Regresión logística · Machine Learning · Inferencia · Decisión

Glosario integral y avanzado

Una guía para estudiar el tema desde la intuición probabilística hasta la implementación y el ciclo de vida en producción. Cada concepto incluye definición desarrollada, fórmula, intuición, ejemplo, conexiones y errores frecuentes. Integra los contenidos de fundamentos, interpretación, métricas, validación, regularización, calibración, decisión, multiclase y monitoreo.

1 · FundamentosBernoulli → score → sigmoide → odds → logit.

2 · Interpretaciónβ → OR → dummies → interacciones → efectos marginales.

3 · EntrenamientoLikelihood → log-loss → MLE → regularización.

4 · EvaluaciónMatriz → métricas → ROC/PR → validación → calibración.

5 · Decisión y producciónThreshold → costos → multiclase → drift → monitoreo.

—

—

Intentá explicar el concepto sin mirar la respuesta. Después revelá la definición y verificá fórmula, ejemplo y error frecuente.

Accuracy (exactitud) Métricas

＋

Definición desarrollada

Proporción de observaciones clasificadas correctamente sobre el total. Resume en un único número los verdaderos positivos y verdaderos negativos, pero no distingue qué tipo de error está cometiendo el modelo.

Fórmula / relación clave

Accuracy = (TP + TN) / (TP + TN + FP + FN)

Intuición

Responde: «¿qué porcentaje de decisiones fueron correctas?». Es útil cuando las clases tienen frecuencias similares y los costos de FP y FN no son muy diferentes.

Ejemplo

Si sobre 1.000 casos hay 420 TP y 480 TN, la accuracy es (420+480)/1000 = 90%. Sin embargo, con 990 negativos y solo 10 positivos, un modelo que siempre predice 0 tendría 99% de accuracy y sería inútil para detectar la clase positiva.

Conexiones

Matriz de confusión · desbalance de clases · threshold · precision · recall · F1.

Error frecuente

Usarla como única métrica en eventos raros. Una accuracy alta puede ocultar recall igual a cero.

AUC (Area Under the ROC Curve) Métricas

＋

Definición desarrollada

Área bajo la curva ROC. Mide la capacidad de discriminación del modelo a través de todos los thresholds posibles. Puede interpretarse como la probabilidad de que un positivo elegido al azar reciba un score mayor que un negativo elegido al azar.

Fórmula / relación clave

0.5 ≈ azar; 1.0 = ranking perfecto

Intuición

AUC no pregunta si las probabilidades son correctas en valor absoluto; pregunta si el modelo ordena bien los casos de menor a mayor riesgo.

Ejemplo

Dos modelos pueden tener AUC 0,85 aunque uno prediga 0,20 y 0,40 y otro 0,60 y 0,95 para los mismos casos, siempre que conserven el mismo ranking.

Conexiones

ROC · TPR · FPR · discriminación · calibración.

Error frecuente

Confundir AUC alto con probabilidades bien calibradas o con un threshold óptimo.

Bernoulli Fundamentos

＋

Definición desarrollada

Distribución probabilística para una variable aleatoria binaria Y∈{0,1}. En regresión logística se asume que, condicionalmente a X, cada observación sigue una Bernoulli con probabilidad pᵢ de tomar el valor 1.

Fórmula / relación clave

P(Y=y)=p^y(1-p)^(1-y)

Intuición

Cada observación aporta una probabilidad p si ocurre el evento y 1−p si no ocurre.

Ejemplo

Si el modelo asigna p=0,80 a un cliente y finalmente Y=1, la contribución de ese caso a la likelihood es 0,80. Si Y=0, sería 0,20.

Conexiones

Likelihood · máxima verosimilitud · log-loss.

Error frecuente

Pensar que Bernoulli implica que todas las observaciones tienen la misma p. En regresión logística, cada caso puede tener una p diferente según X.

Brier Score Calibración

＋

Definición desarrollada

Error cuadrático medio de las probabilidades predichas frente a los resultados binarios observados. Evalúa simultáneamente la cercanía de las probabilidades a los resultados y, por tanto, la calidad probabilística global.

Fórmula / relación clave

Brier = (1/n) Σ (pᵢ − yᵢ)²

Intuición

Penaliza que una probabilidad esté lejos de lo que finalmente ocurrió. Cuanto menor, mejor.

Ejemplo

Para y=1: una predicción p=0,90 aporta (0,90−1)²=0,01; una p=0,20 aporta 0,64.

Conexiones

Calibración · log-loss · discriminación · calibration plot.

Error frecuente

Comparar Brier Scores entre poblaciones con prevalencias muy distintas sin contexto.

Calibración Calibración

＋

Definición desarrollada

Propiedad según la cual las probabilidades predichas representan frecuencias observadas. Un modelo está bien calibrado si, aproximadamente, entre los casos con p̂=0,30 el evento ocurre 30% de las veces.

Fórmula / relación clave

Ideal: E[Y | p̂≈p] ≈ p

Intuición

La discriminación dice quién tiene más riesgo; la calibración dice si 30% realmente significa cerca de 30%.

Ejemplo

Un modelo puede ordenar perfectamente clientes de menor a mayor riesgo, pero asignar 0,90 donde el evento ocurre solo 0,55. Discrimina bien y calibra mal.

Conexiones

Calibration plot · Brier · ECE · AUC · temperatura.

Error frecuente

Suponer que un AUC alto garantiza buena calibración.

Calibration plot (reliability diagram) Calibración

＋

Definición desarrollada

Gráfico que compara, por grupos de probabilidad, la probabilidad media predicha con la frecuencia observada del evento. La diagonal de 45° representa calibración perfecta.

Fórmula / relación clave

Eje X: p̂ media del bin · Eje Y: frecuencia observada

Intuición

Si los puntos están por encima de la diagonal, el modelo subestima el riesgo; si están por debajo, lo sobreestima.

Ejemplo

En un bin con p̂ media 0,40 y frecuencia real 0,55, el modelo está subestimando el evento en ese rango.

Conexiones

Calibración · ECE · Brier · overconfidence.

Error frecuente

Interpretar bins con muy pocas observaciones como evidencia fuerte. El tamaño de cada grupo importa.

Categoría de referencia Interpretación

＋

Definición desarrollada

Nivel de una variable categórica que no recibe dummy propia y funciona como base de comparación. Los coeficientes de las demás categorías expresan diferencias en log-odds respecto de esa referencia, manteniendo constantes las demás variables.

Fórmula / relación clave

Ej.: z=β₀+β₁D_Autónomo+β₂D_Monotributista

Intuición

Si “Empleado” es referencia, β₁ indica cuánto cambia el logit de “Autónomo” respecto de “Empleado”.

Ejemplo

β_Autónomo=0,50 implica OR=e^0,50≈1,65 frente a la categoría Empleado.

Conexiones

Dummy · odds ratio · coeficiente β.

Error frecuente

Interpretar el coeficiente de una dummy sin mencionar cuál es la categoría de referencia.

Clasificación binaria Fundamentos

＋

Definición desarrollada

Problema predictivo en el que la variable objetivo tiene dos resultados posibles, habitualmente codificados como 0 y 1. La regresión logística modela la probabilidad condicional de pertenecer a la clase 1.

Fórmula / relación clave

Y∈{0,1}; p(X)=P(Y=1|X)

Intuición

Primero se estima una probabilidad; luego una regla de decisión puede convertirla en una clase.

