Clasificación de satisfacción de pasajeros de aerolínea

Problema

Predecir si un pasajero quedará satisfecho o no con su vuelo a partir de variables sobre el servicio, confort y experiencia digital. Las relaciones entre features son no lineales y hay interacciones complejas entre dimensiones de calidad que los modelos lineales no capturan.

Solución

Comparativa exhaustiva de algoritmos: MLP, SVM y XGBoost con optimización de hiperparámetros (GridSearchCV + RandomizedSearchCV). Feature engineering avanzado con creación de variables compuestas (Digital Experience, Physical Comfort, Service Quality) y reducción de multicolinealidad con PCA.

Feature engineering y preprocesamiento

Creación de features compuestas: Digital Experience, Physical Comfort, Service Quality
PCA para reducir multicolinealidad entre las nuevas variables creadas
Tratamiento de outliers y análisis exploratorio completo antes del modelado
Pipeline scikit-learn para encadenar preprocesamiento y modelo de forma reproducible

Comparativa de modelos y optimización

MLPClassifier, SVC, RandomForest y XGBoost entrenados y comparados en las mismas particiones
GridSearchCV para MLP y SVM; RandomizedSearchCV para XGBoost (espacio grande)
Optimización del threshold de clasificación para maximizar la métrica de negocio
Curvas ROC, AUC y matrices de confusión para selección del modelo final

Clasificación de satisfacción de pasajeros de aerolínea

Problema

Solución

Feature engineering y preprocesamiento

Comparativa de modelos y optimización

Clasificador binario — Regresión Logística