CD_33 Original + Derivados

CD_33: Default of Credit Card Clients (Taiwan)

Registro financiero de clientes para la predicción de probabilidad de impago (default). Integra variables demográficas y, crucialmente, una estructura temporal secuencial de 6 meses (abril-septiembre) aplanada: historial de estatus de pago (ordinal), montos de facturación y pagos realizados.

📈 Eficacia Predictiva Detallada

Comparación detallada de las métricas de clasificación para los modelos entrenados con el conjunto de datos original y el conjunto sintético generado.

📊 Conjunto Original

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.79	0.94	0.86	156
Clase 1	0.40	0.14	0.20	44
Accuracy	0.77
Macro Avg	0.60	0.54	0.53	200
Weighted Avg	0.71	0.77	0.72	200

AUC-ROC: 0.59

F1-Score (weighted): 0.72

Accuracy: 0.77

➡️ Mejora

⬆ +0.11 AUC ⬆ +0.07 F1 ⬆ +0.03 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.85	0.90	0.87	156
Clase 1	0.54 ⬆ +0.14	0.43 ⬆ +0.29	0.48 ⬆ +0.28	44
Accuracy	0.80 ⬆ +0.03
Macro Avg	0.70 ⬆ +0.10	0.66 ⬆ +0.12	0.68 ⬆ +0.15	200
Weighted Avg	0.78 ⬆ +0.07	0.80 ⬆ +0.03	0.79 ⬆ +0.07	200

AUC-ROC: 0.69 ⬆ +0.11

F1-Score (weighted): 0.79 ⬆ +0.07

Accuracy: 0.80 ⬆ +0.03

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.40

Sintético: 0.54

⬆ +0.14

📈

Recall

Original: 0.14

Sintético: 0.43

⬆ +0.29

⚖️

F1-Score

Original: 0.20

Sintético: 0.48

⬆ +0.28

📚 Fuente Original del Conjunto

Default of Credit Card Clients Dataset

v1.0

Yeh, I. & Lien, C. H.

Publicado: 2009

Repositorio: UCI Machine Learning Repository

DOI: 10.1016/j.eswa.2009.02.041

URL: UCI ML Repository

Licencia: Uso académico y de investigación

Instancias: 30,000

Características: 23 (22 predictores + 1 objetivo)

📄 Resumen (Abstract)

El conjunto de datos de Incumplimiento de Pagos de Clientes de Tarjetas de Crédito se centra en el caso de clientes con incumplimiento de pagos en Taiwán. La investigación compara la precisión predictiva de la probabilidad de incumplimiento entre seis métodos de minería de datos (minería de datos). Desde la perspectiva de la gestión de riesgos, el resultado de la precisión predictiva de la probabilidad estimada de incumplimiento es más valioso que el resultado binario de clasificación (clientes creíbles o no creíbles). El objetivo es predecir si un cliente incumplirá con el pago de su tarjeta de crédito en el próximo mes (variable Y).

🔬 Contexto y Motivación

La predicción de incumplimiento de pagos es un problema crítico en la gestión de riesgos crediticios para las instituciones financieras. Esta investigación se centra en:

Comparar la precisión predictiva de seis técnicas de minería de datos
Estimar la probabilidad real de incumplimiento mediante el Método de Suavizado por Ordenamiento (Sorting Smoothing Method)
Identificar que la red neuronal artificial es el único método que puede estimar con precisión la probabilidad real de incumplimiento

📊 Métodos de Minería de Datos Comparados

Redes Neuronales Artificiales (Artificial Neural Network)
Árboles de Decisión
Regresión Logística
Máquinas de Vectores de Soporte (SVM)
Análisis Discriminante
Naïve Bayes

La red neuronal artificial demostró el mayor coeficiente de determinación (R²), con intercepto cercano a cero y coeficiente de regresión cercano a uno.

📊 Descripción de Datos

El dataset contiene 30,000 instancias con 23 atributos (22 variables predictoras y 1 variable objetivo). Todas las características son de tipo entero y no presentan valores faltantes. Los datos corresponden a clientes de tarjetas de crédito en Taiwán.