Ejemplo

Default/no default, fraude/no fraude, churn/no churn, compra/no compra.

Conexiones

Regresión logística · probabilidad predicha · threshold.

Error frecuente

Confundir la probabilidad estimada con la clase final. La clase depende del threshold.

Coeficiente β Interpretación

＋

Definición desarrollada

Parámetro que mide el cambio en el log-odds asociado a un aumento unitario del predictor correspondiente, manteniendo las demás variables constantes. Su efecto sobre la probabilidad no es constante porque la sigmoide es no lineal.

Fórmula / relación clave

Δlogit(p)=βⱼ·Δxⱼ

Intuición

β trabaja en escala logit, no directamente en puntos porcentuales de probabilidad.

Ejemplo

β=0,70 significa que una unidad adicional multiplica las odds por e^0,70≈2,01, pero no duplica necesariamente la probabilidad.

Conexiones

Logit · odds ratio · efecto marginal.

Error frecuente

Decir “β=0,7 aumenta la probabilidad en 70%”. Esa interpretación es incorrecta.

Concept drift Monitoreo

＋

Definición desarrollada

Cambio en la relación condicional P(Y|X). Significa que la asociación entre predictores y resultado que el modelo aprendió deja de ser estable, aunque las variables de entrada puedan tener distribuciones similares.

Fórmula / relación clave

P_t(Y|X) ≠ P_0(Y|X)

Intuición

El mundo cambió de manera que los mismos X ya no implican el mismo riesgo.

Ejemplo

Un patrón de comportamiento que antes anticipaba default deja de hacerlo después de un cambio regulatorio o macroeconómico.

Conexiones

Data drift · prior drift · performance drift · monitoreo.

Error frecuente

Intentar detectarlo solo con PSI de las variables. Puede haber concept drift sin cambios grandes en P(X).

Cross-Entropy / Log-Loss Entrenamiento

＋

Definición desarrollada

Función de pérdida probabilística usada en clasificación logística. Penaliza las predicciones según la probabilidad asignada a la clase realmente observada y castiga con mucha fuerza los errores confiados.

Fórmula / relación clave

−[y ln(p)+(1−y)ln(1−p)]

Intuición

No solo importa acertar la clase; importa cuán razonable era la probabilidad.

Ejemplo

Con y=1, p=0,90 produce pérdida ≈0,105; p=0,51 produce ≈0,673; p=0,01 produce ≈4,605.

Conexiones

Máxima verosimilitud · log-likelihood · calibración.

Error frecuente

Confundir log-loss con tasa de error 0/1. Dos casos clasificados igual pueden tener pérdidas muy distintas.

Cross-Validation Validación

＋

Definición desarrollada

Familia de procedimientos que reutilizan distintas particiones del conjunto de desarrollo para entrenar y validar repetidamente. Su objetivo es estimar desempeño y estabilidad con menor dependencia de una única división aleatoria.

Fórmula / relación clave

Promedio CV = (1/K) Σ métrica_k

Intuición

En vez de preguntar “¿qué pasó en este único validation set?”, pregunta “¿qué ocurre en varias particiones razonables?”.

Ejemplo

En 5-fold CV cada observación funciona una vez como validation y cuatro veces dentro del entrenamiento.

Conexiones

K-fold · train/validation/test · tuning.

Error frecuente

Incluir el test final dentro de la cross-validation y luego reportarlo como evaluación independiente.

Data drift Monitoreo

＋

Definición desarrollada

Cambio en la distribución de los predictores o del score entre la población actual y una población de referencia. Se refiere a P(X), no necesariamente al vínculo entre X e Y.

Fórmula / relación clave

P_t(X) ≠ P_0(X)

Intuición

Los casos que llegan al modelo ya no “se parecen” a los que vio durante desarrollo.

Ejemplo

La proporción de clientes de altos ingresos aumenta, o la distribución de deuda/ingreso se desplaza.

Conexiones

PSI · concept drift · monitoreo.

Error frecuente

Concluir automáticamente que hay pérdida de performance. Puede existir data drift y AUC estable.

Decision boundary (frontera de decisión) Decisión

＋

Definición desarrollada

Conjunto de puntos del espacio de predictores para los cuales la probabilidad estimada coincide exactamente con el threshold. En dos variables y un modelo lineal en el logit, la frontera es una línea.

Fórmula / relación clave

β₀+β₁x₁+β₂x₂ = logit(c)

Intuición

Separa regiones del espacio que la política clasifica como 0 o 1.

Ejemplo

Con c=0,5, logit(c)=0 y la frontera satisface z=0.

Conexiones

Threshold · score lineal · sigmoide.

Error frecuente

Creer que cambiar el threshold reentrena el modelo. Solo desplaza la frontera operativa.

Discriminación Métricas

＋

Definición desarrollada

Capacidad de un modelo para asignar scores mayores a los casos que finalmente presentan el evento que a los que no lo presentan. Es una propiedad de ranking, no de exactitud probabilística.

Fórmula / relación clave

Frecuentemente resumida por ROC-AUC

Intuición

Pregunta “¿quién tiene más riesgo?” y no “¿cuánto riesgo exactamente?”.

Ejemplo

Un modelo puede identificar correctamente el orden de riesgo pero asignar probabilidades demasiado altas.

Conexiones

AUC · ROC · calibración.

Error frecuente

Usar discriminación como sinónimo de calibración.

Dummy variable Interpretación

＋

Definición desarrollada

Variable indicadora, usualmente 0/1, utilizada para representar niveles de una variable categórica dentro de un modelo numérico. Para K categorías se usan típicamente K−1 dummies más una categoría de referencia.

Fórmula / relación clave

D=1 si pertenece a la categoría; D=0 en caso contrario

Intuición

Permite desplazar el logit para grupos diferentes.

Ejemplo

D_Autónomo=1 para autónomos y 0 para el resto, tomando Empleado como referencia.

Conexiones

Categoría de referencia · interacción · odds ratio.

Error frecuente

Incluir K dummies y un intercepto para K categorías, generando multicolinealidad perfecta.

ECE (Expected Calibration Error) Calibración

＋

Definición desarrollada

Resumen de la discrepancia entre probabilidades predichas y frecuencias observadas, usualmente agrupando casos en bins. Pondera la diferencia absoluta de cada bin por su tamaño.

Fórmula / relación clave

ECE = Σ_b (n_b/n) |acc_b − conf_b|

Intuición

Cuanto más cerca de cero, más alineadas están predicciones y frecuencias observadas.

Ejemplo

Si un grupo representa 20% de los casos, predice 0,70 y observa 0,60, aporta 0,20×0,10=0,02 al ECE.

Conexiones

Calibration plot · Brier · temperatura.

Error frecuente

Tomarlo como una medida completamente independiente de la elección de bins.

Efecto marginal Interpretación

＋

Definición desarrollada

Cambio local de la probabilidad predicha ante una variación infinitesimal de un predictor continuo. En la regresión logística simple muestra explícitamente que el efecto sobre p depende tanto de β como del nivel inicial de p.

Fórmula / relación clave

∂p/∂xⱼ = βⱼ p(1−p)

Intuición

La misma β puede tener impacto fuerte cerca de p=0,5 y mucho menor cerca de p=0 o p=1.

