El modelo de referencia alcanzó 0.684: diferencia de unos 10.1 puntos porcentuales a favor del modelo seleccionado.
La actividad demuestra el flujo básico de entrenamiento, evaluación y selección de modelos; no prueba rendimiento en producción.