📋 Variables del Dataset

Variable	Tipo	Descripción	Categorías / Unidades
A. Identificador (A excluir del modelo)
ID	Entero	Identificador único del cliente	Sin valor predictivo. Excluir del modelo.
B. Datos Demográficos y Crediticios
X1 (LIMIT_BAL)	Entero	Monto de crédito otorgado	Dólares taiwaneses (NT$)
X2 (SEX)	Entero	Género	1 = Hombre, 2 = Mujer
X3 (EDUCATION)	Entero	Nivel educativo	1 = Posgrado, 2 = Universidad, 3 = Preparatoria, 4 = Otros
X4 (MARRIAGE)	Entero	Estado civil	1 = Casado, 2 = Soltero, 3 = Otros
X5 (AGE)	Entero	Edad del cliente	años
C. Historial de Pagos (PAY_0 a PAY_6)
X6 (PAY_0)	Entero	Estado de pago en septiembre 2005	-1 = Pagado a tiempo, 1 = 1 mes retraso, ..., 9 = ≥9 meses retraso
X7 (PAY_2)	Entero	Estado de pago en agosto 2005	-1 = Pagado a tiempo, 1 = 1 mes retraso, ..., 9 = ≥9 meses retraso
X8 (PAY_3)	Entero	Estado de pago en julio 2005	-1 = Pagado a tiempo, 1 = 1 mes retraso, ..., 9 = ≥9 meses retraso
X9 (PAY_4)	Entero	Estado de pago en junio 2005	-1 = Pagado a tiempo, 1 = 1 mes retraso, ..., 9 = ≥9 meses retraso
X10 (PAY_5)	Entero	Estado de pago en mayo 2005	-1 = Pagado a tiempo, 1 = 1 mes retraso, ..., 9 = ≥9 meses retraso
X11 (PAY_6)	Entero	Estado de pago en abril 2005	-1 = Pagado a tiempo, 1 = 1 mes retraso, ..., 9 = ≥9 meses retraso
D. Montos de Facturación (BILL_AMT1 a BILL_AMT6)
X12-X17	Entero	Monto del estado de cuenta (NT$)	X12 = Septiembre 2005, X13 = Agosto 2005, ..., X17 = Abril 2005
E. Montos de Pago (PAY_AMT1 a PAY_AMT6)
X18-X23	Entero	Monto de pago realizado (NT$)	X18 = Septiembre 2005, X19 = Agosto 2005, ..., X23 = Abril 2005
F. Variable Objetivo
Y	Binaria (Target)	Incumplimiento de pago el próximo mes	1 = Sí (incumplió), 0 = No (no incumplió)

📋 Características del Dataset

Tipo de problema: Clasificación binaria (Incumplimiento vs. No incumplimiento)
Dimensión: Multivariante
Tipo de características: Enteras (todas)
Valores faltantes: No
Área de aplicación: Finanzas, Gestión de Riesgos, Banca
Período de datos: Abril - Septiembre 2005
País: Taiwán
Moneda: Dólar taiwanés (NT$)

📖 Publicación Introductoria

El artículo fundamental que describe la comparación de técnicas de minería de datos para la precisión predictiva de la probabilidad de incumplimiento es:

Yeh, I., & Lien, C. H. (2009). The comparisons of data mining techniques for the predictive accuracy of probability of default of credit card clients. Expert Systems with Applications, 36(2), 2473-2480. https://doi.org/10.1016/j.eswa.2009.02.041

⚖️ Ética y Privacidad

El conjunto de datos ha sido anonimizado para proteger la privacidad de los clientes de tarjetas de crédito. La variable ID es un identificador numérico sin relación con información personal identificable. Restricción de confidencialidad: En cumplimiento de los protocolos de privacidad, el uso de los datos está restringido a fines académicos y de investigación. La publicación de resultados debe limitarse a métricas de evaluación, resultados agregados y metodología del modelo, sin divulgación de información que permita la reidentificación de clientes.

📋 Notas de Uso

Este conjunto de datos es ampliamente utilizado en gestión de riesgos crediticios y clasificación. Se recomienda:

Excluir la variable ID del modelado por ser un identificador único sin valor predictivo
La variable X2 (SEX) está codificada como 1=Hombre, 2=Mujer (codificación alternativa)
Las variables X3 (EDUCATION) y X4 (MARRIAGE) son ordinales y pueden tratarse como categorías
Las variables PAY_0 a PAY_6 (X6-X11) tienen escala: -1 = pago puntual, 1 = 1 mes retraso, ..., 9 = ≥9 meses retraso
Los montos de facturación y pago (X12-X23) están en dólares taiwaneses (NT$)
La variable Y es la variable objetivo: 1 = incumplió, 0 = no incumplió
Estandarizar/normalizar variables numéricas (X1, X5, X12-X23) para modelos sensibles a la escala
Las variables X6-X11 pueden codificarse como categóricas o escalares según el enfoque
Utilizar validación cruzada estratificada para evaluar el rendimiento del modelo
Considerar el posible desbalanceo de clases en la variable objetivo
El estudio original comparó 6 métodos de minería de datos, siendo la red neuronal artificial el más preciso para estimar la probabilidad real de incumplimiento

💡 Importancia en Gestión de Riesgos

La predicción de incumplimiento de pagos es fundamental para la gestión de riesgos crediticios en instituciones financieras. Las implicaciones incluyen:

Evaluación de riesgos para la aprobación de créditos y tarjetas
Asignación de límites de crédito apropiados según el perfil de riesgo
Detección temprana de clientes en situación de dificultad financiera
Reducción de pérdidas por incumplimiento de pagos
Cumplimiento regulatorio (Basilea II/III, requisitos de capital)

El estudio de Yeh y Lien (2009) demostró que la estimación precisa de la probabilidad de incumplimiento es más valiosa que la clasificación binaria, ya que permite una diferenciación más fina del riesgo y una mejor asignación de recursos para la gestión de cobranzas.

📖 Cómo citar la fuente original

Yeh, I., & Lien, C. H. (2009). The comparisons of data mining techniques for the predictive accuracy of probability of default of credit card clients. Expert Systems with Applications, 36(2), 2473-2480. https://doi.org/10.1016/j.eswa.2009.02.041

📚 Referencias Adicionales

Yeh, I., & Lien, C. H. (2009). The comparisons of data mining techniques for the predictive accuracy of probability of default of credit card clients. Expert Systems with Applications, 36(2), 2473-2480. https://doi.org/10.1016/j.eswa.2009.02.041
UCI Machine Learning Repository - Default of Credit Card Clients. https://archive.ics.uci.edu/ml/datasets/default+of+credit+card+clients
Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance, 23(4), 589-609.
Basel Committee on Banking Supervision. (2004). Basel II: International Convergence of Capital Measurement and Capital Standards.

