CD_43 Original + Derivados

CD_43: Loan Prediction

Conjunto de datos financiero para la automatización de decisiones hipotecarias (Clasificación Binaria). Integra perfiles sociodemográficos e historial crediticio con datos previamente imputados.

📈 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	0.35	0.34	0.35	38
Clase 1	0.71	0.72	0.71	85
Accuracy	0.60
Macro Avg	0.53	0.53	0.53	123
Weighted Avg	0.60	0.60	0.60	123

AUC-ROC: 0.53

F1-Score (weighted): 0.60

Accuracy: 0.60

➡️ Mejora

⬆ +0.30 AUC ⬆ +0.17 F1 ⬆ +0.17 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.65	0.58	0.61	38
Clase 1	0.82 ⬆ +0.11	0.86 ⬆ +0.14	0.84 ⬆ +0.13	85
Accuracy	0.77 ⬆ +0.17
Macro Avg	0.73 ⬆ +0.20	0.72 ⬆ +0.19	0.73 ⬆ +0.20	123
Weighted Avg	0.77 ⬆ +0.17	0.77 ⬆ +0.17	0.77 ⬆ +0.17	123

AUC-ROC: 0.83 ⬆ +0.30

F1-Score (weighted): 0.77 ⬆ +0.17

Accuracy: 0.77 ⬆ +0.17

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.71

Sintético: 0.82

⬆ +0.11

📈

Recall

Original: 0.72

Sintético: 0.86

⬆ +0.14

⚖️

F1-Score

Original: 0.71

Sintético: 0.84

⬆ +0.13

📚 Fuente Original del Conjunto

Loan Prediction (Home Loan Approval) Dataset

v1.0

Datos de solicitudes de préstamos hipotecarios

Disponible en repositorios públicos

Repositorio: Kaggle / Repositorios de ciencia de datos

DOI: No disponible

URL: Kaggle - Loan Prediction Dataset

Licencia: Uso académico y de investigación

Tipo de problema: Clasificación binaria (Aprobación de préstamo)

Características: 12 (11 predictores + 1 objetivo)

Target codificado: Y = 1 (Aprobado), N = 0 (Rechazado)

📄 Resumen (Abstract)

El conjunto de datos de Predicción de Préstamos (Loan Prediction - Home Loan Approval) está diseñado para automatizar el proceso de elegibilidad de préstamos en tiempo real, basado en los detalles del cliente proporcionados al completar un formulario en línea. El objetivo es predecir si el préstamo será aprobado (Loan_Status = 'Y') o no. Este dataset es ampliamente utilizado en la comunidad de ciencia de datos para problemas de clasificación binaria, permitiendo a las instituciones financieras automatizar la toma de decisiones en la evaluación de solicitudes de crédito hipotecario.

🏦 Contexto del Dominio

Una compañía de seguros quiere automatizar el proceso de elegibilidad de préstamos (en tiempo real) basado en detalles del cliente proporcionados al completar un formulario online. El objetivo es predecir si el préstamo será aprobado o no, permitiendo:

Automatizar la evaluación de solicitudes de préstamos hipotecarios
Reducir tiempos de respuesta y mejorar la experiencia del cliente
Optimizar recursos humanos dedicados a la evaluación manual
Mantener consistencia en las decisiones de aprobación