Ejemplo

Con β=1 y p=0,5, el efecto marginal es 0,25; con p=0,1 es 0,09.

Conexiones

Coeficiente β · sigmoide · AME.

Error frecuente

Tratar el efecto marginal como constante para todos los individuos.

Efecto marginal promedio (AME) Interpretación

＋

Definición desarrollada

Promedio de los efectos marginales individuales calculados para cada observación. Resume el impacto típico de un predictor sobre la probabilidad en la muestra, preservando la no linealidad del modelo.

Fórmula / relación clave

AME_j = (1/n) Σ β_j p_i(1−p_i)

Intuición

En lugar de evaluar el efecto en un caso artificial “promedio”, promedia los efectos sobre los casos reales.

Ejemplo

Si los individuos tienen riesgos muy distintos, los efectos marginales también difieren; AME resume esa distribución.

Conexiones

Efecto marginal · probabilidad predicha.

Error frecuente

Interpretarlo como efecto causal si el diseño del estudio no identifica causalidad.

Entropía Multiclase

＋

Definición desarrollada

Medida de incertidumbre de una distribución de probabilidades. En clasificación multiclase aumenta cuando las probabilidades están repartidas entre varias clases y disminuye cuando una clase concentra casi toda la masa.

Fórmula / relación clave

H(p)=−Σ_j p_j ln(p_j)

Intuición

Una predicción 0,98/0,01/0,01 tiene poca incertidumbre; 0,34/0,33/0,33 tiene mucha.

Ejemplo

Softmax puede mantener la misma clase ganadora y, al subir la temperatura, aumentar la entropía.

Conexiones

Softmax · temperatura · confianza.

Error frecuente

Confundir alta entropía con error seguro. Indica incertidumbre, no necesariamente clasificación incorrecta.

Error de clasificación Métricas

＋

Definición desarrollada

Indicador 0/1 de si una clase predicha coincide o no con la clase real. Depende del threshold y pierde información sobre la confianza probabilística.

Fórmula / relación clave

I(ŷ ≠ y)

Intuición

Dos predicciones p=0,51 y p=0,99 pueden ser ambas correctas con c=0,5, aunque su confianza sea muy distinta.

Ejemplo

Por eso el error 0/1 y log-loss responden preguntas diferentes.

Conexiones

Threshold · accuracy · log-loss.

Error frecuente

Optimizar solo error de clasificación cuando las probabilidades se usan para decisiones posteriores.

False Negative (FN) Métricas

＋

Definición desarrollada

Caso realmente positivo que el modelo clasifica como negativo. Es un evento que el sistema no detecta.

Fórmula / relación clave

Real=1, Predicho=0

Intuición

Representa una omisión.

Ejemplo

En credit scoring: un cliente que finalmente entra en default pero fue aprobado como bajo riesgo.

Conexiones

Recall · matriz de confusión · costo FN.

Error frecuente

Asumir que FN y FP tienen el mismo costo económico o social.

False Positive (FP) Métricas

＋

Definición desarrollada

Caso realmente negativo que el modelo clasifica como positivo. Es una falsa alarma.

Fórmula / relación clave

Real=0, Predicho=1

Intuición

El sistema marca un evento que no ocurrió.

Ejemplo

En credit scoring: rechazar como alto riesgo a un cliente que hubiera pagado correctamente.

Conexiones

Precision · specificity · costo FP.

Error frecuente

Evaluarlo sin considerar la prevalencia: con muchísimos negativos, una FPR pequeña puede generar muchos FP.

F1 Score Métricas

＋

Definición desarrollada

Media armónica entre precision y recall. Premia modelos que mantienen ambas métricas razonablemente altas y cae fuertemente si una de ellas es baja.

Fórmula / relación clave

F1 = 2·Precision·Recall / (Precision+Recall)

Intuición

Es útil cuando interesa equilibrar detección de positivos y calidad de las alertas.

Ejemplo

Precision=0,80 y Recall=0,50 producen F1≈0,615.

Conexiones

Precision · recall · threshold · desbalance.

Error frecuente

Usarlo automáticamente sin justificar por qué precision y recall deberían tener el mismo peso.

FPR (False Positive Rate) ROC / PR

＋

Definición desarrollada

Proporción de negativos reales que son clasificados erróneamente como positivos. Es el eje horizontal de la curva ROC.

Fórmula / relación clave

FPR = FP / (FP + TN) = 1 − Specificity

Intuición

Mide la tasa de falsas alarmas dentro de la población negativa.

Ejemplo

FPR=0,05 significa que 5% de los negativos reales son marcados positivos.

Conexiones

ROC · specificity · threshold.

Error frecuente

Confundir FPR con 1−precision. Son denominadores distintos.

Intercepto β₀ Interpretación

＋

Definición desarrollada

Score o log-odds cuando todos los predictores numéricos valen cero y las variables categóricas están en su referencia. Su interpretación sustantiva depende de si ese punto cero es plausible.

Fórmula / relación clave

logit(p₀)=β₀

Intuición

Fija el nivel base sobre el que actúan los demás coeficientes.

Ejemplo

Si β₀=−2, el riesgo base es σ(−2)≈0,119.

Conexiones

Score lineal · logit · centramiento.

Error frecuente

Dar una interpretación económica fuerte al intercepto cuando X=0 carece de sentido.

Interacción Interpretación

＋

Definición desarrollada

Término que permite que el efecto de un predictor dependa del nivel de otro. Rompe la idea de un único efecto β₁ aplicable a todos los valores de X₂.

Fórmula / relación clave

z=…+β₁X₁+β₂X₂+β₃X₁X₂

Intuición

El efecto de X₁ sobre el logit pasa a ser β₁+β₃X₂.

Ejemplo

El impacto del ingreso sobre default puede depender del nivel de deuda/ingreso.

Conexiones

Efectos marginales · especificación · no linealidad.

Error frecuente

Interpretar β₁ aislado como “efecto total de X₁” cuando existe interacción.

K-Fold Cross-Validation Validación

＋

Definición desarrollada

Procedimiento que divide el conjunto de desarrollo en K bloques. En cada iteración se entrena con K−1 folds y se valida con el restante; cada fold es validation exactamente una vez.

Fórmula / relación clave

K entrenamientos → K métricas → media ± dispersión

Intuición

Reduce la dependencia de una sola partición y permite observar estabilidad.

Ejemplo

Con K=5 se realizan cinco entrenamientos diferentes.

Conexiones

Cross-validation · test final · tuning.

Error frecuente

Realizar preprocesamientos usando todo el dataset antes de crear los folds; eso puede generar leakage.

Leakage (fuga de información) Validación

＋

Definición desarrollada

Uso, directo o indirecto, de información que no estaría disponible al momento real de predecir o que pertenece al conjunto de validación/test durante el entrenamiento.

Fórmula / relación clave

No es una fórmula; es una violación del diseño experimental

Intuición

El modelo “ve el futuro” o información reservada y parece mejor de lo que realmente será.

Ejemplo

Estandarizar usando media y desvío calculados con train+test antes de evaluar.

Conexiones

Train/validation/test · cross-validation · pipeline.

Error frecuente

Creer que leakage solo ocurre si se incluye explícitamente la variable objetivo.

Likelihood (verosimilitud) Entrenamiento

＋

Definición desarrollada

Función que mide cuán compatibles son los parámetros del modelo con los resultados observados. En regresión logística combina las probabilidades asignadas por el modelo a cada resultado real.