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (Default of Credit Card Clients - Taiwan)

Limpieza inicial y eliminación de variables no predictivas:
- Eliminación de la columna ID (identificador único de cliente) por no aportar valor predictivo y para evitar sobreajuste.
- Renombramiento de la variable objetivo de 'default payment next month' a 'default' para mayor claridad semántica.
Codificación de la variable objetivo:
- Preservación de default en su formato binario original: 0 = No Default (Cliente pagó), 1 = Default (Cliente incumplió el pago el próximo mes).
- Documentación detallada en leyenda sobre el objetivo de predicción de incumplimiento.
Limpieza y agrupación de variables demográficas:
- SEX: Preservación de codificación original (1 = Male, 2 = Female) con documentación en leyenda.
- EDUCATION: Agrupación de valores atípicos (0, 4, 5, 6) en la categoría '4 = Others' para mantener consistencia con la escala original (1=Graduate School, 2=University, 3=High School, 4=Others).
- MARRIAGE: Agrupación de valores atípicos (0 y 3) en la categoría '3 = Others' para mantener consistencia con la escala original (1=Married, 2=Single, 3=Others).
Documentación de variables de historial de pago:
- Variables PAY_0, PAY_2, PAY_3, PAY_4, PAY_5, PAY_6: Corresponden al historial de pago de Septiembre a Abril 2005 (en orden cronológico inverso).
- Escala de medición documentada: -2 = Sin consumo/Inactivo, -1 = Pago debidamente, 0 = Pago renovable/parcial, 1-9 = Retraso en el pago por n meses.
- Nota metodológica: PAY_0 corresponde a Septiembre (el más reciente).
Documentación de variables de facturación y pagos:
- Variables BILL_AMT1 a BILL_AMT6: Monto del estado de cuenta en dólares NT (puede ser negativo si hay saldo a favor).
- Variables PAY_AMT1 a PAY_AMT6: Monto pagado en dólares NT.
- Documentación del significado de variables continuas para interpretación clínica/financiera.
Generación de documentación completa:
- Creación del archivo leyenda_default_credit.txt con semántica completa de la variable objetivo y todas las variables predictoras.
- Documentación detallada de la escala de medición de variables de historial de pago (-2 a 9).
- Descripción de variables demográficas (SEX, EDUCATION, MARRIAGE) y su codificación.
- Contextualización del dataset: clientes de tarjetas de crédito en Taiwán (Abril-Septiembre 2005).
Preservación de la estructura y calidad de datos:
- Mantenimiento de las 30,000 instancias (clientes) sin eliminación de filas.
- Dataset final con 23 variables predictoras (demográficas, historial de pago, facturación y pagos) y 1 variable objetivo binaria.
- Guardado en formato CSV con separador punto y coma (;) para compatibilidad internacional.

📊 Resultado: Dataset de 30,000 clientes de tarjetas de crédito en Taiwán con 23 variables predictoras (demográficas, historial de pago de 6 meses, estados de cuenta y montos pagados) y 1 variable objetivo binaria (default). Desbalance moderado (~78% no default / ~22% default) — escenario ideal para validación de técnicas de generación de datos sintéticos y evaluación del índice TabDSFidelity en contextos de riesgo crediticio y predicción de incumplimiento de pago, donde el historial de pagos y las variables financieras mensuales son determinantes.

💳 Fuente: Default of Credit Card Clients Dataset (UCI Machine Learning Repository) - Datos de clientes de tarjetas de crédito en Taiwán (Abril-Septiembre 2005).

📅 Variables temporales: Historial de pago de 6 meses (PAY_0 a PAY_6) donde PAY_0 es el más reciente (Septiembre 2005) y PAY_6 el más antiguo (Abril 2005).

📊 Variables financieras: BILL_AMT1-6 (montos facturados) y PAY_AMT1-6 (montos pagados) en dólares NT (Nuevo Dólar Taiwán).

📁 Leyenda disponible: Archivo leyenda_default_credit.txt con mapeo semántico completo de la variable objetivo, variables demográficas (SEX, EDUCATION, MARRIAGE), escala de historial de pago (-2 a 9), y variables de facturación/pagos.

🎯 Variable objetivo: default (1 = Cliente incumplió el pago el próximo mes, 0 = Cliente pagó).

🧹 Limpieza aplicada: Eliminación de ID, agrupación de valores atípicos en EDUCATION (0,5,6 → 4) y MARRIAGE (0,3 → 3), renombrado de target para claridad semántica.

