CD_45 Original + Derivados

CD_45: Telco Customer Churn

Conjunto de datos de telecomunicaciones para la predicción del abandono de clientes. Integra información demográfica, servicios contratados y facturación.

📈 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.

🏆 MEJOR RENDIMIENTO

📊 Conjunto Original

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.85	0.92	0.89	147
Clase 1	0.71	0.57	0.63	53
Accuracy	0.82
Macro Avg	0.78	0.74	0.76	200
Weighted Avg	0.82	0.82	0.82	200

AUC-ROC: 0.86

F1-Score (weighted): 0.82

Accuracy: 0.82

⬇️ Degradación

⬇ -0.09 AUC ⬇ -0.07 F1 ⬇ -0.07 Acc

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.84	0.81	0.83	147
Clase 1	0.53 ⬇ -0.18	0.58 ⬆ +0.01	0.55 ⬇ -0.08	53
Accuracy	0.75 ⬇ -0.07
Macro Avg	0.68 ⬇ -0.10	0.70 ⬇ -0.04	0.69 ⬇ -0.07	200
Weighted Avg	0.76 ⬇ -0.06	0.75 ⬇ -0.07	0.75 ⬇ -0.07	200

AUC-ROC: 0.77 ⬇ -0.09

F1-Score (weighted): 0.75 ⬇ -0.07

Accuracy: 0.75 ⬇ -0.07

📊 Resumen de Degradación en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.71

Sintético: 0.53

⬇ -0.18

📈

Recall

Original: 0.57

Sintético: 0.58

⬆ +0.01

⚖️

F1-Score

Original: 0.63

Sintético: 0.55

⬇ -0.08

📚 Fuente Original del Conjunto

Telco Customer Churn Dataset

v1.0

IBM Sample Data Sets

Disponible en repositorios públicos

Repositorio: Kaggle / IBM Sample Data Sets

DOI: No disponible

URL: Kaggle - Telco Customer Churn

Licencia: Uso académico y de investigación

Instancias: 7,043

Características: 21 (20 predictores + 1 objetivo)

Tipo de problema: Clasificación binaria (Churn = Yes/No)

📄 Resumen (Abstract)

El conjunto de datos de Rotación de Clientes de Telecomunicaciones (Telco Customer Churn) contiene información sobre 7,043 clientes de una empresa de telecomunicaciones. Cada fila representa un cliente y cada columna contiene atributos del cliente. El objetivo es predecir el comportamiento para retener a los clientes, analizando todos los datos relevantes y desarrollando programas de retención de clientes enfocados. La variable objetivo es Churn, que indica si el cliente abandonó la empresa en el último mes.

📱 Contexto del Dominio

La rotación de clientes (churn) es uno de los desafíos más significativos en la industria de las telecomunicaciones. El costo de adquirir un nuevo cliente es 5 a 7 veces mayor que retener a uno existente. Este dataset permite:

Identificar factores predictivos de la rotación de clientes
Comprender cómo servicios contratados, información de cuenta y datos demográficos afectan la retención
Desarrollar modelos predictivos para identificar clientes en riesgo
Implementar programas de retención enfocados en clientes de alto riesgo

El dataset incluye información sobre:

Clientes que abandonaron en el último mes (variable Churn)
Servicios contratados (teléfono, múltiples líneas, internet, seguridad en línea, respaldo, protección de dispositivos, soporte técnico, streaming)
Información de cuenta (antigüedad, contrato, método de pago, facturación electrónica, cargos mensuales y totales)
Datos demográficos (género, rango de edad, pareja, dependientes)

📊 Descripción de Datos

El dataset contiene 7,043 instancias con 21 atributos (20 variables predictoras y 1 variable objetivo). Las características son de tipo mixto (categóricas, binarias, numéricas).