Fórmula / relación clave

L(β)=∏ p_i^{y_i}(1−p_i)^{1−y_i}

Intuición

Un buen conjunto de coeficientes hace alta la probabilidad conjunta de lo que efectivamente se observó.

Ejemplo

Si un caso positivo recibe p=0,9 y otro negativo p=0,8, sus contribuciones son 0,9 y 0,2 respectivamente.

Conexiones

Máxima verosimilitud · log-likelihood · log-loss.

Error frecuente

Interpretarla como la probabilidad de que β sea verdadero. No lo es.

Log-Likelihood Entrenamiento

＋

Definición desarrollada

Logaritmo de la likelihood. Convierte el producto de contribuciones individuales en una suma, facilitando cálculo, optimización y estabilidad numérica.

Fórmula / relación clave

ℓ(β)=Σ[y_i ln p_i +(1−y_i)ln(1−p_i)]

Intuición

Maximizar log-likelihood equivale a maximizar likelihood porque el logaritmo es monotónico.

Ejemplo

Productos de muchas probabilidades pueden ser extremadamente pequeños; trabajar con sumas de logaritmos evita underflow numérico.

Conexiones

Likelihood · log-loss · MLE.

Error frecuente

Olvidar el signo: log-loss es el negativo de la log-likelihood promedio.

Logit Fundamentos

＋

Definición desarrollada

Transformación que lleva una probabilidad entre 0 y 1 a toda la recta real. En regresión logística, el logit de la probabilidad se modela como combinación lineal de los predictores.

Fórmula / relación clave

logit(p)=ln[p/(1−p)] = z

Intuición

Permite relacionar linealmente X con una magnitud sin límites, mientras p permanece entre 0 y 1.

Ejemplo

p=0,5 → logit=0; p=0,8 → logit≈1,386; p=0,2 → logit≈−1,386.

Conexiones

Odds · score lineal · sigmoide.

Error frecuente

Confundir logit con log(p).

Log-transformación Especificación

＋

Definición desarrollada

Transformación de un predictor positivo mediante log(X), útil cuando cambios relativos son más relevantes que cambios absolutos o cuando la relación con el logit muestra rendimientos decrecientes.

Fórmula / relación clave

z=…+β log(X)

Intuición

Pasar de 1 a 2 tiene mayor impacto transformado que pasar de 100 a 101.

Ejemplo

Ingresos, tamaño de empresa o montos monetarios suelen evaluarse también en escala logarítmica.

Conexiones

No linealidad · especificación · efecto marginal.

Error frecuente

Aplicar log a valores cero o negativos sin tratamiento adecuado.

Máxima Verosimilitud (MLE) Entrenamiento

＋

Definición desarrollada

Criterio de estimación que elige los coeficientes β que maximizan la likelihood de los resultados observados. En regresión logística estándar es el fundamento del ajuste.

Fórmula / relación clave

β̂ = arg max_β L(β) = arg min_β [−ℓ(β)]

Intuición

Busca parámetros que hagan tan plausibles como sea posible los 0 y 1 efectivamente observados.

Ejemplo

Los optimizadores numéricos ajustan β iterativamente hasta reducir el gradiente de la pérdida.

Conexiones

Likelihood · log-likelihood · log-loss.

Error frecuente

Pensar que máxima verosimilitud garantiza generalización fuera de muestra.

Matriz de confusión Métricas

＋

Definición desarrollada

Tabla 2×2 que cruza clase real y clase predicha. Organiza los resultados en TP, TN, FP y FN y es la base de muchas métricas de clasificación.

Fórmula / relación clave

Filas/columnas según convención; siempre verificar qué eje es real y cuál predicho

Intuición

Muestra qué tipo de aciertos y errores produce el threshold actual.

Ejemplo

Al bajar c suelen aumentar TP y FP, mientras disminuyen FN y TN.

Conexiones

Accuracy · precision · recall · specificity · F1.

Error frecuente

Comparar matrices de confusión obtenidas con distintos tamaños de muestra sin normalizar o contextualizar.

Multicolinealidad Entrenamiento

＋

Definición desarrollada

Situación en la que dos o más predictores están altamente relacionados entre sí. Puede inflar la varianza de los coeficientes y volver inestable su interpretación, aunque el desempeño predictivo no siempre se deteriore de la misma forma.

Fórmula / relación clave

No hay una única medida; puede evaluarse con correlaciones, VIF y estructura del diseño

Intuición

El modelo tiene dificultad para decidir qué predictor recibe qué parte del efecto.

Ejemplo

Ingresos mensuales e ingresos anuales casi duplicados en la misma especificación.

Conexiones

Regularización L2 · inferencia · estabilidad.

Error frecuente

Eliminar automáticamente variables correlacionadas sin considerar objetivo predictivo, teoría y regularización.

Multinomial Logistic Regression Multiclase

＋

Definición desarrollada

Extensión de la regresión logística a una variable objetivo con más de dos clases mutuamente excluyentes. Modela un score por clase y convierte esos scores en probabilidades mediante softmax.

Fórmula / relación clave

P(Y=j|X)=exp(z_j)/Σ_m exp(z_m)

Intuición

Cada clase compite con las demás por la probabilidad total.

Ejemplo

Clasificar una solicitud en riesgo bajo, medio o alto.

Conexiones

Softmax · entropía · temperatura.

Error frecuente

Tratar las probabilidades de cada clase como modelos binarios independientes si se necesita una distribución que sume 1.

No linealidad en los predictores Especificación

＋

Definición desarrollada

Situación en la que el logit no cambia linealmente con un predictor. Puede modelarse incorporando transformaciones como X², log(X), splines u otras bases, manteniendo la salida logística.

Fórmula / relación clave

z=β₀+β₁X+β₂X²+…

Intuición

La regresión logística es lineal en los parámetros, pero no obliga a usar solo X sin transformar.

Ejemplo

El riesgo puede disminuir con experiencia hasta cierto punto y luego estabilizarse.

Conexiones

Término cuadrático · log-transformación · interacción.

Error frecuente

Suponer que la sigmoide por sí sola resuelve cualquier no linealidad entre X y el logit.

Odds Fundamentos

＋

Definición desarrollada

Cociente entre la probabilidad de que ocurra el evento y la probabilidad de que no ocurra. Toma valores entre 0 e infinito.

Fórmula / relación clave

Odds = p/(1−p)

Intuición

Odds=3 significa tres posibilidades relativas de evento por cada una de no evento.

Ejemplo

p=0,75 → odds=0,75/0,25=3. p=0,20 → odds=0,25.

Conexiones

Logit · odds ratio · coeficiente β.

Error frecuente

Confundir odds=2 con probabilidad=200% o con p=2/3 sin hacer la conversión.

Odds Ratio (OR) Interpretación

＋

Definición desarrollada

Factor multiplicativo sobre las odds asociado a un cambio unitario del predictor. Se obtiene exponenciando el coeficiente logístico.

Fórmula / relación clave

OR=e^β

Intuición

OR>1 aumenta odds; OR<1 las reduce; OR=1 indica ausencia de cambio en odds.

Ejemplo

β=0,70 → OR≈2,01: una unidad adicional duplica aproximadamente las odds, no la probabilidad.

Conexiones

Coeficiente β · odds · categoría de referencia.

