Modelo de boosting que a partir de los datos del usuario de una fintech predice si activaría la tarjeta de débito que ofrece la misma empresa
Para esto se estableció como base el rendimiento ROC_AUC de un modelo Naive Bayes, y en sucesivas etapas se fue optimizado un modelo LigthGBM:
- Primero se evaluó el rendimiento con los hiperperametros por defecto
- Luego se realizó una optimización bayesiana
- Sobre el modelo obtenido previamente, se realizó una feature selection de aquellas de mayor impacto como predictores, y se volvió a reentrenar el modelo.
Para interactuar con el predictor obtenido de una manera más gráfica se puede usar el archivo streamlit.py. Para ejecutarlo hay que correr el siguiente comando: streamlit run /stream.py
Completando los campos correspondientes, nos dirá la probabilidad de que el usuario active o no la tarjeta de débito, la influencia de cada una de las features, y si el resultado es positivo, en cuanto dias desde la solicitudad de la tarjeta se haría la activación