📋 Variables del Dataset

Variable	Tipo	Descripción	Categorías / Unidades
A. Identificador (A excluir del modelo)
customerID	ID	Identificador único del cliente	Sin valor predictivo. Excluir del modelo.
B. Datos Demográficos
gender	Categórica	Género del cliente	Male / Female
SeniorCitizen	Binaria	Indica si el cliente es adulto mayor	1 = Sí, 0 = No
Partner	Categórica	¿Tiene pareja?	Yes / No
Dependents	Categórica	¿Tiene dependientes?	Yes / No
C. Servicios Contratados
PhoneService	Categórica	¿Tiene servicio de teléfono?	Yes / No
MultipleLines	Categórica	¿Tiene múltiples líneas?	Yes / No / No phone service
InternetService	Categórica	Tipo de servicio de internet	DSL / Fiber optic / No
OnlineSecurity	Categórica	Seguridad en línea	Yes / No / No internet service
OnlineBackup	Categórica	Respaldo en línea	Yes / No / No internet service
DeviceProtection	Categórica	Protección de dispositivos	Yes / No / No internet service
TechSupport	Categórica	Soporte técnico	Yes / No / No internet service
StreamingTV	Categórica	Streaming de TV	Yes / No / No internet service
StreamingMovies	Categórica	Streaming de películas	Yes / No / No internet service
D. Información de Cuenta
Tenure	Numérica	Meses que el cliente ha estado con la empresa	meses
Contract	Categórica	Tipo de contrato	Month-to-month / One year / Two year
PaperlessBilling	Categórica	Facturación electrónica	Yes / No
PaymentMethod	Categórica	Método de pago	Electronic check / Mailed check / Bank transfer / Credit card
MonthlyCharges	Numérica	Cargo mensual	unidades monetarias
TotalCharges	Numérica	Cargo total acumulado	unidades monetarias
E. Variable Objetivo
Churn	Binaria (Target)	Indica si el cliente abandonó la empresa en el último mes	Yes = Abandonó No = Permanece

📋 Características del Dataset

Tipo de problema: Clasificación binaria (Churn = Yes/No)
Dimensión: Multivariante (7,043 × 21)
Tipo de características: Mixtas (Categóricas, Binarias, Numéricas)
Valores faltantes: Sí (TotalCharges)
Área de aplicación: Telecomunicaciones, Marketing, Retención de Clientes
Versión: IBM Sample Data Sets (actualizado 2019)

📖 Fuente y Actualización

Este dataset fue originalmente publicado como parte de los IBM Sample Data Sets y ha sido actualizado por la comunidad de IBM:

Nueva versión de IBM (2019): Telco Customer Churn - IBM Community

⚖️ Ética y Privacidad

El conjunto de datos ha sido anonimizado para proteger la privacidad de los clientes. La variable customerID es un identificador sin relación con información personal identificable. 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 clientes.

📋 Notas de Uso

Este conjunto de datos es ideal para predicción de rotación de clientes y análisis de retención. Se recomienda:

Excluir customerID del modelado por ser un identificador sin valor predictivo
Manejar valores perdidos en TotalCharges (imputación por media o mediana, o asignar 0)
La variable SeniorCitizen ya está codificada como 0/1
Codificar variables categóricas:
- Binarias (gender, Partner, Dependents, PhoneService, PaperlessBilling): Label Encoding (Yes/No → 1/0)
- MultipleLines, InternetService, Contract, PaymentMethod: One-Hot Encoding
- Servicios de internet (OnlineSecurity, OnlineBackup, etc.): One-Hot Encoding o mantener como categorías con "No internet service"
TotalCharges puede derivarse como MonthlyCharges × Tenure (aproximadamente)
Estandarizar/normalizar variables numéricas (Tenure, MonthlyCharges, TotalCharges)
La variable objetivo Churn está codificada como Yes (abandonó) y No (permanece)
Las variables de servicios contratados suelen ser predictores importantes del churn
El tipo de contrato (Month-to-month) es frecuentemente un factor clave en la rotación
Utilizar validación cruzada estratificada debido al posible desbalanceo entre clases (generalmente más clientes permanecen que se van)

💡 Importancia en la Industria de Telecomunicaciones

La predicción de rotación de clientes (churn prediction) es una de las aplicaciones más valiosas del aprendizaje automático en la industria de las telecomunicaciones. El costo de la rotación es significativo:

El costo de adquirir un nuevo cliente es 5 a 7 veces mayor que retener a uno existente
La reducción del churn en un 5% puede aumentar las ganancias entre un 25% y un 95%
Los clientes leales tienden a comprar más servicios y son más rentables a largo plazo
La predicción temprana permite intervenciones proactivas (ofertas especiales, mejor servicio, etc.)

