CD_42 Original + Derivados

CD_42: German Credit Data

Conjunto de datos financiero para la evaluación del riesgo crediticio (binario). Integra variables sociodemográficas y financieras procesadas numéricamente, manteniendo jerarquías en atributos ordinales (e.g., estado de cuenta, ahorros).

📈 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	0.76	0.88	0.81	140
Clase 1	0.55	0.35	0.43	60
Accuracy	0.72
Macro Avg	0.66	0.61	0.62	200
Weighted Avg	0.70	0.72	0.70	200

AUC-ROC: 0.76

F1-Score (weighted): 0.70

Accuracy: 0.72

➡️ Mejora

⬆ +0.02 AUC ⬆ +0.05 F1 ⬆ +0.02 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.83	0.80	0.81	140
Clase 1	0.57 ⬆ +0.02	0.62 ⬆ +0.27	0.59 ⬆ +0.16	60
Accuracy	0.74 ⬆ +0.02
Macro Avg	0.70 ⬆ +0.04	0.71 ⬆ +0.10	0.70 ⬆ +0.08	200
Weighted Avg	0.75 ⬆ +0.05	0.74 ⬆ +0.02	0.75 ⬆ +0.05	200

AUC-ROC: 0.78 ⬆ +0.02

F1-Score (weighted): 0.75 ⬆ +0.05

Accuracy: 0.74 ⬆ +0.02

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.55

Sintético: 0.57

⬆ +0.02

📈

Recall

Original: 0.35

Sintético: 0.62

⬆ +0.27

⚖️

F1-Score

Original: 0.43

Sintético: 0.59

⬆ +0.16

📚 Fuente Original del Conjunto

German Credit Data (StatLog)

v1.0

Prof. Hofmann (Universidad de Hamburgo)

Disponible en repositorios públicos

Repositorio: UCI Machine Learning Repository

DOI: No disponible

URL: UCI ML Repository

Licencia: Uso académico y de investigación

Instancias: 1,000

Características: 20 (19 predictores + 1 objetivo)

Formatos: Categórico (german.data) y Numérico (german.data-numeric)

📄 Resumen (Abstract)

El conjunto de datos de Crédito Alemán (German Credit Data) clasifica a personas descritas por un conjunto de atributos como buenos o malos riesgos crediticios. El dataset está disponible en dos formatos: el original con atributos categóricos/simbólicos (archivo german.data) y una versión numérica editada por la Universidad de Strathclyde (archivo german.data-numeric) para algoritmos que requieren atributos numéricos. Este dataset requiere el uso de una matriz de costos porque es peor clasificar a un cliente como bueno cuando es malo (costo 5) que clasificarlo como malo cuando es bueno (costo 1).

🔬 Contexto y Motivación

La evaluación de riesgos crediticios es un problema fundamental en la industria bancaria y financiera. Las instituciones financieras necesitan determinar si un solicitante de crédito es un buen o mal riesgo para minimizar pérdidas y maximizar ganancias. Este dataset fue utilizado en el proyecto StatLog para comparar diferentes algoritmos de aprendizaje automático en problemas de clasificación del mundo real.

💰 Matriz de Costos

El dataset requiere el uso de una matriz de costos para evaluar correctamente el rendimiento:

	Predicción: Bueno (1)	Predicción: Malo (2)
Real: Bueno (1)	0 (Correcto)	1 (Falso negativo)
Real: Malo (2)	5 (Falso positivo - más costoso)	0 (Correcto)

⚠️ Es 5 veces más costoso clasificar a un cliente malo como bueno (conceder un préstamo que no se pagará) que clasificar a un cliente bueno como malo (rechazar un préstamo que sí se pagaría).

📊 Descripción de Datos

El dataset contiene 1,000 instancias con 20 atributos (19 variables predictoras y 1 variable objetivo). Las características son de tipo categórico y entero. No presenta valores faltantes.