📊 Análisis de Variables y Problemas Detectados

📋 Variables del Dataset

Variable	Tipo	Descripción	Notas / Problemas
A. Identificador (A excluir del modelo)
Loan_ID	ID	Identificador único de la solicitud de préstamo	⚠️ Debe eliminarse. No aporta valor predictivo y generaría overfitting memorístico en modelos generativos.
B. Variables Categóricas
Gender	Categórica	Género del solicitante	Male / Female. ⚠️ Valores perdidos
Married	Categórica	Estado civil del solicitante	Yes / No
Education	Categórica	Nivel educativo	Graduate / Not Graduate
Self_Employed	Categórica	Indica si el solicitante es autónomo	Yes / No
Property_Area	Categórica	Área de la propiedad	Urban / Semiurban / Rural
C. Variables Numéricas
ApplicantIncome	Numérica	Ingreso del solicitante principal	Puede tener outliers
CoapplicantIncome	Numérica	Ingreso del co-solicitante	Puede ser 0 si no hay co-solicitante
LoanAmount	Numérica	Monto del préstamo solicitado	En miles. ⚠️ Valores perdidos
Loan_Amount_Term	Numérica	Plazo del préstamo	En meses (ej. 360). ⚠️ Valores perdidos
Credit_History	Binaria	Historial crediticio del solicitante	1.0 = Cumplió, 0.0 = No cumplió. ⚠️ Valores perdidos. Semánticamente categórica binaria.
D. Variable Especial
Dependents	Categórica / Ordinal	Número de dependientes	Valores: 0, 1, 2, 3+. Transformación: 3+ → 3 para tratarlo como numérica ordinal.
E. Variable Objetivo
Loan_Status	Binaria (Target)	Estado de aprobación del préstamo	Y = Aprobado, N = Rechazado Mapeo: N → 0, Y → 1

⚠️ Problemas Detectados y Estrategias de Limpieza

1. Valores Perdidos (Missing Values)

Variables afectadas:

Gender - Valores perdidos
LoanAmount - Valores perdidos
Loan_Amount_Term - Valores perdidos
Credit_History - Valores perdidos

Estrategia: Antes de generar datos sintéticos, debemos tener un dataset completo.

Variables Categóricas (Gender): Imputación por Moda
Variables Numéricas (LoanAmount, Loan_Amount_Term): Imputación por Mediana (robusto ante outliers)
Credit_History: Imputación por Moda (1.0 en la mayoría de los casos)

2. Variable Especial - Dependents

Contiene valores: 0, 1, 2, 3+

Transformación: Convertir 3+ → 3 para tratarla como numérica ordinal

3. Mapeo de la Variable Objetivo

El target Loan_Status ya es binario (Y/N).

Mapeo: N (Rechazado) → 0, Y (Aprobado) → 1
Nota: En riesgo crediticio a veces se prefiere predecir el "1" como el evento negativo (default), pero en este contexto de "Aprobación", lo natural es 1 = Aprobado.

📋 Características del Dataset

Tipo de problema: Clasificación binaria (Aprobación de préstamo)
Dimensión: Multivariante
Tipo de características: Mixtas (Categóricas, Numéricas, Binarias)
Valores faltantes: Sí (Gender, LoanAmount, Loan_Amount_Term, Credit_History)
Área de aplicación: Finanzas, Banca, Evaluación de Crédito Hipotecario
Target: Loan_Status (Y = 1, N = 0)

⚖️ Ética y Privacidad

El conjunto de datos contiene información demográfica (género, estado civil, nivel educativo) y financiera (ingresos, monto del préstamo) que podría considerarse sensible. Los datos han sido anonimizados y no contienen información personal identificable como nombres, direcciones o números de identificación. La variable Loan_ID es un identificador sin relación con información personal. 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 permita la reidentificación de individuos.

📋 Notas de Uso

Este conjunto de datos es ideal para problemas de clasificación binaria en el sector financiero. Se recomienda:

Excluir Loan_ID del modelado por ser un identificador sin valor predictivo
Manejar valores perdidos:
- Gender: Imputación por moda (categórica)
- LoanAmount: Imputación por mediana (robusto ante outliers)
- Loan_Amount_Term: Imputación por mediana
- Credit_History: Imputación por moda (1.0 en la mayoría de los casos)
Transformar Dependents: 3+ → 3 para tratarlo como numérica ordinal
Codificar variables categóricas:
- Binarias (Gender, Married, Education, Self_Employed): Label Encoding (Yes/No → 1/0, Male/Female → 1/0)
- Property_Area: One-Hot Encoding (Urban, Semiurban, Rural)
Credit_History es semánticamente categórica binaria aunque se presente como numérica (1.0/0.0)
Estandarizar/normalizar variables numéricas (ApplicantIncome, CoapplicantIncome, LoanAmount, Loan_Amount_Term)
La variable objetivo Loan_Status debe mapearse como: Y → 1, N → 0
Utilizar validación cruzada estratificada para evaluar el rendimiento del modelo
El dataset puede tener desbalanceo en la variable objetivo (generalmente más aprobaciones que rechazos)