Error frecuente

Decir que OR=2 implica “el doble de probabilidad”.

Overconfidence Calibración

＋

Definición desarrollada

Situación en la que el modelo produce probabilidades demasiado extremas respecto de las frecuencias observadas. Sus predicciones cercanas a 0 o 1 son más seguras de lo que la evidencia justifica.

Fórmula / relación clave

Calibration slope frecuentemente < 1 cuando existe exceso de extremidad

Intuición

El modelo “habla con demasiada seguridad”.

Ejemplo

Casos con p̂≈0,90 presentan el evento solo 0,70.

Conexiones

Temperatura · calibración · log-loss.

Error frecuente

Confundir sobreconfidence con AUC alto. Son propiedades distintas.

Overfitting Entrenamiento

＋

Definición desarrollada

Fenómeno por el cual el modelo captura patrones específicos, ruido o peculiaridades de la muestra de entrenamiento y pierde capacidad de generalizar a datos nuevos.

Fórmula / relación clave

Se observa como brecha train vs validation/test, no por una única fórmula

Intuición

Memoriza demasiado bien el pasado y generaliza peor.

Ejemplo

Log-loss de train muy baja y log-loss de test claramente mayor.

Conexiones

Regularización · cross-validation · tamaño muestral.

Error frecuente

Diagnosticar overfitting solo porque el modelo tiene muchos coeficientes.

p-value Inferencia

＋

Definición desarrollada

Probabilidad, bajo una hipótesis nula y un procedimiento estadístico especificado, de observar un estadístico tan extremo o más que el obtenido. En regresión logística se usa frecuentemente para contrastar H₀:β_j=0.

Fórmula / relación clave

Ej. Wald: z=β̂/SE(β̂)

Intuición

Evalúa compatibilidad de los datos con una hipótesis nula, no la magnitud práctica del efecto.

Ejemplo

Un coeficiente muy pequeño puede tener p<0,05 en una muestra enorme.

Conexiones

Wald · intervalo de confianza · significancia práctica.

Error frecuente

Interpretar p=0,03 como “97% de probabilidad de que β sea distinto de cero”.

Performance drift Monitoreo

＋

Definición desarrollada

Deterioro de métricas de desempeño del modelo a través del tiempo, como AUC, log-loss, Brier, recall o costo. Puede originarse por data drift, prior drift, concept drift o cambios operativos.

Fórmula / relación clave

Métrica_t comparada con baseline o límites de control

Intuición

Es el síntoma observable de que el modelo ya no funciona igual que durante validación.

Ejemplo

AUC pasa de 0,82 al desplegar a 0,68 seis meses después.

Conexiones

Concept drift · monitoreo · recalibración.

Error frecuente

Esperar a que performance caiga para mirar drift. Algunas señales de distribución aparecen antes.

Population Stability Index (PSI) Monitoreo

＋

Definición desarrollada

Medida de cambio entre dos distribuciones discretizadas, muy usada para monitorear variables y scores. Compara proporciones de referencia y actuales por bin.

Fórmula / relación clave

PSI = Σ (q_b−p_b) ln(q_b/p_b)

Intuición

Cuanto mayor el PSI, mayor la diferencia distribucional.

Ejemplo

Reglas orientativas habituales consideran <0,10 cambio pequeño, 0,10–0,25 cambio moderado y >0,25 cambio importante, aunque los umbrales deben validarse en contexto.

Conexiones

Data drift · score drift · monitoreo.

Error frecuente

Tratar los cortes 0,10 y 0,25 como leyes universales.

Precision Métricas

＋

Definición desarrollada

Proporción de positivos predichos que son realmente positivos. Evalúa la calidad o pureza de las alertas positivas.

Fórmula / relación clave

Precision = TP/(TP+FP)

Intuición

Pregunta: “de todo lo que marqué como positivo, ¿cuánto era verdaderamente positivo?”.

Ejemplo

TP=80 y FP=20 → precision=0,80.

Conexiones

Recall · PR curve · prevalencia.

Error frecuente

Olvidar que cambia fuertemente con la prevalencia aun si TPR y FPR se mantienen.

Precision–Recall Curve (PR) ROC / PR

＋

Definición desarrollada

Curva que representa precision frente a recall al variar el threshold. Resulta especialmente informativa cuando la clase positiva es rara.

Fórmula / relación clave

X=Recall; Y=Precision

Intuición

Muestra simultáneamente cuánto del evento detectamos y qué tan limpias son las alertas.

Ejemplo

Al bajar el threshold suele subir recall y caer precision.

Conexiones

PR-AUC · prevalencia · desbalance.

Error frecuente

Comparar PR-AUC entre datasets con prevalencias muy distintas sin mencionar esa diferencia.

Predicción vs causalidad Interpretación

＋

Definición desarrollada

Distinción entre estimar correctamente Y a partir de X y afirmar que modificar X causará un cambio en Y. Un modelo predictivo puede explotar asociaciones útiles sin identificar efectos causales.

Fórmula / relación clave

P(Y|X) predictiva ≠ efecto causal do(X)

Intuición

Predecir quién tiene alto riesgo no implica saber qué intervención reducirá ese riesgo.

Ejemplo

Una variable puede ser excelente predictor de default porque resume contexto socioeconómico, sin ser una palanca causal manipulable.

Conexiones

Efectos marginales · interpretación · diseño causal.

Error frecuente

Presentar coeficientes o efectos marginales de un modelo observacional como causalidad automática.

Prevalencia / Base rate Métricas

＋

Definición desarrollada

Proporción de positivos reales en la población. Afecta fuertemente métricas como precision y el baseline de la curva PR.

Fórmula / relación clave

Prevalencia = (TP+FN)/N

Intuición

Un evento raro genera muchas oportunidades de falsas alarmas porque existen muchos más negativos.

Ejemplo

Con prevalencia 1%, incluso FPR=2% puede producir más FP que TP.

Conexiones

Precision · PR curve · prior drift.

Error frecuente

Comparar precision entre contextos con prevalencias distintas como si fueran directamente equivalentes.

Prior drift Monitoreo

＋

Definición desarrollada

Cambio en la distribución marginal de la variable objetivo P(Y), es decir, en la prevalencia del evento. Puede ocurrir aunque P(X|Y) o el ranking del modelo cambien poco.

Fórmula / relación clave

P_t(Y) ≠ P_0(Y)

Intuición

El evento se vuelve más o menos frecuente en la población actual.

Ejemplo

Una recesión puede aumentar la tasa de default general.

Conexiones

Prevalencia · calibración · monitoreo.

Error frecuente

Suponer que AUC necesariamente cambia cuando cambia la prevalencia.

Probabilidad predicha Fundamentos

＋

Definición desarrollada

Estimación p̂=P(Y=1|X) producida por el modelo. En regresión logística se obtiene aplicando la sigmoide al score lineal.

Fórmula / relación clave

p̂ = σ(Xβ)

Intuición

Es una cantidad continua entre 0 y 1; contiene más información que una clase binaria.

Ejemplo

p̂=0,72 significa que el modelo asigna 72% de probabilidad al evento bajo su especificación y datos.

Conexiones

Sigmoide · calibración · threshold.

Error frecuente

Interpretarla como probabilidad “verdadera” sin validar calibración y estabilidad.