📋 Variables del Dataset

Atributo	Tipo	Descripción	Categorías / Unidades
A. Información Financiera
Attribute1	Categórica	Estado de la cuenta corriente	A11: < 0 DM, A12: 0-200 DM, A13: ≥ 200 DM, A14: sin cuenta
Attribute2	Entero	Duración del crédito	meses
Attribute5	Entero	Monto del crédito	DM
Attribute8	Entero	Tasa de cuota (% del ingreso disponible)	%
Attribute16	Entero	Número de créditos existentes en este banco	-
Attribute18	Entero	Número de personas a cargo	-
B. Historial Crediticio
Attribute3	Categórica	Historial crediticio	A30: pagado, A31: pagado en este banco, A32: créditos existentes pagados, A33: retrasos, A34: cuenta crítica
Attribute6	Categórica	Cuenta de ahorros / bonos	A61: < 100 DM, A62: 100-500 DM, A63: 500-1000 DM, A64: ≥ 1000 DM, A65: desconocido
C. Datos Personales y Demográficos
Attribute7	Categórica	Empleo actual desde	A71: desempleado, A72: < 1 año, A73: 1-4 años, A74: 4-7 años, A75: ≥ 7 años
Attribute9	Categórica	Estado personal y sexo	A91: hombre divorciado/separado, A92: mujer divorciada/casada, A93: hombre soltero, A94: hombre casado/viudo, A95: mujer soltera
Attribute10	Categórica	Otros deudores / garantes	A101: ninguno, A102: co-solicitante, A103: garante
Attribute11	Entero	Residencia actual desde	años
Attribute12	Categórica	Propiedad	A121: bienes raíces, A122: seguro de vida, A123: automóvil, A124: desconocido
Attribute13	Entero	Edad	años
Attribute14	Categórica	Otros planes de cuotas	A141: banco, A142: tiendas, A143: ninguno
Attribute15	Categórica	Vivienda	A151: alquiler, A152: propia, A153: gratis
Attribute17	Categórica	Ocupación	A171: desempleado/no calificado, A172: no calificado residente, A173: empleado calificado, A174: gerente/autónomo
Attribute19	Binaria	Teléfono	A191: ninguno, A192: sí (registrado)
Attribute20	Binaria	Trabajador extranjero	A201: sí, A202: no
D. Variable Objetivo
class	Binaria (Target)	Riesgo crediticio	1 = Bueno (Good) 2 = Malo (Bad)

📋 Características del Dataset

Tipo de problema: Clasificación binaria con costos asimétricos (Good vs. Bad credit risk)
Dimensión: Multivariante (1,000 × 20)
Tipo de características: Mixtas (Categóricas y Enteras)
Valores faltantes: No
Área de aplicación: Finanzas, Banca, Evaluación de Riesgos Crediticios
Formatos disponibles: Categórico (german.data) y Numérico (german.data-numeric)
Matriz de costos: Requerida para evaluación (costo de Falso Positivo = 5, Falso Negativo = 1)

⚖️ Ética y Privacidad

El conjunto de datos contiene información demográfica (edad, sexo, estado civil, ocupación, nacionalidad) que podría considerarse sensible. Los datos han sido anonimizados y no contienen información personal identificable como nombres, direcciones o números de identificación. Restricción de confidencialidad: 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 pueda comprometer la privacidad de los individuos representados en el dataset.

📋 Notas de Uso

Este conjunto de datos es un clásico en la evaluación de riesgos crediticios y requiere consideraciones especiales debido a la matriz de costos. Se recomienda:

La variable objetivo class está codificada como 1 = Bueno (Good) y 2 = Malo (Bad)
Utilizar la matriz de costos para evaluar el rendimiento:
- Falso Positivo (cliente malo clasificado como bueno): Costo = 5
- Falso Negativo (cliente bueno clasificado como malo): Costo = 1
Existen dos formatos del dataset:
- german.data: Atributos categóricos/simbólicos (original)
- german.data-numeric: Atributos numéricos (editado por Strathclyde University)
Las variables categóricas en el formato original utilizan códigos como A11, A12, etc.
En el formato numérico, las variables categóricas han sido codificadas como valores enteros
Varias características están en escalas diferentes (DM, meses, %, años), por lo que se recomienda estandarización/normalización para algoritmos basados en distancias
El dataset tiene un desbalanceo moderado (aproximadamente 70% buenos, 30% malos)
Los costos asimétricos deben reflejarse en la función de pérdida durante el entrenamiento (cost-sensitive learning)
Este dataset es adecuado para modelos de clasificación como Regresión Logística, Árboles de Decisión, Random Forest, XGBoost y SVM