💡 Importancia en la Industria Financiera

La automatización de la elegibilidad de préstamos es una de las aplicaciones más importantes del aprendizaje automático en el sector financiero. Este dataset permite:

Reducir tiempos de procesamiento de solicitudes de préstamos hipotecarios
Minimizar errores humanos en la evaluación de elegibilidad
Mejorar la experiencia del cliente con respuestas rápidas y consistentes
Optimizar recursos al automatizar tareas repetitivas de evaluación
Mantener consistencia en las decisiones de aprobación, reduciendo sesgos

Este dataset es ampliamente utilizado en cursos de ciencia de datos y machine learning para enseñar conceptos de preprocesamiento de datos, clasificación binaria y evaluación de modelos en un contexto financiero realista.

📖 Cómo citar la fuente original

Loan Prediction Dataset. Kaggle. https://www.kaggle.com/datasets/altruistdelhite04/loan-prediction

📚 Referencias Adicionales

Kaggle - Loan Prediction Dataset. https://www.kaggle.com/datasets/altruistdelhite04/loan-prediction
Thomas, L. C., Edelman, D. B., & Crook, J. N. (2002). Credit Scoring and Its Applications. SIAM.
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.

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (Loan Prediction Dataset)

Limpieza inicial y eliminación de variables no predictivas:
- Eliminación de la columna Loan_ID (identificador único de préstamo) por no aportar valor predictivo y para evitar sobreajuste.
- Reducción de la dimensionalidad del dataset para mejorar la eficiencia del modelo.
Tratamiento de valores faltantes:
- Variables categóricas: Imputación con moda (valor más frecuente) para Gender, Married, Self_Employed, Credit_History.
- Variables numéricas: Imputación con mediana para LoanAmount, Loan_Amount_Term, ApplicantIncome, CoapplicantIncome — estrategia robusta frente a outliers financieros.
- Dependents: Transformación de '3+' a '3' y conversión a entero, con imputación de nulos con la moda (0).
- Garantía de integridad total del conjunto de datos para modelado directo.
Codificación de la variable objetivo:
- Transformación de Loan_Status de texto a binaria: 'N' → 0 (No Aprobado - Rechazado), 'Y' → 1 (Aprobado).
- Documentación del objetivo: predicción de aprobación de préstamos hipotecarios.
Codificación de variables categóricas:
- Variables binarias: Gender (Male→1, Female→0), Married (Yes→1, No→0), Education (Graduate→1, Not Graduate→0), Self_Employed (Yes→1, No→0).
- Variable nominal con orden lógico: Property_Area (Rural→0, Semiurban→1, Urban→2) preservando jerarquía de urbanización.
- Dependents: Preservación como ordinal (0, 1, 2, 3) donde 3 representa "3 o más".
Estandarización y optimización de tipos de datos:
- Conversión forzada de variables a tipo entero (int): Credit_History, Loan_Amount_Term, ApplicantIncome, CoapplicantIncome, LoanAmount, Dependents.
- Eliminación de decimales espurios para optimizar memoria y mejorar legibilidad.
Generación de documentación completa:
- Creación del archivo leyenda_loan_prediction.txt con semántica completa de la variable objetivo y todas las variables predictoras.
- Documentación de variables binarias (Gender, Married, Education, Self_Employed) con sus mapeos 0/1.
- Documentación de variable nominal (Property_Area) con su jerarquía (Rural→0, Semiurban→1, Urban→2).
- Descripción de variables numéricas y sus unidades (ingresos, monto del préstamo en miles, plazo en meses, historial crediticio).
- Contextualización del dataset: predicción de aprobación de préstamos hipotecarios.
- Estadísticas finales: total de instancias y ratio de aprobación/rechazo.
Preservación de la estructura y calidad de datos:
- Mantenimiento de las 614 instancias (solicitudes de préstamo) originales sin eliminación de filas.
- Dataset final con 11 variables predictoras (mixtas: binarias, nominales y numéricas) y 1 variable objetivo binaria.
- Guardado en formato CSV con separador punto y coma (;) para compatibilidad internacional.