PR-AUC / Average Precision ROC / PR

＋

Definición desarrollada

Resumen del rendimiento sobre la curva precision–recall. Es especialmente útil para comparar modelos en tareas con positivos raros, aunque su escala depende de la prevalencia.

Fórmula / relación clave

Área o promedio ponderado de precision a medida que cambia recall

Intuición

Premia que el modelo mantenga alta precision mientras recupera una gran fracción de positivos.

Ejemplo

Una PR-AUC de 0,40 puede ser excelente si la prevalencia base es 0,01.

Conexiones

PR curve · precision · recall · prevalencia.

Error frecuente

Interpretarla con los mismos puntos de referencia absolutos que ROC-AUC.

Recall / Sensitivity / TPR Métricas

＋

Definición desarrollada

Proporción de positivos reales que el modelo identifica correctamente. Se denomina también sensibilidad o true positive rate.

Fórmula / relación clave

Recall = TP/(TP+FN)

Intuición

Pregunta: “de todos los positivos reales, ¿cuántos detecté?”.

Ejemplo

TP=90 y FN=10 → recall=0,90.

Conexiones

F1 · ROC · FN · threshold.

Error frecuente

Maximizar recall sin considerar el aumento de FP y los costos asociados.

Regularización Entrenamiento

＋

Definición desarrollada

Modificación de la función objetivo que penaliza la complejidad del modelo, típicamente el tamaño de sus coeficientes. Busca reducir varianza y mejorar generalización.

Fórmula / relación clave

Loss_total = LogLoss + λ·Penalty(β)

Intuición

Acepta algo más de sesgo en train para evitar coeficientes excesivos o inestables.

Ejemplo

Con muchos predictores correlacionados, L2 puede estabilizar los coeficientes.

Conexiones

L1 · L2 · overfitting · cross-validation.

Error frecuente

Pensar que mayor λ siempre mejora el modelo. Puede causar underfitting.

Regularización L1 (Lasso) Entrenamiento

＋

Definición desarrollada

Penalización basada en la suma de valores absolutos de los coeficientes. Favorece soluciones dispersas y puede llevar coeficientes exactamente a cero.

Fórmula / relación clave

Penalty_L1 = λ Σ|β_j|

Intuición

Puede actuar como mecanismo de selección de variables.

Ejemplo

Variables de ruido pueden quedar con β=0 cuando λ aumenta.

Conexiones

Regularización · sparsity · selección de variables.

Error frecuente

Suponer que el conjunto de variables seleccionadas será estable ante predictores muy correlacionados.

Regularización L2 (Ridge) Entrenamiento

＋

Definición desarrollada

Penalización basada en la suma de cuadrados de los coeficientes. Contrae coeficientes grandes suavemente y suele mejorar estabilidad bajo multicolinealidad.

Fórmula / relación clave

Penalty_L2 = λ Σβ_j²

Intuición

Distribuye el peso entre predictores correlacionados en lugar de forzar muchos a cero.

Ejemplo

Dos variables similares pueden conservar coeficientes moderados en vez de que una desaparezca.

Conexiones

Regularización · multicolinealidad · overfitting.

Error frecuente

Interpretar coeficientes regularizados con los mismos procedimientos inferenciales estándar sin considerar el método de estimación.

ROC Curve ROC / PR

＋

Definición desarrollada

Curva que muestra TPR frente a FPR a medida que se recorre todo el rango de thresholds. Describe el trade-off entre detectar positivos y generar falsas alarmas.

Fórmula / relación clave

X=FPR; Y=TPR

Intuición

Cada punto de la ROC corresponde a una política de threshold distinta.

Ejemplo

Bajar c suele mover el punto hacia arriba y hacia la derecha: más TP pero también más FP.

Conexiones

AUC · threshold · TPR · FPR.

Error frecuente

Elegir un threshold solo mirando ROC sin incorporar costos, prevalencia o restricciones operativas.

Score lineal / Linear predictor Fundamentos

＋

Definición desarrollada

Combinación lineal de intercepto y predictores antes de aplicar la sigmoide. Puede tomar cualquier valor real y coincide con el logit de la probabilidad en regresión logística.

Fórmula / relación clave

z=β₀+β₁x₁+…+β_kx_k

Intuición

Es la escala natural en la que los coeficientes se suman.

Ejemplo

z=2 implica p≈0,881; z=−2 implica p≈0,119.

Conexiones

Logit · sigmoide · frontera de decisión.

Error frecuente

Tratar z como probabilidad. No está restringido a [0,1].

Separación completa / cuasi-completa Entrenamiento

＋

Definición desarrollada

Problema que aparece cuando una combinación de predictores separa perfectamente o casi perfectamente las clases. En máxima verosimilitud no penalizada algunos coeficientes pueden crecer sin límite.

Fórmula / relación clave

Existe un hiperplano que clasifica perfectamente Y

Intuición

El optimizador puede intentar hacer probabilidades cada vez más cercanas a 0 y 1 aumentando |β|.

Ejemplo

Una variable que vale siempre >0 para positivos y <0 para negativos.

Conexiones

Regularización · convergencia · inferencia.

Error frecuente

Interpretar coeficientes enormes como evidencia sustantiva sin revisar separación.

Sigmoide / Función logística Fundamentos

＋

Definición desarrollada

Función que transforma cualquier score real z en una probabilidad entre 0 y 1. Es monotónica y tiene máxima pendiente alrededor de p=0,5.

Fórmula / relación clave

σ(z)=1/(1+e^(−z))

Intuición

Convierte una escala sin límites en una escala probabilística.

Ejemplo

z=0 → p=0,5; z=2 → p≈0,881; z=−2 → p≈0,119.

Conexiones

Score lineal · logit · efecto marginal.

Error frecuente

Pensar que la sigmoide vuelve lineal la relación entre X y p.

Significancia estadística vs relevancia práctica Inferencia

＋

Definición desarrollada

La significancia estadística evalúa evidencia contra una hipótesis nula; la relevancia práctica evalúa si la magnitud del efecto importa en el problema real. Son dimensiones distintas.

Fórmula / relación clave

Puede haber p<0,05 con OR≈1,01 en muestras grandes

Intuición

Un efecto muy preciso puede ser demasiado pequeño para cambiar decisiones.

Ejemplo

Un predictor reduce el riesgo de 20,00% a 19,85%: estadísticamente detectable, pero quizá irrelevante para la política.

Conexiones

p-value · intervalo de confianza · odds ratio.

Error frecuente

Usar p<0,05 como criterio automático de importancia.

Softmax Multiclase

＋

Definición desarrollada

Función que transforma un conjunto de scores reales en una distribución de probabilidades que suma 1. Es la extensión natural de la normalización logística para clasificación multiclase.

Fórmula / relación clave

p_j = exp(z_j)/Σ_m exp(z_m)

Intuición

Cada clase compite por una fracción del total de probabilidad.

Ejemplo

Scores 2,1,0 producen aproximadamente 0,665; 0,245; 0,090.

Conexiones

Multinomial logistic regression · temperatura · entropía.

Error frecuente

Calcular exp(z) directamente con scores muy grandes sin estabilización numérica; se usa z−max(z).

Specificity (especificidad) Métricas

＋

Definición desarrollada

Proporción de negativos reales correctamente identificados como negativos. Mide la capacidad de evitar falsas alarmas dentro de la clase negativa.