📋 Diccionario de Datos Detallado

Variable	Descripción Financiera	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`SEX`	Género del cliente	Categórico	1: Masculino, 2: Femenino	N/A	No
`EDUCATION`	Nivel educativo (ordinal)	Categórico	1: Posgrado, 2: Universidad, 3: Bachillerato, 4: Otros	N/A	No
`MARRIAGE`	Estado civil	Categórico	1: Casado, 2: Soltero, 3: Otros	N/A	No
`PAY_0`	Estado de pago - Septiembre 2005 (más reciente)	Categórico	-2: Sin consumo, -1: Pagado, 0: Revolving, 1-9: Retraso	N/A	No
`PAY_2`	Estado de pago - Agosto 2005	Categórico	-2: Sin consumo, -1: Pagado, 0: Revolving, 1-9: Retraso	N/A	No
`PAY_3`	Estado de pago - Julio 2005	Categórico	-2: Sin consumo, -1: Pagado, 0: Revolving, 1-9: Retraso	N/A	No
`PAY_4`	Estado de pago - Junio 2005	Categórico	-2: Sin consumo, -1: Pagado, 0: Revolving, 1-9: Retraso	N/A	No
`PAY_5`	Estado de pago - Mayo 2005	Categórico	-2: Sin consumo, -1: Pagado, 0: Revolving, 1-9: Retraso	N/A	No
`PAY_6`	Estado de pago - Abril 2005 (más antiguo)	Categórico	-2: Sin consumo, -1: Pagado, 0: Revolving, 1-9: Retraso	N/A	No
`LIMIT_BAL`	Límite de crédito otorgado	Numérico	10,000 - 700,000	NT$	No
`AGE`	Edad del cliente	Numérico	21 - 65	años	No
`BILL_AMT1`	Monto de factura - Septiembre 2005	Numérico	-1,678 - 546,741	NT$	No
`BILL_AMT2`	Monto de factura - Agosto 2005	Numérico	-3,355 - 535,509	NT$	No
`BILL_AMT3`	Monto de factura - Julio 2005	Numérico	-61,506 - 548,020	NT$	No
`BILL_AMT4`	Monto de factura - Junio 2005	Numérico	-4,571 - 530,672	NT$	No
`BILL_AMT5`	Monto de factura - Mayo 2005	Numérico	-4,954 - 440,000	NT$	No
`BILL_AMT6`	Monto de factura - Abril 2005	Numérico	-51,443 - 402,289	NT$	No
`PAY_AMT1`	Monto pagado - Septiembre 2005	Numérico	0 - 423,903	NT$	No
`PAY_AMT2`	Monto pagado - Agosto 2005	Numérico	0 - 415,552	NT$	No
`PAY_AMT3`	Monto pagado - Julio 2005	Numérico	0 - 169,267	NT$	No
`PAY_AMT4`	Monto pagado - Junio 2005	Numérico	0 - 313,094	NT$	No
`PAY_AMT5`	Monto pagado - Mayo 2005	Numérico	0 - 158,064	NT$	No
`PAY_AMT6`	Monto pagado - Abril 2005	Numérico	0 - 204,297	NT$	No
`default`	Incumplimiento de pago próximo mes (objetivo)	Binario	0: No (Pagó), 1: Sí (Default)	N/A	Sí

24 Variables totales

13 Numéricas

10 Categóricas

1 Binarias

Objetivo: Default (default)

Datos ausentes: 0%

📈 Distribución de la variable objetivo en el conjunto original

📖 Leyenda de Variables Categóricas

Esta sección detalla los códigos y significados de las variables categóricas y binarias presentes en el conjunto de datos de Incumplimiento de Tarjetas de Crédito. Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados financieros.

SEX Categórica

Código	Significado
1	Male (Masculino)
2	Female (Femenino)

EDUCATION Categórica

Código	Significado
1	Graduate School (Posgrado)
2	University (Universidad)
3	High School (Bachillerato)
4	Others (Otros - incluye desconocido)

📊

Orden lógico: Mayor nivel educativo suele correlacionar con mejor capacidad de pago.

MARRIAGE Categórica

Código	Significado
1	Married (Casado)
2	Single (Soltero)
3	Others (Otros - incluye divorciado/viudo)

PAY_0, PAY_2, PAY_3, PAY_4, PAY_5, PAY_6 Categórica

Estado de pago mensual (Abril - Septiembre 2005)

Código	Significado
-2	Sin consumo / Inactivo (No se realizaron compras)
-1	Pago debido (Pay duly - Pago completo y a tiempo)
0	Pago renovable (Revolving - Pago parcial, se difiere el resto)
1-9	Retraso en el pago por N meses (1 = 1 mes de atraso, etc.)

🚨

Correlación temporal: PAY_0 es el más reciente (Septiembre). PAY_6 es el más antiguo (Abril). El retraso en meses recientes es el mejor predictor de default.

💡

Interpretación: Valores negativos (-1, -2) indican buen comportamiento. 0 indica pago mínimo. 1-9 indica morosidad creciente.

Variables Binarias Binario

Formato: 0 = No / Pago, 1 = Sí / Default

default 🎯 Variable Objetivo: Incumplimiento de pago (0: No, 1: Sí)

ℹ️

Nota: Única variable binaria en el dataset.