Este dataset ha sido fundamental para la investigación en análisis de retención de clientes y predicción de churn, demostrando el valor del análisis predictivo en la retención de clientes en el sector de telecomunicaciones.

📖 Cómo citar la fuente original

Telco Customer Churn Dataset. IBM Sample Data Sets. Kaggle. https://www.kaggle.com/datasets/blastchar/telco-customer-churn

📚 Referencias Adicionales

IBM Sample Data Sets - Telco Customer Churn. https://community.ibm.com/community/user/businessanalytics/blogs/steven-macko/2019/07/11/telco-customer-churn-1113
Kaggle - Telco Customer Churn. https://www.kaggle.com/datasets/blastchar/telco-customer-churn
Hadden, J., Tiwari, A., Roy, R., & Ruta, D. (2007). Computer assisted customer churn management: State-of-the-art and future trends. Computers & Operations Research, 34(10), 2902-2917.
Verhoef, P. C., & Donkers, B. (2001). Predicting customer potential value an application in the insurance industry. Decision Support Systems, 32(2), 189-199.

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (Telco Customer Churn)

Limpieza inicial y eliminación de variables no predictivas:
- Eliminación de la columna customerID (identificador único de cliente) por no aportar valor predictivo y para evitar sobreajuste.
- Reducción de la dimensionalidad del dataset para mejorar la eficiencia del modelo.
Corrección de la variable 'TotalCharges':
- Conversión forzada de TotalCharges a tipo numérico utilizando pd.to_numeric(..., errors='coerce') para manejar valores no numéricos (espacios en blanco).
- Imputación de valores NaN resultantes con 0 (corresponde a clientes con tenure=0, sin cargos acumulados).
- Documentación del proceso de corrección para transparencia metodológica.
Codificación de la variable objetivo:
- Transformación de Churn de texto a binaria: 'No' → 0 (Cliente retenido), 'Yes' → 1 (Cliente se marchó).
- Documentación del objetivo: predicción de cancelación de servicios de telecomunicaciones.
Codificación de variables binarias:
- Transformación de 5 variables a binarias (0/1) con mapeo 'Yes'→1, 'No'→0: Partner, Dependents, PhoneService, PaperlessBilling.
- Gender: Mapeo 'Male'→1, 'Female'→0.
- Documentación detallada de cada mapeo en la leyenda.
Codificación de variables nominales con múltiples categorías:
- Transformación de 10 variables categóricas a valores numéricos mediante Label Encoding: MultipleLines, InternetService, OnlineSecurity, OnlineBackup, DeviceProtection, TechSupport, StreamingTV, StreamingMovies, Contract, PaymentMethod.
- 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.
Submuestreo estratificado para reducción del dataset:
- Reducción del dataset a 1,000 ejemplos representativos mediante muestreo estratificado.
- Uso de train_test_split con parámetro stratify para preservar exactamente la proporción original de clases (desbalance de churn).
- Semilla fija (random_state=42) para garantizar reproducibilidad científica de la muestra.
- Verificación de integridad con diferencia máxima < 1% en proporción de clases.
Generación de documentación completa:
- Creación del archivo leyenda_telco_churn.txt con semántica completa de la variable objetivo y todas las variables predictoras.
- Documentación de la corrección de TotalCharges (conversión y imputación con 0).
- Mapeo de variables binarias (Partner, Dependents, PhoneService, PaperlessBilling, gender).
- Mapeo completo de variables nominales codificadas (10 variables) con sus valores originales.
- Descripción de variables numéricas: tenure (meses), MonthlyCharges, TotalCharges, SeniorCitizen.
- Contextualización del dataset: predicción de cancelación de servicios de telecomunicaciones.
- Estadísticas finales: total de instancias, tasa de churn y ratio de desbalance.
Preservación de la estructura y calidad de datos:
- Mantenimiento de las 7,043 instancias (clientes) originales para el dataset completo.
- Dataset reducido de 1,000 ejemplos estratificados para experimentación eficiente.
- Dataset final con 19 variables predictoras (mixtas: binarias, nominales codificadas y numéricas) y 1 variable objetivo binaria.
- Guardado en formato CSV con separador punto y coma (;) para compatibilidad internacional.

