Machine Lerning - Predicción de Marketing Bancario 📊

Este proyecto desarrolla un sistema de clasificación basado en redes neuronales para predecir si un cliente suscribirá un depósito a plazo fijo. El enfoque principal se centra en la resolución del desequilibrio de clases y el manejo profesional de outliers.

🛠️ Stack Tecnológico

• Lenguaje: Python
• Librerías: Pandas, NumPy, Scikit-learn, Seaborn, Matplotlib
• Modelos: Perceptrón Multicapa (MLPClassifier)

🚀 Puntos Clave del Proyecto

1. Preprocesamiento Avanzado

• Gestión de Outliers: Implementación de técnica de clipping basada en Z-score (umbral $\pm 3\sigma$) para estabilizar los gradientes sin eliminar datos valiosos.
• Feature Engineering: Normalización con StandardScaler y codificación One-Hot para variables categóricas.
• Tratamiento de Nulos: Sustitución de valores NaN en variables críticas como poutcome y contact.

2. Arquitecturas de Redes Neuronali

Se comparan dos filosofías de diseño:

• Modelo Wide: Arquitectura simple con optimizador LBFGS, enfocada en la memorización de patrones.
• Modelo Deep: 3 capas ocultas (32, 32, 32) con optimizador Adam, regularización Alpha (L2) y Early Stopping para maximizar la generalización.

3. Solución al Desequilibrio (Upsampling)

Para evitar el sesgo hacia la clase mayoritaria (el "paradoja del accuracy"), se aplicó un Upsampling manual con Pandas.

• Impacto: El Recall de la clase de éxito (clientes interesados) mejoró drásticamente de 0.19 a 0.59.

📈 Resultados

El modelo Deep con Upsampling demostró ser la mejor herramienta operativa, logrando un equilibrio óptimo entre precisión y capacidad de detección (F1-Score: 0.37).