📊

Variables categóricas: 10

SEX (2 categorías)
EDUCATION (4 categorías - ordinal)
MARRIAGE (3 categorías)
PAY_0 a PAY_6 (6 variables con escala común -2 a 9)

🎯

Variables binarias: 1

🎯 default (Objetivo - Incumplimiento de pago)

📈

Variables numéricas: 13

LIMIT_BAL, AGE
BILL_AMT1 a BILL_AMT6 (6 variables)
PAY_AMT1 a PAY_AMT6 (6 variables)

⚠️

Recomendaciones Financieras:

Mejor predictor: PAY_0 (estado de pago más reciente)
Patrón de riesgo: Clientes con PAY = 2 o más tienen alto riesgo de default
Límite de crédito: LIMIT_BAL mayor no siempre indica menor riesgo (puede indicar sobregiro)
Pago mínimo: PAY = 0 (revolving) es un indicador de riesgo moderado
Facturas crecientes: BILL_AMT que aumenta mes a mes sugiere problemas financieros
Pagos bajos: PAY_AMT consistentemente bajo vs. BILL_AMT indica riesgo

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

PAY_2 >= 2 → PAY_0 ≠ -1 (Retraso en Agosto → no pago puntual en Septiembre)
PAY_3 >= 2 → PAY_2 ≠ -1 (Retraso en Julio → no pago puntual en Agosto)
PAY_4 >= 2 → PAY_3 ≠ -1 (Retraso en Junio → no pago puntual en Julio)
PAY_5 >= 2 → PAY_4 ≠ -1 (Retraso en Mayo → no pago puntual en Junio)
PAY_6 >= 2 → PAY_5 ≠ -1 (Retraso en Abril → no pago puntual en Mayo)
PAY_0 == -2 → BILL_AMT1 = 0 (Sin consumo en Septiembre → factura 0)
PAY_2 == -2 → BILL_AMT2 = 0 (Sin consumo en Agosto → factura 0)
BILL_AMT2 ≤ 0 → PAY_2 ≠ 1 (Factura ≤0 → sin retraso de 1 mes)
BILL_AMT3 ≤ 0 → PAY_3 ≠ 1 (Factura ≤0 → sin retraso de 1 mes)
PAY_0 >= 2 → default = 1 (Retraso ≥2 meses → default inminente)
PAY_0 ≤ 0 → default = 0 (Pago puntual → sin default)
EDUCATION == 1 (Posgrado) → AGE ≥ 22
AGE ≤ 20 → MARRIAGE = 2 (Soltero) (Menor de 20 → improbable casado)
PAY_AMT1 == 0 → PAY_0 ≠ -1 (Pago 0 en Septiembre → sin pago puntual)

⚙️ Hiperparámetros SMOTE RSB* Adaptado

Valor escala	0.03
Probabilidad Base	0.1

🔄 Hiperparámetros CTGAN

epochs	500
batch_size	50
generator_lr	0.0002
discriminator_lr	0.0002
pac	10
generator_dim	(256, 256)
discriminator_dim	(256, 256)
embedding_dim	128
l2scale	1e-05

📊 Hiperparámetros TVAE

epochs	500
batch_size	50
embedding_dim	128
compress_dims	(128, 128)
decompress_dims	(128, 128)
l2scale	1e-5
loss_factor	2

🔐 Reproducibilidad

Random Seed	`42`
Python	3.12.12

Librerías utilizadas:

pandas: 2.3.3
numpy: 2.4.4
scikit-learn: 1.7.2
imbalanced-learn: 0.14.0
ctgan: 0.11.1
torch: 2.9.0
sdv: 1.28.0
scipy: 1.16.3
matplotlib: 3.10.9

📝

Para reproducir exactamente este conjunto de datos, ejecute el script de generación con la semilla aleatoria 42. Los resultados pueden variar ligeramente según la versión de las librerías.

📊 Conjuntos de Datos Derivados

El conjunto original ha sido sometido a un proceso de balanceo de clases y generación sintética para mejorar la representación de clases minoritarias. Nota: se ha empleado un conjunto de validación para evaluar el índice de fidelidad. Se han generado tres familias de conjuntos:

📊 Balanceados: Conjuntos creados mediante técnicas de sobremuestreo
🔮 Sintéticos Puros: Conjuntos generados completamente con modelos generativos
✨ Aumentados: Combinación del conjunto original + datos sintéticos

El mejor conjunto de cada etapa fue seleccionado mediante el índice TabDSFidelity.

📊 Conjuntos Balanceados 8 conjuntos

Algoritmo	Ratio	N° Ejemplos	AUC-ROC	F1	Accuracy	TabDSFidelity	Jensen-Shannon	Kolmogorov-Smirnov	Kullback-Leibler	Correlación	Tiempo Total (s)	Dist. Promedio	Copias Exactas	Ataque MIA	Mejor
Random Oversampling	1	934	0.691	0.757	0.775	8.203	0.175	0.440	0.029	0.969	47.379	0	934	0.457	🏆
Smote	1	934	0.658	0.707	0.700	2.726	0.328	0.469	0.049	0.977	46.286	0.026	600	0.474
Borderline SMOTE	1	934	0.654	0.726	0.725	3.666	0.328	0.495	0.056	0.975	47.470	0.029	601	0.496
ADASYN	1.009	930	0.668	0.724	0.715	4.213	0.329	0.616	0.051	0.979	46.553	0.027	602	0.463
SMOTE RSB* Adaptado	1.170	866	0.701	0.739	0.745	7.071	0.298	0.674	0.028	0.976	45.194	0.027	600	0.456
SMOTE RSB* Adaptado + Reglas	1.170	866	0.677	0.738	0.740	5.953	0.299	0.704	0.026	0.979	45.149	0.027	600	0.416
OOF PSO para Balanceo	1	934	0.691	0.758	0.795	5.440	0.335	0.000	0.239	0.634	50.779	0.161	600	0.463
OOF PSO para Balanceo + Reglas	3.151	934	0.661	0.773	0.795	4.278	0.351	0.000	0.266	0.588	49.147	0.182	464	0.460

⭐ Mejor seleccionado: Random Oversampling (TabDSFidelity: 8.203, AUC: 0.691, F1: 0.757, MIA: 0.457). Nota: Ratio <= 1.5 = Conjunto Balanceado.