💡 Importancia en la Evaluación de Riesgos Crediticios

La evaluación de riesgos crediticios es una de las aplicaciones más importantes del aprendizaje automático en el sector financiero. Este dataset es significativo porque:

Refleja un problema del mundo real con costos asimétricos (los falsos positivos son mucho más costosos que los falsos negativos)
Incluye una mezcla de atributos categóricos y numéricos, lo que requiere técnicas de preprocesamiento variadas
Fue utilizado en el proyecto StatLog para comparar diferentes algoritmos de clasificación
Permite investigar técnicas de aprendizaje sensible a costos y evaluación con matrices de costo
Es un dataset balanceado en cuanto a tamaño (1,000 instancias) que permite pruebas rápidas de algoritmos

La evaluación correcta del riesgo crediticio es fundamental para la estabilidad financiera de los bancos y la economía en general. Los modelos predictivos basados en este tipo de datos ayudan a las instituciones a minimizar pérdidas por préstamos impagos mientras maximizan el acceso al crédito para clientes que sí pagarán.

📖 Cómo citar la fuente original

Statlog (German Credit Data) Dataset. UCI Machine Learning Repository. Prof. Dr. Hans Hofmann, Universität Hamburg. https://archive.ics.uci.edu/ml/datasets/Statlog+(German+Credit+Data)

📚 Referencias Adicionales

< class="transformacion-lista">

Michie, D., Spiegelhalter, D. J., & Taylor, C. C. (1994). Machine Learning, Neural and Statistical Classification. Ellis Horwood. (Proyecto StatLog)

UCI Machine Learning Repository - Statlog (German Credit Data). https://archive.ics.uci.edu/ml/datasets/Statlog+(German+Credit+Data)

Hand, D. J., & Henley, W. E. (1997). Statistical classification methods in consumer credit scoring: a review. Journal of the Royal Statistical Society: Series A, 160(3), 523-541.

Thomas, L. C., Edelman, D. B., & Crook, J. N. (2002). Credit Scoring and Its Applications. SIAM.

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (German Credit Risk Dataset)

Carga y estructuración de datos:
- Carga del archivo german.data utilizando separador de espacios en blanco (\s+).
- Asignación de nombres de columnas según la documentación oficial (20 variables predictoras + 1 variable objetivo).
- Verificación de integridad estructural del dataset.
Transformación de la variable objetivo:
- Creación de risk_bad a partir de la variable original class que utilizaba codificación {1, 2}.
- Mapeo: class = 1 (Good Credit) → 0 (Clase Negativa), class = 2 (Bad Credit) → 1 (Clase Positiva - Riesgo).
- Eliminación de la columna original class para evitar redundancia.
- Documentación del objetivo: detección de clientes con mal riesgo crediticio.
Codificación de variables ordinales preservando jerarquía:
- checking_status: Mapeo de estado de cuenta (A11→1, A12→2, A13→3, A14→4) preservando orden de liquidez (1 = <0 DM, 2 = 0-200 DM, 3 = ≥200 DM, 4 = Sin cuenta).
- savings_status: Mapeo de ahorros (A61→1, A62→2, A63→3, A64→4, A65→0) con 0 = Desconocido/Ninguno, preservando jerarquía de cantidad.
- employment: Mapeo de empleo (A71→0, A72→1, A73→2, A74→3, A75→4) preservando jerarquía de estabilidad laboral (0 = Desempleado, 4 = ≥7 años).
- Documentación detallada de cada escala ordinal en la leyenda.
Codificación de variables nominales:
- Transformación de 10 variables categóricas a valores numéricos mediante Label Encoding: credit_history, purpose, personal_status_sex, other_debtors, property, other_installment_plans, housing, job, telephone, foreign_worker.
- Generación de mapeo completo (código → valor original) en la leyenda para todas las variables nominales.
- Preservación de la semántica original a través de la documentación.
Estandarización y optimización de tipos de datos:
- Conversión forzada de todas las 21 variables (20 predictoras + 1 objetivo) a tipo entero (int).
- Preservación de variables numéricas continuas/discretas en formato entero: duration (meses), credit_amount (moneda), installment_rate (%), residence_since (años), age (años), existing_credits (conteo), num_dependents (conteo).
- Eliminación de decimales espurios para optimizar memoria y mejorar legibilidad.
Generación de documentación completa:
- Creación del archivo leyenda_german_credit.txt con semántica completa de la variable objetivo y todas las variables predictoras.
- Documentación de variables ordinales con sus escalas jerárquicas (checking_status, savings_status, employment).
- Mapeo completo de variables nominales codificadas (10 variables) con sus valores originales.
- Descripción de variables numéricas y sus unidades de medida.
- Contextualización del dataset: clasificación de riesgo crediticio en clientes bancarios alemanes.
- Estadísticas finales: total de instancias y ratio de desbalance.
Preservación de la estructura y calidad de datos:
- Mantenimiento de las 1,000 instancias (clientes bancarios) sin eliminación de filas.
- Dataset final con 20 variables predictoras (mixtas: ordinales, nominales codificadas y numéricas) y 1 variable objetivo binaria.
- Guardado en formato CSV con separador punto y coma (;) para compatibilidad internacional.

