Unidad 5 - Práctica: tu árbol de regresión con los créditos de Cóndor

Práctica opcional fuera de clase · Semana 12 · 06327-ECO

@emartigo Eduard F. Martínez G. eduard-martinez eduard-martinez.github.io

Esta práctica es opcional y no se entrega: es para afianzar, a tu ritmo, lo que hicimos en la sesión. Reproduce el recorrido completo de la clase — los créditos en mora, el sobre, el árbol de regresión y su error en pesos — en celdas que corren en tu navegador: puedes ejecutarlas, editarlas y volver a correrlas sin instalar nada.

Advertencia

La primera celda tarda unos segundos: el navegador descarga R (webR) y los paquetes dplyr, rpart y rpart.plot. Verás el estado de la carga debajo del título. Las celdas comparten memoria: córrelas en orden, de arriba hacia abajo.

1 Los créditos en mora y las variables

El target es monto_recuperado: cuánto logró recuperar cobranza de cada crédito que cayó en mora. Las predictoras son lo que se sabe el día en que el crédito cae en mora: monto, plazo, tasa, score y destino. dias_mora y el propio monto_recuperado se conocen después, cuando la cobranza ya pasó — usarlos sería fuga de información.

Debes ver 4.071 solicitudes con 11 columnas y, tras el filtro, 559 créditos en mora con 7 columnas.

2 Entrenamiento y prueba

Queremos que el árbol generalice — que aprenda el patrón de la recuperación, no que se memorice sus 559 créditos. Separamos el 80 % para entrenar y el 20 % para calificar:

Con proporcion = 0.8 quedan 447 créditos para entrenar y 112 para probar, y el promedio recuperado en train es $1.691.523: ese número es la línea base — pronosticárselo a todos, como dice el video de métricas de la semana 10.

Advertencia

Antes de seguir, deja proporcion = 0.8 y corre la celda otra vez. Es el sobre de la clase: para comparar árboles entre sí, la partición se congela.

3 El árbol de la clase

El mismo rpart de la semana pasada, con los frenos de fábrica. Como el target es un número, cada hoja guarda el promedio de su grupo:

Cómo leer cada caja: arriba el monto que predice (el promedio recuperado en su grupo) y abajo cuántos créditos de entrenamiento caen ahí y qué % son. Los montos salen en notación científica: 1.692e+6 es \(1{,}692 \times 10^6\), es decir $1.692.000. El árbol queda con 7 hojas y una sola variable repetida seis veces: ¿de cuánto era el crédito? De las cinco variables, el monto manda — las demás no ganaron ni una pregunta.

4 Pronósticos y el error en pesos

El árbol pronostica sobre los 112 créditos que no vio, y cada pronóstico tiene una distancia en pesos. El MAE es el promedio de esas distancias:

Debes ver que el promedio se equivoca $1.153.625 por crédito y el árbol $396.841: una tercera parte. En los 112 créditos del sobre son $129,2 millones de error total contra $44,4 millones.

5 Mueve la profundidad

¿Y si sueltas los frenos y lo dejas preguntar más? Igual que la semana pasada, fija la profundidad con rpart.control sobre la misma partición:

Esto es lo que verás al probar distintas profundidades (todas con la misma partición):

Profundidad	Hojas	MAE en train	MAE en test
2	4	525.271	546.921
3	8	410.218	408.976
5	28	316.998	408.855
8	136	149.626	468.005
15	435	212	479.603
30	444	0	479.830

En profundidad 15 el árbol prácticamente se sabe los 447 créditos de memoria (MAE de train: $212) y en 30 los memoriza del todo (MAE cero) — mientras en test el error empeora hasta ~$480.000. Eso es el sobreajuste, ahora en pesos. Y fíjate en algo más: ninguna de estas profundidades le gana al árbol de fábrica ($396.841) — los frenos de rpart existen por algo.

Explorar no es evaluar. Movimos la profundidad para entender el sobreajuste, no para elegir el modelo persiguiendo la nota del test: a fuerza de intentos, el test deja de ser examen. En un proyecto real esa búsqueda se hace dentro de train (validación) y el test se abre una sola vez, al final.

6 La tabla de tramos

El árbol de la clase, traducido al formato que Finanzas necesita — un pronóstico por tramo del crédito, con la fracción del monto que se recupera:

La lectura que Riesgo puede defender: Cóndor recupera cerca del 40 % de lo prestado (la fracción global es 0.415), y algo más — 46 a 48 % — en los créditos grandes. Esa tabla de 7 tramos es la provisión que se le entrega a Finanzas.

El cierre. Con los valores de referencia (proporcion = 0.8, PROFUNDIDAD = 3) esta página reproduce exactamente la clase y el taller. A partir de ahí, explora lo que quieras — otra proporción, otra profundidad, quitar una variable — y mira cómo cambian el árbol y su MAE: aquí nada se entrega y nada se daña.