🔮 Conjuntos Sintéticos Puros 10 conjuntos

Algoritmo	Ratio	N° Ejemplos	AUC-ROC	F1	Accuracy	TabDSFidelity	Jensen-Shannon	Kolmogorov-Smirnov	Kullback-Leibler	Correlación	Tiempo Total (s)	Dist. Promedio	Copias Exactas	Ataque MIA	Mejor
SMOTE RSB* + Ruido Gaussiano	1.702	8104	0.672	0.738	0.780	8.690	0.499	0.360	0.115	0.938	77.986	0.077	1	0.508
*SMOTE RSB + Ruido Gaussiano + Reglas**	2.360	8104	0.683	0.765	0.790	9.110	0.498	0.255	0.130	0.937	216.718	0.082	1	0.469	🏆
CTGAN	1.625	10000	0.690	0.593	0.555	4.685	0.528	0.004	0.144	0.892	438.708	0.113	0	0.469
CTGAN + Reglas del Dominio	1.444	10000	0.682	0.756	0.760	7.830	0.527	0.000	0.130	0.891	602.050	0.110	0	0.486
TVAE	1.202	10000	0.634	0.699	0.680	4.173	0.729	0.000	0.031	0.942	255.234	0.050	0	0.510
TVAE + Reglas del Dominio	3.006	10000	0.666	0.768	0.775	6.869	0.724	0.000	0.022	0.940	422.564	0.049	0	0.440
OOF PSO para Aumento	1	10000	0.686	0.746	0.740	5.147	0.746	0.000	1.266	0.666	123.037	0.299	0	0.544
OOF PSO para Aumento + Reglas	1.338	10000	0.684	0.777	0.800	5.951	0.738	0.000	1.300	0.669	284.586	0.300	0	0.545
SMOTE RSB* Refinado	1.355	8691	0.646	0.731	0.770	7.345	0.514	0.281	0.116	0.932	80.725	0.087	1	0.452
SMOTE RSB* Refinado + Reglas	2.185	8691	0.641	0.773	0.795	7.441	0.513	0.168	0.127	0.932	227.641	0.091	1	0.432

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano + Reglas del Dominio (TabDSFidelity: 9.110, AUC: 0.683, F1: 0.765, MIA: 0.469). Nota: Ratio <= 1.5 = Conjunto Balanceado.

✨ Conjuntos Aumentados 10 conjuntos

Algoritmo	Ratio	N° Ejemplos	AUC-ROC	F1	Accuracy	TabDSFidelity	Jensen-Shannon	Kolmogorov-Smirnov	Kullback-Leibler	Correlación	Tiempo Total (s)	Dist. Promedio	Copias Exactas	Ataque MIA	Mejor
SMOTE RSB* + Ruido Gaussiano	1.608	9038	0.697	0.722	0.765	7.172	0.467	0.429	0.104	0.941	150.523	0.070	216	0.460
*SMOTE RSB + Ruido Gaussiano + Reglas**	2.139	9038	0.682	0.762	0.790	7.965	0.466	0.311	0.116	0.940	289.001	0.076	217	0.483	🏆
CTGAN	1.556	10934	0.703	0.702	0.690	4.270	0.484	0.008	0.130	0.898	525.791	0.104	176	0.474
CTGAN + Reglas del Dominio	1.398	10934	0.731	0.765	0.775	7.895	0.483	0.000	0.117	0.897	686.094	0.102	176	0.450
TVAE	1.183	10934	0.664	0.742	0.735	4.582	0.656	0.000	0.027	0.948	344.696	0.048	176	0.469
TVAE + Reglas del Dominio	2.690	10934	0.688	0.772	0.780	6.626	0.652	0.000	0.018	0.947	509.275	0.047	176	0.447
OOF PSO para Aumento	1	10934	0.648	0.779	0.795	4.436	0.661	0.000	0.937	0.688	209.836	0.272	176	0.446
OOF PSO para Aumento + Reglas	1.305	10934	0.695	0.765	0.785	4.869	0.654	0.000	0.966	0.689	366.669	0.273	176	0.476
SMOTE RSB* Refinado	1.315	9625	0.631	0.697	0.735	4.377	0.482	0.322	0.105	0.935	158.232	0.081	200	0.429
SMOTE RSB* Refinado + Reglas	2.012	9625	0.663	0.777	0.800	7.827	0.481	0.207	0.114	0.935	304.405	0.085	200	0.475

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano + Reglas del Dominio (TabDSFidelity: 7.965, AUC: 0.682, F1: 0.762, MIA: 0.483). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_33