📊 Resultado: Dataset de 1,000 clientes bancarios alemanes con 20 variables predictoras (demográficas, financieras, de historial crediticio y de empleo) y 1 variable objetivo binaria (risk_bad). Desbalance moderado (~70% buen crédito / ~30% mal crédito) — escenario ideal para validación de técnicas de generación de datos sintéticos y evaluación del índice TabDSFidelity en contextos de evaluación de riesgo crediticio y scoring bancario, donde factores socioeconómicos, laborales y de historial financiero son determinantes.

🏦 Fuente: German Credit Risk Dataset (UCI Machine Learning Repository) - Datos de clientes bancarios alemanes para clasificación de riesgo crediticio.

📊 Variables ordinales: checking_status (estado de cuenta, 1-4), savings_status (ahorros, 0-4), employment (empleo, 0-4) — todas con jerarquía preservada.

📋 Variables nominales: 10 variables incluyendo credit_history (historial crediticio), purpose (propósito del préstamo), personal_status_sex (estado civil/género), property (propiedad), housing (vivienda), job (trabajo), entre otras.

📁 Leyenda disponible: Archivo leyenda_german_credit.txt con mapeo completo de variables ordinales, nominales y descripción de variables numéricas.

🎯 Variable objetivo: risk_bad (1 = Mal riesgo crediticio, 0 = Buen riesgo crediticio).

🧹 Limpieza aplicada: Carga con separador de espacios, transformación de target (1→0, 2→1), mapeo ordinal de 3 variables, Label Encoding de 10 variables nominales, estandarización de tipos a int.

📋 Diccionario de Datos Detallado

Variable	Descripción Financiera	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`checking_status`	Estado de la cuenta corriente (ordinal)	Categórico	1: <0 DM, 2: 0-200 DM, 3: ≥200 DM, 4: Sin cuenta	N/A	No
`credit_history`	Historial crediticio (nominal)	Categórico	0-4 (ver leyenda)	N/A	No
`purpose`	Propósito del crédito (nominal)	Categórico	0-9 (ver leyenda)	N/A	No
`savings_status`	Estado de ahorros (ordinal)	Categórico	0: Desconocido, 1: <100, 2: 100-500, 3: 500-1000, 4: ≥1000	N/A	No
`personal_status_sex`	Sexo y estado civil (compuesto)	Categórico	0-3 (ver leyenda)	N/A	No
`other_debtors`	Otros deudores (nominal)	Categórico	0-2 (ver leyenda)	N/A	No
`property`	Tipo de propiedad (nominal)	Categórico	0-3 (ver leyenda)	N/A	No
`other_installment_plans`	Otros planes de cuotas (nominal)	Categórico	0-2 (ver leyenda)	N/A	No
`housing`	Tipo de vivienda (nominal)	Categórico	0-2 (ver leyenda)	N/A	No
`job`	Tipo de empleo (ordinal)	Categórico	0-3 (ver leyenda)	N/A	No
`duration`	Duración del crédito en meses	Numérico	4 - 60	meses	No
`credit_amount`	Monto del crédito	Numérico	276 - 14,782	DM	No
`employment`	Antigüedad laboral (años)	Numérico	0 - 4	años	No
`installment_rate`	Tasa de pago (% del ingreso disponible)	Numérico	1 - 4	%	No
`residence_since`	Tiempo en residencia actual	Numérico	1 - 4	años	No
`age`	Edad del solicitante	Numérico	19 - 75	años	No
`existing_credits`	Número de créditos existentes	Numérico	1 - 4	créditos	No
`num_dependents`	Número de personas a cargo	Numérico	1 - 2	personas	No
`telephone`	Teléfono registrado	Binario	0: No, 1: Sí	N/A	No
`foreign_worker`	Trabajador extranjero	Binario	0: Sí, 1: No	N/A	No
`risk_bad`	Riesgo de incumplimiento (objetivo)	Binario	0: Bueno (Solvente), 1: Malo (Riesgo)	N/A	Sí

