Ejemplo
Práctico
Ver más
Ejemplo práctico
Carlos desarrolla un modelo predictivo de riesgo crediticio en una entidad financiera. El dataset incluye variables como ingresos anuales (15000-250000 euros), edad (18-75 años), número de productos contratados (1-12) y antigüedad como cliente (0-40 años). Al entrenar una regresión logística sin estandarización, Carlos observa que el algoritmo requiere 847 iteraciones para converger y los coeficientes resultan difíciles de interpretar debido a las diferentes escalas.
Ver solución
Solución
Implementa StandardScaler y reentrena el modelo, que ahora converge en 89 iteraciones. Los coeficientes estandarizados revelan que la antigüedad (coeficiente: 0.42) y los ingresos (coeficiente: 0.38) son los predictores más importantes, mientras que la edad (coeficiente: 0.09) tiene menor influencia.
Carlos documenta que la estandarización no solo aceleró el entrenamiento en un 89% sino que facilitó la interpretación del modelo, permitiendo al equipo de negocio comprender qué factores determinan el riesgo crediticio.
3.2 Ejemplo
CESUR
Created on February 3, 2026
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Geographical Challenge: Drag to the map
View
Decisions and Behaviors in the Workplace
View
Tangram Game
View
Process Flow: Corporate Recruitment
View
Weekly Corporate Challenge
View
Wellbeing and Healthy Routines
View
Match the Verbs in Spanish: Present and Past
Explore all templates
Transcript
Ejemplo
Práctico
Ver más
Ejemplo práctico
Carlos desarrolla un modelo predictivo de riesgo crediticio en una entidad financiera. El dataset incluye variables como ingresos anuales (15000-250000 euros), edad (18-75 años), número de productos contratados (1-12) y antigüedad como cliente (0-40 años). Al entrenar una regresión logística sin estandarización, Carlos observa que el algoritmo requiere 847 iteraciones para converger y los coeficientes resultan difíciles de interpretar debido a las diferentes escalas.
Ver solución
Solución
Implementa StandardScaler y reentrena el modelo, que ahora converge en 89 iteraciones. Los coeficientes estandarizados revelan que la antigüedad (coeficiente: 0.42) y los ingresos (coeficiente: 0.38) son los predictores más importantes, mientras que la edad (coeficiente: 0.09) tiene menor influencia. Carlos documenta que la estandarización no solo aceleró el entrenamiento en un 89% sino que facilitó la interpretación del modelo, permitiendo al equipo de negocio comprender qué factores determinan el riesgo crediticio.