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
Random Oversampling

↓

Generación Sintética
(10 métodos)

↓ Evaluación TabDSFidelity

⭐ Mejor Sintético
SMOTE RSB* + Ruido Gaussiano + Reglas del Dominio

⭐ Mejor Aumentado
SMOTE RSB* + Ruido Gaussiano + Reglas del Dominio

↓

Conjunto Sintético Final
Seleccionado por calidad

📊 Guía de Métricas de Evaluación

Para interpretar correctamente los resultados de los conjuntos de datos generados, es fundamental comprender qué mide cada métrica y cómo se relacionan entre sí. A continuación, se detalla cada una de las métricas utilizadas en la evaluación:

🎯 Métricas de Rendimiento Predictivo

AUC-ROC (0.5 - 1.0)

¿Qué mide? Capacidad del modelo para distinguir entre clases (Ej: mortalidad vs supervivencia).

Interpretación:

0.5: Sin capacidad predictiva (aleatorio)
0.7-0.8: Aceptable
0.8-0.9: Excelente
>0.9: Sobresaliente

Ejemplo: AUC-ROC = 0.82 significa que hay un 82% de probabilidad de que el modelo clasifique correctamente un paciente fallecido frente a uno superviviente.

F1-Score (0 - 1.0)

¿Qué mide? Media armónica entre precisión y sensibilidad (recall).

Interpretación:

0.7-0.8: Buen equilibrio entre precisión y sensibilidad
0.8-0.9: Muy buen equilibrio
>0.9: Excelente equilibrio

Ejemplo: F1 = 0.76 indica que el modelo mantiene un buen balance entre identificar correctamente a los pacientes que fallecen (sensibilidad) y no etiquetar erróneamente a los que sobreviven (precisión).

Accuracy (0 - 1.0)

¿Qué mide? Proporción de predicciones correctas sobre el total.

Interpretación:

0.7-0.8: Buen rendimiento general
0.8-0.9: Muy buen rendimiento
>0.9: Excelente rendimiento

Ejemplo: Accuracy = 0.75 significa que el 75% de las predicciones del modelo son correctas.

⚠️ Nota: En conjuntos desbalanceados, esta métrica puede ser engañosa. Es mejor usar F1-Score o AUC-ROC.

🔬 Índice de Fidelidad del Conjunto

TabDSFidelity (0 - 10+)

¿Qué mide? Calidad global del conjunto sintético comparado con el original.

Interpretación:

< 3.0: Baja fidelidad (poca similitud con el original)
3.0 - 6.0: Fidelidad moderada
6.0 - 8.0: Alta fidelidad
> 8.0: Muy alta fidelidad (excelente representación)

Ejemplo: TabDSFidelity = 8.08 indica que el conjunto sintético mantiene una alta similitud con el original, preservando las relaciones y distribuciones de los datos reales, además de maximizar su eficacia predictiva.

💡 Importante: Este es el índice para seleccionar el mejor conjunto de datos sintéticos. Para este caso, el peso empleado para las métricas "AUC-ROC", "F1-Score" y "Accuracy" fue (2) y para el resto de las métricas fue (1).

📊 Métricas de Similitud de Distribuciones

Jensen-Shannon (Promedio) (0 - 1.0)

¿Qué mide? Similitud entre las distribuciones de variables numéricas del conjunto sintético y el original.

Interpretación:

Cerca de 0: Distribuciones muy similares (ideal)
0.1 - 0.3: Diferencias moderadas
> 0.3: Diferencias significativas

Ejemplo: JS = 0.118 indica que las distribuciones de las variables numéricas (edad, presión arterial, etc.) son bastante similares a las del conjunto original.

📌 Nota: Es el promedio de la divergencia de Jensen-Shannon calculada para todas las variables numéricas.

Kolmogorov-Smirnov (p-valor promedio) (0 - 1.0)

¿Qué mide? Probabilidad estadística de que las muestras numéricas del conjunto sintético provengan de la misma distribución continua que el original.

Interpretación:

Cerca de 1.0: Altísima probabilidad de que sean la misma distribución (ideal)
> 0.05: Similitud aceptable (no se rechaza que sean iguales)
< 0.05: Diferencias estadísticamente significativas

Ejemplo: KS p-valor = 0.753 indica que hay evidencia fuerte a favor de que las distribuciones acumulativas de la variable sintética y la original son equivalentes.

📌 Nota: Se reporta el promedio de los p-valores obtenidos mediante la prueba de Kolmogorov-Smirnov de dos muestras para las variables numéricas.

Kullback-Leibler (Promedio) (0 - ∞)

¿Qué mide? Divergencia entre las distribuciones de variables categóricas del conjunto sintético y el original.

Interpretación:

Cerca de 0: Distribuciones muy similares (ideal)
0.01 - 0.1: Diferencias pequeñas
> 0.1: Diferencias notables

Ejemplo: KL = 0.014 indica que la distribución de las variables categóricas (género, mortalidad) es muy similar a la del conjunto original.

📌 Nota: Es el promedio de la divergencia de Kullback-Leibler para todas las variables categóricas. A diferencia de JS y KS, esta métrica se aplica solo a variables categóricas.