21 Variables totales

8 Numéricas

10 Categóricas

3 Binarias

Objetivo: Riesgo Crediticio (risk_bad)

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 Riesgo Crediticio Alemán (German Credit Data). Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados de evaluación de crédito.

checking_status Categórica (Ordinal)

Código	Significado	Riesgo
1	< 0 DM (Saldo negativo)	✗ Alto
2	0 - 200 DM (Saldo bajo)	⚠ Moderado
3	≥ 200 DM (Saldo alto)	✓ Bajo
4	Sin cuenta corriente	✓ Bajo

🚨

Factor clave: Saldo negativo en cuenta corriente es un fuerte predictor de riesgo crediticio.

credit_history Categórica (Nominal)

Código	Significado (Original)	Riesgo
0	A30 - Sin créditos previos	✓ Bajo
1	A31 - Todos los créditos pagados	✓ Bajo
2	A32 - Créditos actuales pagados puntualmente	✓ Bajo
3	A33 - Pagos atrasados (retrasos)	⚠ Moderado
4	A34 - Créditos críticos / Deudas pendientes	✗ Alto

📊

Historial crediticio: El historial de pagos es el predictor más importante de riesgo crediticio.

purpose Categórica (Nominal)

Código	Significado (Original)
0	A40 - Automóvil nuevo
1	A41 - Automóvil usado
2	A410 - Otros (electrodomésticos, etc.)
3	A42 - Equipamiento / Mobiliario
4	A43 - Radio / Televisión
5	A44 - Electrodomésticos
6	A45 - Reparaciones
7	A46 - Educación / Formación
8	A48 - Vacaciones
9	A49 - Negocios / Inversión

💼

Interpretación: Créditos para negocios/inversión (9) suelen tener mejor comportamiento que para consumo.

savings_status Categórica (Ordinal)

Código	Significado	Riesgo
0	Desconocido / Sin ahorros	⚠ Moderado
1	< 100 DM	⚠ Moderado
2	100 - 500 DM	✓ Bajo
3	500 - 1000 DM	✓ Bajo
4	≥ 1000 DM	✓ Muy bajo

💰

Factor protector: Mayor nivel de ahorros indica menor riesgo de incumplimiento.

personal_status_sex Categórica (Nominal)

Código	Significado (Original)
0	A91 - Hombre soltero
1	A92 - Hombre casado/viudo/divorciado
2	A93 - Hombre divorciado/separado
3	A94 - Mujer

👤

Variable compuesta: Combina sexo y estado civil en una sola codificación.

other_debtors Categórica (Nominal)

Código	Significado (Original)
0	A101 - Sin otros deudores
1	A102 - Con deudor que avala
2	A103 - Cónyuge como deudor

property Categórica (Nominal)

Código	Significado (Original)	Riesgo
0	A121 - Bienes raíces (casa/terreno)	✓ Bajo
1	A122 - Seguro de ahorro / Contrato de pensión	✓ Bajo
2	A123 - Automóvil / Otros bienes	⚠ Moderado
3	A124 - Sin propiedad / Desconocido	✗ Alto

🏠

Garantía: La posesión de bienes raíces es un fuerte factor protector contra el riesgo crediticio.

other_installment_plans Categórica (Nominal)

Código	Significado (Original)
0	A141 - En el banco (institución financiera)
1	A142 - En tiendas (comercios)
2	A143 - Sin otros planes de cuotas

housing Categórica (Nominal)

Código	Significado (Original)	Riesgo
0	A151 - Alquiler	⚠ Moderado
1	A152 - Propia	✓ Bajo
2	A153 - Vivienda gratuita (familiares)	✓ Bajo

🏡

Estabilidad: Vivienda propia indica mayor estabilidad financiera y menor riesgo.

job Categórica (Ordinal)

Código	Significado (Original)	Estabilidad
0	A171 - Desempleado / Sin empleo	✗ Muy baja
1	A172 - Trabajador no calificado	⚠ Baja
2	A173 - Trabajador calificado / Funcionario	✓ Media
3	A174 - Directivo / Profesional	✓ Alta

💼

Jerarquía ocupacional: Mayor nivel ocupacional se asocia con menor riesgo crediticio.