Fórmula / relación clave

Specificity = TN/(TN+FP) = 1−FPR

Intuición

Pregunta: “de todos los negativos reales, ¿cuántos reconocí correctamente?”.

Ejemplo

TN=950 y FP=50 → specificity=0,95.

Conexiones

FPR · ROC · threshold.

Error frecuente

Confundir specificity con precision negativa o con accuracy.

Standard Error (SE) Inferencia

＋

Definición desarrollada

Estimación de la incertidumbre muestral de un coeficiente. Resume cuánto variaría β̂ si repitiéramos el procedimiento de muestreo bajo condiciones similares.

Fórmula / relación clave

Wald z = β̂/SE(β̂)

Intuición

Un coeficiente grande con SE aún mayor puede ser estadísticamente impreciso.

Ejemplo

β̂=0,50 y SE=0,10 implica mucha más precisión que β̂=0,50 y SE=0,60.

Conexiones

Wald · intervalo de confianza · p-value.

Error frecuente

Confundir SE del coeficiente con desviación estándar del predictor.

Stratified split Validación

＋

Definición desarrollada

Partición de datos que intenta preservar la proporción de clases en train, validation y test. Es especialmente útil con clases poco frecuentes.

Fórmula / relación clave

P(Y=1) aproximadamente constante entre particiones

Intuición

Evita que un split aleatorio deje muy pocos positivos en alguna partición.

Ejemplo

Con prevalencia 2%, un split estratificado mantiene aproximadamente ese 2% en cada conjunto.

Conexiones

Desbalance · train/test · K-fold.

Error frecuente

Creer que estratificar elimina todos los problemas de distribución o dependencia temporal.

Temperatura Calibración

＋

Definición desarrollada

Parámetro que divide los logits antes de aplicar sigmoide o softmax. Controla cuán extremas o suaves son las probabilidades sin necesariamente cambiar el ranking.

Fórmula / relación clave

softmax(z/T) o σ(z/T)

Intuición

T<1 aumenta confianza; T>1 comprime probabilidades hacia una distribución más uniforme.

Ejemplo

En softmax, la clase ganadora puede seguir siendo la misma mientras su probabilidad pasa de 0,90 a 0,60.

Conexiones

Softmax · calibración · overconfidence.

Error frecuente

Usarla para corregir ranking deficiente. Temperatura recalibra escala; no crea discriminación.

Término cuadrático Especificación

＋

Definición desarrollada

Transformación X² incorporada como predictor adicional para permitir curvatura en la relación entre X y el logit.

Fórmula / relación clave

z=β₀+β₁X+β₂X²

Intuición

El efecto de X cambia con el nivel de X.

Ejemplo

El riesgo puede ser alto en valores muy bajos y muy altos, y menor en la zona media.

Conexiones

No linealidad · efecto marginal · especificación.

Error frecuente

Interpretar β₁ aisladamente sin considerar β₂.

Threshold / Umbral de decisión Decisión

＋

Definición desarrollada

Valor c utilizado para convertir una probabilidad en una clase. Si p̂≥c se predice 1; en caso contrario, 0. Es una decisión operativa separada del entrenamiento del modelo.

Fórmula / relación clave

ŷ = I(p̂ ≥ c)

Intuición

Cambiar c modifica el balance entre FP y FN sin modificar β.

Ejemplo

Bajar c de 0,50 a 0,30 suele aumentar recall y disminuir specificity.

Conexiones

Matriz de confusión · ROC · costos.

Error frecuente

Adoptar c=0,5 por costumbre sin justificarlo.

True Negative (TN) Métricas

＋

Definición desarrollada

Caso realmente negativo clasificado correctamente como negativo.

Fórmula / relación clave

Real=0, Predicho=0

Intuición

Es un acierto sobre la clase negativa.

Ejemplo

Cliente buen pagador aprobado como bajo riesgo.

Conexiones

Specificity · accuracy · matriz de confusión.

Error frecuente

Olvidar que “negativo” y “positivo” son convenciones del problema y deben definirse.

True Positive (TP) Métricas

＋

Definición desarrollada

Caso realmente positivo clasificado correctamente como positivo.

Fórmula / relación clave

Real=1, Predicho=1

Intuición

Es un evento detectado correctamente.

Ejemplo

Fraude real marcado como fraude.

Conexiones

Recall · precision · matriz de confusión.

Error frecuente

Suponer que TP siempre representa algo “bueno”; depende de qué evento se haya codificado como 1.

Train / Validation / Test Validación

＋

Definición desarrollada

Separación conceptual de datos para tres funciones diferentes: train ajusta parámetros; validation ayuda a elegir hiperparámetros o especificaciones; test estima el desempeño final sobre datos no utilizados en decisiones de modelado.

Fórmula / relación clave

Train → aprender · Validation → elegir · Test → evaluar

Intuición

Cuantas más decisiones se toman mirando un conjunto, menos independiente queda ese conjunto.

Ejemplo

80% development con 5-fold CV y 20% test final reservado.

Conexiones

Cross-validation · leakage · tuning.

Error frecuente

Reutilizar repetidamente el test hasta elegir el mejor modelo y luego llamarlo “test final”.

Tuning / selección de hiperparámetros Validación

＋

Definición desarrollada

Proceso de elegir configuraciones que no se estiman directamente como coeficientes del modelo, por ejemplo λ de regularización, transformaciones o thresholds operativos.

Fórmula / relación clave

Elegir configuración usando validation/CV, no test

Intuición

También es una forma de aprendizaje y por eso necesita datos separados de la evaluación final.

Ejemplo

Seleccionar λ que minimiza log-loss promedio de cross-validation.

Conexiones

K-fold · regularización · leakage.

Error frecuente

Elegir hiperparámetros usando el test y luego reportar esa misma métrica como evaluación imparcial.

Underconfidence Calibración

＋

Definición desarrollada

Situación en la que el modelo produce probabilidades demasiado cercanas al centro, generalmente 0,5, en comparación con las frecuencias observadas. El modelo es menos contundente de lo que la evidencia justificaría.

Fórmula / relación clave

Puede asociarse a calibration slope > 1 en ciertas parametrizaciones

Intuición

El modelo “habla con demasiada cautela”.

Ejemplo

Casos con p̂≈0,65 presentan el evento cerca de 0,85.

Conexiones

Temperatura · calibración · softmax.

Error frecuente

Asumir que probabilidades moderadas siempre significan buena calibración.

Underfitting Entrenamiento

＋

Definición desarrollada

Situación en la que el modelo es demasiado simple o está excesivamente regularizado y no captura patrones relevantes ni siquiera en entrenamiento.

Fórmula / relación clave

Train y test con pérdidas altas y similares

Intuición

El modelo tiene demasiado sesgo.

Ejemplo

λ muy alto contrae incluso coeficientes de variables verdaderamente informativas.

Conexiones

Regularización · bias-variance · overfitting.

Error frecuente

Confundir underfitting con una mala partición de test aislada.

Wald test Inferencia

＋

Definición desarrollada

Contraste frecuente para evaluar hipótesis sobre un coeficiente utilizando la estimación y su error estándar. Bajo condiciones regulares, el estadístico se aproxima a una normal estándar.

Fórmula / relación clave

z = (β̂−β₀)/SE(β̂)

Intuición

Compara cuánto se aleja el coeficiente estimado de la hipótesis nula en unidades de incertidumbre.