📊 Resultado: Dataset de 7,043 clientes de telecomunicaciones (con versión reducida estratificada de 1,000 ejemplos) con 19 variables predictoras (demográficas, de servicios contratados, de facturación y de antigüedad) y 1 variable objetivo binaria (Churn). Desbalance moderado (~73% clientes retenidos / ~27% clientes que se marcharon) — escenario ideal para validación de técnicas de generación de datos sintéticos y evaluación del índice TabDSFidelity en contextos de retención de clientes y predicción de abandono en telecomunicaciones, donde factores como tipo de contrato, servicios contratados, cargos mensuales y antigüedad son determinantes.

📱 Fuente: Telco Customer Churn Dataset (IBM Watson Analytics) - Datos de clientes de una compañía de telecomunicaciones.

📊 Variables de servicios: PhoneService, MultipleLines, InternetService, OnlineSecurity, OnlineBackup, DeviceProtection, TechSupport, StreamingTV, StreamingMovies.

📋 Variables de contrato y facturación: Contract (Mensual, Un año, Dos años), PaymentMethod, PaperlessBilling, MonthlyCharges, TotalCharges.

👤 Variables demográficas: gender, SeniorCitizen, Partner, Dependents, tenure (meses de antigüedad).

📁 Leyenda disponible: Archivo leyenda_telco_churn.txt con mapeo completo de variables binarias, nominales (10 variables codificadas) y descripción de variables numéricas.

🎯 Variable objetivo: Churn (1 = Cliente se marchó, 0 = Cliente retenido).

🧹 Limpieza aplicada: Eliminación de customerID, corrección de TotalCharges (conversión y imputación con 0), codificación de target, mapeo de variables binarias, Label Encoding de 10 variables nominales, reducción estratificada a 1,000 ejemplos.

📋 Diccionario de Datos Detallado

Variable	Descripción de Telecomunicaciones	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`MultipleLines`	Servicio de líneas telefónicas múltiples	Categórico	0: No, 1: Sin servicio telefónico, 2: Sí	N/A	No
`InternetService`	Tipo de servicio de Internet	Categórico	0: DSL, 1: Fibra óptica, 2: Sin Internet	N/A	No
`OnlineSecurity`	Servicio de seguridad en línea	Categórico	0: No, 1: Sin Internet, 2: Sí	N/A	No
`OnlineBackup`	Servicio de respaldo en línea	Categórico	0: No, 1: Sin Internet, 2: Sí	N/A	No
`DeviceProtection`	Servicio de protección de dispositivos	Categórico	0: No, 1: Sin Internet, 2: Sí	N/A	No
`TechSupport`	Servicio de soporte técnico	Categórico	0: No, 1: Sin Internet, 2: Sí	N/A	No
`StreamingTV`	Servicio de TV por streaming	Categórico	0: No, 1: Sin Internet, 2: Sí	N/A	No
`StreamingMovies`	Servicio de películas por streaming	Categórico	0: No, 1: Sin Internet, 2: Sí	N/A	No
`Contract`	Tipo de contrato (duración)	Categórico	0: Mes a mes, 1: 1 año, 2: 2 años	N/A	No
`PaymentMethod`	Método de pago del cliente	Categórico	0: Transferencia bancaria, 1: Tarjeta crédito, 2: Cheque electrónico, 3: Cheque postal	N/A	No
`tenure`	Antigüedad del cliente en la compañía	Numérico	0 - 72	meses	No
`MonthlyCharges`	Cargo mensual del cliente	Numérico	18.95 - 118.75	moneda	No
`TotalCharges`	Cargo total acumulado del cliente	Numérico	0 - 8,672.45	moneda	No
`gender`	Género del cliente	Binario	0: Femenino, 1: Masculino	N/A	No
`SeniorCitizen`	Cliente de la tercera edad (≥ 65 años)	Binario	0: No, 1: Sí	N/A	No
`Partner`	Cliente tiene pareja/persona significativa	Binario	0: No, 1: Sí	N/A	No
`Dependents`	Cliente tiene personas a cargo	Binario	0: No, 1: Sí	N/A	No
`PhoneService`	Cliente tiene servicio telefónico	Binario	0: No, 1: Sí	N/A	No
`PaperlessBilling`	Cliente usa facturación electrónica	Binario	0: No, 1: Sí	N/A	No
`Churn`	Abandono del cliente (objetivo)	Binario	0: No, 1: Sí	N/A	Sí