Variables Binarias Binario

Formato común: 0 = No / Ausencia, 1 = Sí / Presencia

telephone Teléfono registrado (0: No, 1: Sí)

foreign_worker Trabajador extranjero (0: Sí, 1: No)

risk_bad 🎯 Variable Objetivo: Riesgo crediticio (0: Bueno, 1: Malo)

ℹ️

Nota: Todas las variables binarias están codificadas como 0 = No y 1 = Sí.

📊

Variables categóricas: 10

checking_status (4 niveles - ordinal)
credit_history (5 niveles - nominal)
purpose (10 niveles - nominal)
savings_status (5 niveles - ordinal)
personal_status_sex (4 niveles - nominal)
other_debtors (3 niveles - nominal)
property (4 niveles - nominal)
other_installment_plans (3 niveles - nominal)
housing (3 niveles - nominal)
job (4 niveles - ordinal)

🎯

Variables binarias: 3

telephone (Teléfono)
foreign_worker (Trabajador extranjero)
🎯 risk_bad (Objetivo - Riesgo crediticio)

📈

Variables numéricas: 8

duration, credit_amount
employment, installment_rate
residence_since, age
existing_credits, num_dependents

⚠️

Recomendaciones de Evaluación Crediticia:

Factores críticos: checking_status, credit_history, savings_status, property
Riesgo alto: Saldo negativo en cuenta, historial de deudas críticas, sin propiedad
Riesgo bajo: Ahorros altos, vivienda propia, empleo estable
Duración del crédito: Créditos más largos (duration > 36 meses) tienen mayor riesgo
Edad: Solicitantes jóvenes (age < 25) suelen tener mayor riesgo
Coste de clasificación: El coste de un falso negativo (aprobar a un mal pagador) es mayor que un falso positivo
Dataset original: Códigos AXX de la UCI mapeados a valores numéricos para el modelo

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

age < 26 → employment ≠ 4 (Jóvenes no pueden estar desempleados)
employment == 0 → job ≠ 2 (Desempleado → no puede ser técnico)
employment == 0 → job ≠ 3 (Desempleado → no puede ser ejecutivo)
foreign_worker == 1 → job ≠ 0 (Trabajador extranjero → no puede ser desempleado)
job == 3 → telephone = 1 (Ejecutivo → debe tener teléfono)
housing == 1 → property ≠ 3 (Dueño de vivienda → no sin activos)
property == 3 → housing ≠ 1 (Sin activos → no dueño de vivienda)
housing == 2 → property ≠ 0 (Vivienda gratuita → no propiedad sin activos)
credit_history == 0 → existing_credits = 1 (Historial perfecto → 1 crédito existente)
credit_history == 4 → existing_credits ≥ 2 (Historial crítico → múltiples créditos)
personal_status_sex == 2 (Soltero) → num_dependents = 1

⚙️ 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	840	0.718	0.679	0.690	6.856	0.048	0.884	0.010	0.979	56.932	0	840	0.504
Smote	1	840	0.731	0.710	0.705	8.296	0.104	0.467	0.020	0.968	55.354	0.040	600	0.494	🏆
Borderline SMOTE	1	840	0.726	0.673	0.670	5.416	0.098	0.546	0.022	0.964	54.925	0.040	600	0.508
ADASYN	1.017	847	0.727	0.698	0.695	7.272	0.102	0.509	0.023	0.963	56.195	0.041	600	0.476
SMOTE RSB* Adaptado	1.167	780	0.738	0.695	0.690	8.244	0.078	0.888	0.010	0.985	53.408	0.035	600	0.489
SMOTE RSB* Adaptado + Reglas	1.167	780	0.721	0.659	0.650	4.588	0.077	0.891	0.011	0.984	54.863	0.038	600	0.499
OOF PSO para Balanceo	1	840	0.748	0.673	0.695	4.190	0.237	0.000	0.087	0.706	66.356	0.101	600	0.524
OOF PSO para Balanceo + Reglas	1	840	0.703	0.679	0.695	2.897	0.186	0.011	0.076	0.726	64.615	0.113	442	0.539