📊 Resultado: Dataset de 614 solicitudes de préstamo con 11 variables predictoras (demográficas, financieras, laborales y de propiedad) y 1 variable objetivo binaria (Loan_Status). Desbalance moderado (~68% aprobados / ~32% rechazados) — escenario ideal para validación de técnicas de generación de datos sintéticos y evaluación del índice TabDSFidelity en contextos de evaluación crediticia y aprobación de préstamos hipotecarios, donde factores como el historial crediticio, ingresos y propiedad son determinantes.

🏦 Fuente: Loan Prediction Dataset (Data Science Community) - Datos de solicitudes de préstamos hipotecarios.

👤 Variables demográficas: Gender (1=Masculino, 0=Femenino), Married (1=Casado, 0=Soltero), Dependents (0-3), Education (1=Graduado, 0=No graduado), Self_Employed (1=Autónomo, 0=No).

💰 Variables financieras: ApplicantIncome (ingresos del solicitante), CoapplicantIncome (ingresos del co-solicitante), LoanAmount (monto en miles), Loan_Amount_Term (plazo en meses), Credit_History (1=Historial cumplido, 0=Incumplimiento previo).

📁 Leyenda disponible: Archivo leyenda_loan_prediction.txt con mapeo completo de variables binarias, nominales (Property_Area) y descripción de variables numéricas.

🎯 Variable objetivo: Loan_Status (1 = Préstamo aprobado, 0 = Préstamo rechazado).

🧹 Limpieza aplicada: Eliminación de ID (Loan_ID), imputación con moda/mediana, transformación de Dependents ('3+'→3), codificación de categóricas, estandarización de tipos a int.

📋 Diccionario de Datos Detallado

Variable	Descripción del Préstamo	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`Property_Area`	Zona geográfica de la propiedad	Categórico	0: Rural, 1: Semiurban, 2: Urban	N/A	No
`Dependents`	Número de personas a cargo (dependientes)	Numérico	0 - 3	personas	No
`ApplicantIncome`	Ingresos anuales del solicitante principal	Numérico	416 - 81,000	moneda	No
`CoapplicantIncome`	Ingresos anuales del co-solicitante	Numérico	0 - 41,667	moneda	No
`LoanAmount`	Monto solicitado del préstamo	Numérico	9 - 700	miles	No
`Loan_Amount_Term`	Plazo de devolución del préstamo	Numérico	36 - 480	meses	No
`Gender`	Género del solicitante	Binario	0: Femenino, 1: Masculino	N/A	No
`Married`	Estado civil del solicitante	Binario	0: No casado, 1: Casado	N/A	No
`Education`	Nivel educativo del solicitante	Binario	0: No graduado, 1: Graduado	N/A	No
`Self_Employed`	Indicador de trabajador autónomo	Binario	0: No, 1: Sí	N/A	No
`Credit_History`	Historial crediticio (cumplimiento previo)	Binario	0: Sin historial/Incumplió, 1: Cumplió pagos	N/A	No
`Loan_Status`	Estado de aprobación del préstamo (objetivo)	Binario	0: Rechazado, 1: Aprobado	N/A	Sí

12 Variables totales

5 Numéricas

1 Categóricas

6 Binarias

Objetivo: Aprobación (Loan_Status)

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 Predicción de Préstamos (Loan Prediction). Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados de aprobación crediticia.

Property_Area Categórica

Código	Significado	Interpretación
0	Rural (Zona rural)	Menor valor de propiedad
1	Semiurban (Zona semi-urbana)	Valor de propiedad medio
2	Urban (Zona urbana)	Mayor valor de propiedad

🏙️

Importancia: Propiedades en zonas urbanas suelen tener mayor valor, lo que puede influir en la aprobación del préstamo.