20 Variables totales

3 Numéricas

10 Categóricas

7 Binarias

Objetivo: Abandono (Churn)

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 Abandono de Clientes de Telecomunicaciones (Telco Churn). Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados de retención de clientes.

Servicios de Telecomunicaciones 10 Categóricas

Variables de servicios contratados

MultipleLines:

0: No, 1: Sin servicio telefónico, 2: Sí

InternetService:

0: DSL, 1: Fibra óptica, 2: Sin Internet

OnlineSecurity:

0: No, 1: Sin Internet, 2: Sí

OnlineBackup:

0: No, 1: Sin Internet, 2: Sí

DeviceProtection:

0: No, 1: Sin Internet, 2: Sí

TechSupport:

0: No, 1: Sin Internet, 2: Sí

StreamingTV:

0: No, 1: Sin Internet, 2: Sí

StreamingMovies:

0: No, 1: Sin Internet, 2: Sí

⚠️

Dependencia condicional: Para variables de servicios en línea (OnlineSecurity, OnlineBackup, etc.), el código 1 ("Sin Internet") solo aplica cuando InternetService = 2.

Contract Categórica (Ordinal)

Código	Significado	Riesgo Churn
0	Month-to-month (Mes a mes)	✗ Muy Alto
1	One year (1 año)	✓ Bajo
2	Two year (2 años)	✓ Muy Bajo

🚨

Factor clave: Los contratos mes a mes tienen la tasa de abandono más alta. Contratos a largo plazo reducen significativamente el churn.

PaymentMethod Categórica (Nominal)

Código	Significado	Riesgo Churn
0	Bank transfer (Transferencia bancaria automática)	✓ Bajo
1	Credit card (Tarjeta de crédito automática)	✓ Bajo
2	Electronic check (Cheque electrónico)	✗ Alto
3	Mailed check (Cheque postal)	⚠ Moderado

💳

Observación: Los métodos de pago automáticos (transferencia bancaria y tarjeta de crédito) tienen menor churn que métodos manuales.

Variables Binarias Binario

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

gender Género (0: Femenino, 1: Masculino)

SeniorCitizen Tercera edad ≥65 años (0: No, 1: Sí)

Partner Tiene pareja (0: No, 1: Sí)

Dependents Tiene dependientes a cargo (0: No, 1: Sí)

PhoneService Servicio telefónico (0: No, 1: Sí)

PaperlessBilling Facturación electrónica (0: No, 1: Sí)

Churn 🎯 Variable Objetivo: Abandono (0: No, 1: Sí)

ℹ️

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

📊

Variables categóricas: 10

MultipleLines (3 niveles)
InternetService (3 niveles)
OnlineSecurity, OnlineBackup, DeviceProtection, TechSupport, StreamingTV, StreamingMovies (3 niveles cada una)
Contract (3 niveles - ordinal)
PaymentMethod (4 niveles)

