Clasificar observaciones en dos clases (fraude/no fraude, churn/no churn, positivo/negativo) con un modelo que sea interpretable: cada feature debe aportar una explicación legible del por qué de la predicción, no solo el resultado.
Clasificar observaciones en dos clases (fraude/no fraude, churn/no churn, positivo/negativo) con un modelo que sea interpretable: cada feature debe aportar una explicación legible del por qué de la predicción, no solo el resultado.
Regresión logística con análisis de coeficientes e odds ratios. Pipeline completo: imputación de nulos, codificación de categóricas, escalado StandardScaler y ajuste del umbral de decisión para optimizar la métrica de negocio relevante (recall, precision o F1).