Loan_Status 🎯 Objetivo

Código	Significado
0	Rechazado - Préstamo no aprobado (~31%)
1	Aprobado - Préstamo aprobado (~69%)

🎯

Variable Objetivo: El modelo debe predecir la aprobación del préstamo basado en el perfil del solicitante.

Variables Binarias Binario

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

Gender Género (0: Femenino, 1: Masculino)

Married Estado civil (0: No casado, 1: Casado)

Education Nivel educativo (0: No graduado, 1: Graduado)

Self_Employed Trabajador autónomo (0: No, 1: Sí)

Credit_History Historial crediticio (0: Sin historial/Incumplió, 1: Cumplió)

Loan_Status 🎯 Variable Objetivo: Aprobación (0: Rechazado, 1: Aprobado)

ℹ️

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

📊

Variables categóricas: 1

Property_Area (3 zonas: Rural, Semiurban, Urban)

🎯

Variables binarias: 6

Gender, Married, Education, Self_Employed, Credit_History
🎯 Loan_Status (Objetivo - Aprobación)

📈

Variables numéricas: 5

Dependents (Personas a cargo)
ApplicantIncome (Ingresos del solicitante)
CoapplicantIncome (Ingresos del co-solicitante)
LoanAmount (Monto del préstamo)
Loan_Amount_Term (Plazo en meses)

⚠️

Recomendaciones de Aprobación:

Factor más importante: Credit_History = 1 (historial cumplido) es casi requisito para aprobación
Ingresos: Mayor ApplicantIncome y CoapplicantIncome aumentan probabilidad de aprobación
Monto del préstamo: LoanAmount alto puede reducir probabilidad de aprobación
Plazo: Plazos más largos (Loan_Amount_Term > 360) pueden ser más riesgosos
Dependientes: Mayor número de dependientes puede reducir capacidad de pago
Educación: Graduados (Education = 1) suelen tener mayor aprobación
Propiedad: Zonas urbanas (Property_Area = 2) tienen mayor valor de garantía

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

ApplicantIncome < 2500 → LoanAmount ≤ 150 (Ingresos bajos → préstamo limitado)
Education == 0 (Graduado) → ApplicantIncome < 10000
Loan_Status == 1 → Credit_History = 1 (Préstamo aprobado → historial crediticio positivo)
Loan_Amount_Term < 60 → Loan_Amount_Term = 360 (Plazo inválido → corregir a 360 meses)
Property_Area == 0 (Rural) → LoanAmount < 300
ApplicantIncome == 0 → CoapplicantIncome > 3000 (Sin ingreso → co-solicitante con ingreso alto)
Credit_History == 0 → Loan_Status = 0 (Sin historial crediticio → préstamo denegado)

⚙️ 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	(128, 128)
discriminator_dim	(128, 128)
embedding_dim	128
l2scale	1e-05

📊 Hiperparámetros TVAE

epochs	400
batch_size	50
embedding_dim	64
compress_dims	(64, 64)
decompress_dims	(64, 64)
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	506	0.707	0.748	0.756	8.581	0.093	0.932	0.013	0.978	50.886	0	506	0.551	🏆
Smote	1	506	0.710	0.726	0.732	6.384	0.189	0.929	0.026	0.959	50.246	0.010	369	0.500
Borderline SMOTE	1	506	0.716	0.717	0.724	6.114	0.188	0.912	0.025	0.960	50.287	0.009	369	0.504
ADASYN	1.045	495	0.712	0.719	0.724	6.151	0.181	0.945	0.023	0.967	48.714	0.008	369	0.498
SMOTE RSB* Adaptado	1.100	483	0.731	0.693	0.691	5.434	0.172	0.990	0.010	0.982	47.634	0.007	368	0.496
SMOTE RSB* Adaptado + Reglas	1.100	483	0.696	0.696	0.699	3.974	0.171	0.992	0.010	0.980	47.612	0.008	369	0.498
OOF PSO para Balanceo	1	506	0.722	0.739	0.756	5.375	0.235	0.061	0.089	0.741	56.237	0.038	368	0.479
OOF PSO para Balanceo + Reglas	1	506	0.693	0.715	0.732	2.189	0.231	0.001	0.081	0.716	56.539	0.047	362	0.485