🎯

Variables binarias: 7

gender, SeniorCitizen, Partner, Dependents
PhoneService, PaperlessBilling
🎯 Churn (Objetivo - Abandono)

📈

Variables numéricas: 3

tenure (Antigüedad en meses)
MonthlyCharges (Cargo mensual)
TotalCharges (Cargo total acumulado)

⚠️

Recomendaciones de Retención:

Factor crítico: Contract - Clientes con contrato mes a mes (0) tienen 3-4x más churn que los de 2 años
Antigüedad: tenure < 12 meses es período de alto riesgo de abandono
Servicios adicionales: OnlineSecurity = 2 y TechSupport = 2 reducen significativamente el churn
Facturación: PaperlessBilling = 1 se asocia con mayor churn (clientes más digitales)
Pago: PaymentMethod = 2 (cheque electrónico) es el método con mayor churn
Servicios de streaming: StreamingTV = 2 y StreamingMovies = 2 pueden aumentar el churn si no hay satisfacción
TotalCharges: Corregido para nuevos clientes (tenure=0 → TotalCharges=0)

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

PhoneService == 0 → MultipleLines = 1 (Sin servicio telefónico → múltiples líneas = No)
PhoneService == 1 → MultipleLines ≠ 1 (Con servicio telefónico → múltiples líneas ≠ No)
InternetService == 2 (Fibra óptica) → OnlineSecurity = 1
InternetService == 2 → OnlineBackup = 1
InternetService == 2 → DeviceProtection = 1
InternetService == 2 → TechSupport = 1
InternetService == 2 → StreamingTV = 1
InternetService == 2 → StreamingMovies = 1
InternetService ≠ 2 → TechSupport ≠ 1
InternetService ≠ 2 → StreamingTV ≠ 1
InternetService == 1 (DSL) → MonthlyCharges > 65
InternetService == 2 (No) → MonthlyCharges < 30
tenure == 1 → TotalCharges ≤ 200
tenure == 0 → TotalCharges = 0
Contract == 2 (Dos años) → tenure > 0
PaymentMethod == 2 (Electrónico) → PaperlessBilling = 1
PhoneService e InternetService son mutuamente excluyentes (No ambos en estado "No")
Contract == 2 (Dos años) → Churn = 0
SeniorCitizen == 1 → InternetService ≠ 0 (Tiene internet)
StreamingTV == 2 (Sí) → StreamingMovies = 2 (Sí)

⚙️ 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	882	0.809	0.759	0.760	5.246	0.166	0.072	0.016	0.974	66.356	0	882	0.510
Smote	1	882	0.823	0.762	0.755	5.909	0.269	0.131	0.021	0.960	66.961	0.033	617	0.525
Borderline SMOTE	1	882	0.806	0.766	0.760	4.704	0.270	0.247	0.018	0.966	58.970	0.036	620	0.508
ADASYN	1.023	872	0.813	0.777	0.770	6.743	0.262	0.394	0.018	0.964	56.737	0.034	610	0.507	🏆
SMOTE RSB* Adaptado	1.387	759	0.815	0.760	0.755	6.101	0.210	0.472	0.007	0.983	53.827	0.022	612	0.514
SMOTE RSB* Adaptado + Reglas	1.387	759	0.810	0.740	0.740	3.916	0.208	0.497	0.007	0.983	54.071	0.021	611	0.533
OOF PSO para Balanceo	1.313	777	0.820	0.745	0.770	4.981	0.264	0.005	0.024	0.877	64.230	0.048	600	0.519
OOF PSO para Balanceo + Reglas	1.018	882	0.824	0.767	0.790	5.512	0.349	0.000	0.324	0.783	66.545	0.102	182	0.513