📊 Métricas de Estructura

Similitud de Correlación (0 - 1.0)

¿Qué mide? Preservación de las relaciones entre variables del conjunto original.

Interpretación:

Cerca de 1.0: Las relaciones entre variables se mantienen casi idénticas
> 0.9: Excelente preservación de relaciones
0.7 - 0.9: Buena preservación
< 0.7: Pérdida significativa de relaciones

Ejemplo: Correlación = 0.976 significa que las relaciones entre variables (ej. edad y mortalidad) se mantienen en un 97.6% respecto al conjunto original.

⏱️ Métricas de Rendimiento Temporal

Tiempo Total (s) (segundos)

¿Qué mide? Tiempo total de ejecución del proceso de generación del conjunto.

Interpretación:

< 100s: Generación rápida
100-300s: Tiempo moderado
> 300s: Proceso lento (puede ser aceptable para conjuntos grandes)

Ejemplo: Tiempo total = 69.45s significa que el proceso completo de generación del conjunto balanceado tomó aproximadamente 1.16 minutos.

⏱️ Nota: Incluye el tiempo de generación sintética + cálculo de métricas.

🔒 Métricas de Privacidad

Estas métricas evalúan el riesgo de exposición de información sensible y la capacidad de un atacante para inferir datos de los pacientes a partir del conjunto de datos sintéticos.

Distancia al Registro Más Cercano (≥ 0)

¿Qué mide? La distancia promedio entre cada registro sintético y su registro más cercano en el conjunto de datos original.

Interpretación:

Cerca de 0: Los datos sintéticos son muy similares a los originales → ⚠️ ALTO RIESGO de privacidad
0.01 - 0.05: Similaridad moderada → Riesgo moderado
> 0.05: Buena separación de los datos originales → ✅ BAJO RIESGO de privacidad

Ejemplo: Distancia promedio = 0.015 en SMOTE indica que los registros sintéticos están relativamente cerca de los originales, lo que podría implicar un riesgo de privacidad moderado.

🔬

Metodología: Calculada utilizando la Distancia de Gower, la cual maneja internamente tipos de datos mixtos, normalizando las variables numéricas y penalizando diferencias categóricas para devolver un índice estandarizado entre 0 y 1.

💡

Recomendación: Valores < 0.01 deben ser evaluados con precaución. Idealmente, buscar valores > 0.02 para garantizar la privacidad.

Copias Exactas (≥ 0)

¿Qué mide? Número de registros sintéticos que son copias idénticas de registros en el conjunto de datos original.

Interpretación:

0: Ninguna copia exacta → ✅ SEGURO
1 - 10: Pocas copias → Riesgo bajo
11 - 50: Copias moderadas → ⚠️ RIESGO MODERADO
> 50: Muchas copias → 🔴 ALTO RIESGO de reidentificación

Ejemplo: SMOTE RSB* Refinado genera 76 copias exactas de 8817 registros (0.86%), lo que representa un riesgo de privacidad que debe ser evaluado.

⚠️

Importante: La presencia de copias exactas es uno de los indicadores más críticos de fuga de datos. Idealmente, este valor debe ser 0.

Ataque de Inferencia de Membresía (MIA) (0 - 1.0)

¿Qué mide? Tasa de éxito (medida en AUC-ROC) de un atacante para determinar si un registro específico pertenece al conjunto de datos original.

Interpretación:

0.5: Aleatorio (ideal) → ✅ PRIVACIDAD ÓPTIMA
0.5 - 0.55: Riesgo bajo
0.55 - 0.6: Riesgo moderado → ⚠️ PRIVACIDAD CUESTIONABLE
> 0.6: Riesgo alto → 🔴 PRIVACIDAD COMPROMETIDA

Ejemplo: MIA = 0.553 significa que el atacante tiene un éxito ligeramente superior al 50% aleatorio, lo que indica un riesgo de privacidad bajo/moderado.

🎯

Objetivo: Buscar valores lo más cercanos a 0.5. Valores > 0.6 indican que el conjunto sintético no protege adecuadamente la privacidad.

📝 Resumen Rápido para Selección

🏆

Para seleccionar el mejor conjunto:

Priorizar TabDSFidelity más alto
Buscar AUC-ROC y F1 altos
Valores de divergencia JS y KL cercanos a 0
P-valor de KS lo más cercano a 1.0 posible (>0.05)
Correlación > 0.9

⚖️

Balance entre calidad y tiempo:

Un TabDSFidelity > 8.0 indica excelente calidad
Tiempos de generación < 200s son aceptables
La Correlación > 0.95 asegura buena preservación de relaciones

🔒

Para garantizar la privacidad:

MIA lo más cercano a 0.5 (ideal)
Copias exactas = 0 (ideal) o lo más bajo posible
Distancia promedio > 0.02 para buena separación
Evaluar balance entre calidad (TabDSFidelity) y privacidad (MIA)

📥 Descargar conjuntos y código Python

📦 Descargar completo (ZIP)

Formatos incluidos: CSV.

📚 Cómo citar este conjunto

Díaz Bastida, M., Pérez Vázquez, R. A., & Bello Pérez, R. (2026). High-Fidelity Synthetic Dataset for Credit Card Default Prediction - Taiwan (Version 0). figshare. https://doi.org/10.6084/m9.figshare.32939219