⭐ Mejor seleccionado: Smote (TabDSFidelity: 8.296, AUC: 0.731, F1: 0.710, MIA: 0.494). 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**	1.069	9656	0.755	0.708	0.715	9.985	0.161	0.238	0.057	0.961	77.123	0.122	91	0.500	🏆
SMOTE RSB* + Ruido Gaussiano + Reglas	1.069	9656	0.709	0.668	0.670	6.927	0.178	0.179	0.058	0.957	213.537	0.127	70	0.498
CTGAN	1.408	10000	0.651	0.637	0.660	4.063	0.250	0.073	0.042	0.915	436.697	0.179	0	0.459
CTGAN + Reglas del Dominio	1.408	10000	0.644	0.638	0.665	4.022	0.259	0.073	0.048	0.918	582.216	0.177	0	0.516
TVAE	1.050	10000	0.708	0.682	0.670	6.596	0.218	0.073	0.077	0.936	262.042	0.117	0	0.511
TVAE + Reglas del Dominio	1.050	10000	0.695	0.669	0.655	5.517	0.243	0.043	0.079	0.935	427.446	0.117	0	0.507
OOF PSO para Aumento	1	10000	0.673	0.630	0.615	0.545	0.472	0.007	0.941	0.689	143.115	0.295	0	0.511
OOF PSO para Aumento + Reglas	1	10000	0.681	0.636	0.620	0.937	0.472	0.002	0.938	0.691	291.306	0.301	0	0.483
SMOTE RSB* Refinado	1.005	9946	0.734	0.705	0.710	9.271	0.165	0.203	0.058	0.956	92.967	0.147	102	0.479
SMOTE RSB* Refinado + Reglas	1.005	9946	0.707	0.677	0.680	7.129	0.182	0.142	0.059	0.954	253.583	0.149	80	0.471

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano (TabDSFidelity: 9.985, AUC: 0.755, F1: 0.708, MIA: 0.500). 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	1.064	10496	0.705	0.687	0.695	6.829	0.156	0.241	0.052	0.962	147.039	0.121	211	0.491
SMOTE RSB* + Ruido Gaussiano + Reglas	1.064	10496	0.733	0.693	0.695	7.263	0.172	0.182	0.053	0.959	284.195	0.125	191	0.513
CTGAN	1.370	10840	0.671	0.642	0.650	2.840	0.234	0.071	0.038	0.920	512.289	0.166	122	0.509
CTGAN + Reglas del Dominio	1.370	10840	0.711	0.706	0.715	6.688	0.242	0.071	0.043	0.924	655.496	0.165	122	0.486
TVAE	1.046	10840	0.708	0.687	0.675	5.529	0.206	0.096	0.056	0.940	346.503	0.110	122	0.494
TVAE + Reglas del Dominio	1.046	10840	0.697	0.675	0.665	4.584	0.227	0.064	0.059	0.941	510.289	0.110	122	0.498
OOF PSO para Aumento	1	10840	0.731	0.690	0.690	3.399	0.429	0.008	0.641	0.702	216.581	0.275	122	0.491
OOF PSO para Aumento + Reglas	1	10840	0.731	0.695	0.690	3.509	0.429	0.002	0.638	0.704	372.481	0.279	122	0.505
*SMOTE RSB Refinado**	1.004	10786	0.759	0.732	0.735	9.812	0.159	0.208	0.054	0.958	180.331	0.138	202	0.500	🏆
SMOTE RSB* Refinado + Reglas	1.004	10786	0.742	0.720	0.725	8.617	0.175	0.147	0.054	0.956	331.840	0.140	191	0.506

⭐ Mejor seleccionado: SMOTE RSB* Refinado (TabDSFidelity: 9.812, AUC: 0.759, F1: 0.732, MIA: 0.500). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_42

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
Smote

↓

Generación Sintética
(10 métodos)

↓ Evaluación TabDSFidelity

⭐ Mejor Sintético
SMOTE RSB* + Ruido Gaussiano

⭐ Mejor Aumentado
SMOTE RSB* Refinado

↓

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 Risk Assessment (Version 1). figshare. https://doi.org/10.6084/m9.figshare.32946128.v1