⭐ Mejor seleccionado: Random Oversampling (TabDSFidelity: 8.581, AUC: 0.707, F1: 0.748, MIA: 0.551). 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	1.776	7065	0.681	0.665	0.691	7.024	0.365	0.509	0.002	0.980	64.108	0.016	14	0.527
*SMOTE RSB + Ruido Gaussiano + Reglas**	1.776	7065	0.704	0.735	0.756	8.341	0.365	0.509	0.002	0.979	171.982	0.014	22	0.490	🏆
CTGAN	1.336	9996	0.585	0.543	0.528	2.902	0.333	0.022	0.034	0.940	204.312	0.047	0	0.496
CTGAN + Reglas del Dominio	1.336	9996	0.642	0.600	0.585	4.350	0.333	0.022	0.027	0.944	334.176	0.043	0	0.583
TVAE	1.100	10000	0.654	0.551	0.537	3.662	0.430	0.202	0.034	0.940	269.529	0.012	0	0.524
TVAE + Reglas del Dominio	1.100	10000	0.653	0.583	0.569	4.177	0.430	0.203	0.034	0.940	135.805	0.012	0	0.531
OOF PSO para Aumento	1	10000	0.776	0.766	0.797	5.667	0.621	0.000	0.267	0.682	174.272	0.141	0	0.428
OOF PSO para Aumento + Reglas	1	10000	0.814	0.766	0.797	6.139	0.589	0.000	0.267	0.691	303.584	0.137	0	0.462
SMOTE RSB* Refinado	1.266	7881	0.673	0.670	0.675	6.767	0.376	0.481	0.009	0.978	64.424	0.017	8	0.521
SMOTE RSB* Refinado + Reglas	1.266	7881	0.691	0.703	0.707	7.464	0.376	0.481	0.008	0.979	180.404	0.016	17	0.526

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano + Reglas del Dominio (TabDSFidelity: 8.341, AUC: 0.704, F1: 0.735, MIA: 0.490). 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	1.706	7571	0.648	0.685	0.724	7.853	0.348	0.511	0.003	0.981	117.988	0.014	176	0.537
*SMOTE RSB + Ruido Gaussiano + Reglas**	1.706	7571	0.698	0.735	0.756	9.750	0.348	0.511	0.002	0.980	227.335	0.013	184	0.483	🏆
CTGAN	1.317	10502	0.599	0.576	0.561	2.914	0.317	0.030	0.032	0.942	270.189	0.045	105	0.531
CTGAN + Reglas del Dominio	1.317	10502	0.647	0.600	0.585	4.383	0.317	0.030	0.026	0.945	399.698	0.040	105	0.513
TVAE	1.095	10506	0.661	0.584	0.569	4.322	0.407	0.225	0.031	0.944	335.728	0.012	104	0.531
TVAE + Reglas del Dominio	1.095	10506	0.640	0.584	0.569	3.926	0.407	0.226	0.031	0.945	202.870	0.012	104	0.542
OOF PSO para Aumento	1	10506	0.657	0.721	0.740	4.763	0.577	0.000	0.241	0.695	239.208	0.135	104	0.523
OOF PSO para Aumento + Reglas	1	10506	0.687	0.728	0.748	5.617	0.552	0.000	0.241	0.704	367.732	0.132	104	0.508
SMOTE RSB* Refinado	1.248	8387	0.646	0.636	0.650	6.329	0.360	0.487	0.009	0.978	123.269	0.016	140	0.537
SMOTE RSB* Refinado + Reglas	1.248	8387	0.705	0.686	0.691	8.487	0.360	0.487	0.008	0.979	238.153	0.014	148	0.523

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano + Reglas del Dominio (TabDSFidelity: 9.750, AUC: 0.698, F1: 0.735, MIA: 0.483). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_43

↓

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 Home Loan Approval Prediction (Version 1). figshare. https://doi.org/10.6084/m9.figshare.32946197.v1