⭐ Mejor seleccionado: ADASYN (TabDSFidelity: 6.743, AUC: 0.813, F1: 0.777, MIA: 0.507). 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**	1.051	9957	0.795	0.771	0.765	9.458	0.473	0.306	0.014	0.947	82.357	0.851	0	0.530	🏆
SMOTE RSB* + Ruido Gaussiano + Reglas	1.294	9957	0.797	0.747	0.745	8.128	0.473	0.306	0.267	0.934	224.472	0.851	0	0.510
CTGAN	1.010	10000	0.788	0.740	0.725	5.527	0.559	0.000	0.045	0.910	443.741	0.149	0	0.542
CTGAN + Reglas del Dominio	1.286	10000	0.783	0.730	0.715	3.944	0.559	0.000	0.285	0.895	588.398	0.170	0	0.511
TVAE	1.096	9998	0.780	0.744	0.740	4.914	0.640	0.033	0.033	0.935	209.954	0.103	0	0.501
TVAE + Reglas del Dominio	1.059	9998	0.780	0.731	0.725	3.727	0.640	0.014	0.279	0.919	351.019	0.127	0	0.521
OOF PSO para Aumento	1	10000	0.791	0.703	0.685	2.715	0.770	0.000	0.189	0.581	130.270	0.128	1	0.516
OOF PSO para Aumento + Reglas	1	10000	0.798	0.684	0.665	2.095	0.770	0.000	0.522	0.640	270.835	0.148	0	0.517
SMOTE RSB* Refinado	1.000	9985	0.799	0.754	0.750	9.264	0.476	0.366	0.014	0.948	83.197	0.801	0	0.538
SMOTE RSB* Refinado + Reglas	1.250	9985	0.796	0.720	0.715	6.949	0.475	0.362	0.269	0.936	227.085	0.801	0	0.473

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano (TabDSFidelity: 9.458, AUC: 0.795, F1: 0.771, MIA: 0.530). 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	1.049	10829	0.783	0.741	0.735	6.082	0.452	0.308	0.013	0.950	155.832	0.851	0	0.525
SMOTE RSB* + Ruido Gaussiano + Reglas	1.270	10829	0.794	0.770	0.765	7.844	0.452	0.308	0.060	0.938	295.980	0.851	0	0.524
CTGAN	1.011	10872	0.762	0.723	0.710	2.367	0.517	0.000	0.040	0.916	519.658	0.140	124	0.510
CTGAN + Reglas del Dominio	1.263	10872	0.772	0.721	0.710	2.540	0.517	0.000	0.075	0.902	661.931	0.160	123	0.530
TVAE	1.086	10870	0.768	0.722	0.715	2.663	0.588	0.056	0.032	0.938	282.404	0.094	123	0.483
TVAE + Reglas del Dominio	1.052	10870	0.758	0.730	0.725	2.414	0.588	0.026	0.072	0.925	423.102	0.116	123	0.464
OOF PSO para Aumento	1.002	10872	0.799	0.756	0.745	3.963	0.705	0.000	0.144	0.612	203.361	0.119	124	0.506
OOF PSO para Aumento + Reglas	1.002	10872	0.799	0.751	0.745	3.615	0.705	0.000	0.250	0.674	340.979	0.137	123	0.524
SMOTE RSB* Refinado	1.002	10857	0.800	0.757	0.755	7.795	0.455	0.364	0.014	0.951	156.286	0.801	0	0.529
*SMOTE RSB Refinado + Reglas**	1.230	10857	0.805	0.796	0.795	9.737	0.455	0.362	0.062	0.940	302.277	0.801	0	0.473	🏆

⭐ Mejor seleccionado: SMOTE RSB* Refinado + Reglas del Dominio (TabDSFidelity: 9.737, AUC: 0.805, F1: 0.796, MIA: 0.473). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_45

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
ADASYN

↓

Generación Sintética
(10 métodos)

↓ Evaluación TabDSFidelity

⭐ Mejor Sintético
SMOTE RSB* + Ruido Gaussiano

⭐ Mejor Aumentado
SMOTE RSB* Refinado + 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 Customer Churn Prediction in Telecommunications (Version 0). figshare. https://doi.org/10.6084/m9.figshare.32946392