Ejemplo

β̂=0,60, SE=0,15 → z=4,0.

Conexiones

p-value · intervalo de confianza · SE.

Error frecuente

Confiar ciegamente en Wald con separación, muestras pequeñas o estimaciones inestables.

Intervalo de confianza Inferencia

＋

Definición desarrollada

Rango construido mediante un procedimiento que, bajo supuestos y repetición muestral, cubriría el verdadero parámetro con una frecuencia determinada, típicamente 95%. Para odds ratios suele exponenciarse el intervalo del coeficiente.

Fórmula / relación clave

IC aproximado β: β̂ ± 1,96·SE; IC_OR = exp(IC_β)

Intuición

Informa magnitud compatible con los datos y precisión, no solo un sí/no de significancia.

Ejemplo

β̂=0,40, SE=0,10 → IC95%≈[0,204;0,596].

Conexiones

SE · Wald · odds ratio.

Error frecuente

Decir que “hay 95% de probabilidad de que el parámetro fijo esté dentro” bajo la interpretación frecuentista clásica.

Class imbalance (desbalance de clases) Métricas

＋

Definición desarrollada

Situación en la que una clase es mucho más frecuente que la otra. Cambia la utilidad de ciertas métricas y puede exigir estrategias de evaluación, muestreo o ponderación.

Fórmula / relación clave

Ej.: prevalencia positiva = 1%

Intuición

Un clasificador trivial puede lograr alta accuracy simplemente prediciendo la clase mayoritaria.

Ejemplo

990 negativos y 10 positivos: siempre predecir 0 produce 99% accuracy y 0% recall.

Conexiones

PR curve · class weights · prevalence.

Error frecuente

Corregirlo automáticamente con oversampling sin evaluar cómo afecta calibración y validación.

Class weights Entrenamiento

＋

Definición desarrollada

Ponderaciones diferentes asignadas a las clases dentro de la función de pérdida. Permiten que errores sobre una clase influyan más en el entrenamiento.

Fórmula / relación clave

Weighted loss = Σ w_{y_i}·loss_i

Intuición

Hace que el optimizador “preste más atención” a una clase.

Ejemplo

Asignar mayor peso a positivos raros puede mejorar recall.

Conexiones

Desbalance · costos · threshold.

Error frecuente

Confundir class weights con una estimación correcta de costos o con calibración.

Cost matrix (matriz de costos) Decisión

＋

Definición desarrollada

Representación de los costos o utilidades asociados a TP, TN, FP y FN. Permite pasar de métricas puramente estadísticas a decisiones económicas u operativas.

Fórmula / relación clave

Costo total = C_TP·TP + C_TN·TN + C_FP·FP + C_FN·FN

Intuición

Dos modelos con la misma accuracy pueden tener costos muy distintos.

Ejemplo

En crédito, un FN puede costar mucho más que un FP si aprobar un default es muy caro.

Conexiones

Threshold · expected loss · policy.

Error frecuente

Usar costos arbitrarios sin validar su significado económico real.

Expected loss / costo esperado Decisión

＋

Definición desarrollada

Costo promedio esperado de una acción, ponderando resultados posibles por sus probabilidades. Es una forma de convertir una predicción probabilística en una decisión racional bajo costos conocidos.

Fórmula / relación clave

EL(a)=Σ_y P(y|x)·C(a,y)

Intuición

No alcanza con saber qué clase es más probable; importa qué cuesta equivocarse.

Ejemplo

Puede ser óptimo rechazar con p(default)=0,20 si el costo de un default es extremadamente alto.

Conexiones

Cost matrix · threshold · decision policy.

Error frecuente

Optimizar costo esperado ignorando restricciones legales, fairness o capacidad operativa.

Decision policy Decisión

＋

Definición desarrollada

Conjunto de reglas que transforman predicciones en acciones. Puede incluir thresholds, zonas de revisión, límites regulatorios, costos, capacidad operativa y excepciones humanas.

Fórmula / relación clave

Modelo → p̂; Política → acción

Intuición

El modelo estima; la organización decide.

Ejemplo

p<0,15 aprobar; 0,15≤p<0,30 revisar; p≥0,30 rechazo.

Conexiones

Threshold · costos · gobernanza.

Error frecuente

Atribuir al modelo decisiones que en realidad pertenecen a una política de negocio.

Calibration intercept Calibración

＋

Definición desarrollada

Parámetro de recalibración que detecta desplazamiento sistemático del riesgo promedio. Un intercepto distinto de cero sugiere subestimación o sobreestimación global.

Fórmula / relación clave

logit(Y) ≈ α + 1·logit(p̂)

Intuición

Corrige que todas las probabilidades estén desplazadas hacia arriba o abajo.

Ejemplo

Si el evento se vuelve más frecuente, puede ser necesario aumentar el intercepto manteniendo el ranking.

Conexiones

Prior drift · calibración · recalibración.

Error frecuente

Usarlo como solución completa cuando también cambió la pendiente o la discriminación.

Calibration slope Calibración

＋

Definición desarrollada

Pendiente obtenida al relacionar resultados observados con el logit de las predicciones. Evalúa si las probabilidades son demasiado extremas o demasiado comprimidas.

Fórmula / relación clave

logit(Y) ≈ α + γ·logit(p̂)

Intuición

γ≈1 es ideal; γ<1 suele sugerir predicciones demasiado extremas.

Ejemplo

Un modelo sobreajustado puede mostrar slope 0,7 al validarse externamente.

Conexiones

Overconfidence · recalibración · Brier.

Error frecuente

Interpretar slope sin revisar también el intercepto y la discriminación.

Model monitoring Monitoreo

＋

Definición desarrollada

Proceso continuo de seguimiento de un modelo una vez desplegado. Debe abarcar inputs, scores, prevalencia, métricas de performance, calibración, decisiones y estabilidad operacional.

Fórmula / relación clave

No existe una única métrica: requiere un conjunto de indicadores

Intuición

Validar una vez no garantiza que el modelo siga siendo válido meses después.

Ejemplo

Panel mensual con PSI, AUC, Brier, ECE, event rate y tasa de decisiones.

Conexiones

Data drift · performance drift · concept drift.

Error frecuente

Monitorear solo accuracy o solo PSI.

External validation Validación

＋

Definición desarrollada

Evaluación del modelo en una población, institución, periodo o entorno distinto del usado para desarrollo. Mide transportabilidad y robustez más allá de la muestra original.

Fórmula / relación clave

Desarrollo en población A → evaluación en población B

Intuición

Pregunta si el modelo funciona cuando cambia el contexto.

Ejemplo

Modelo entrenado con clientes de 2024 y validado en otra región o entidad.

Conexiones

Temporal validation · drift · calibración.

Error frecuente

Llamar “externa” a una partición aleatoria del mismo dataset.

Temporal validation Validación

＋

Definición desarrollada

Validación que respeta el orden temporal: el modelo se entrena con datos del pasado y se evalúa en un periodo posterior. Es crucial cuando se espera evolución de población o comportamiento.

Fórmula / relación clave

Train: t≤T · Test: t>T

Intuición

Simula mejor el uso real futuro que un split aleatorio cuando existe dependencia temporal.

Ejemplo

Entrenar con 2023–2025 y evaluar en 2026.

Conexiones

Drift · model monitoring · leakage.

Error frecuente

Mezclar observaciones futuras en train mediante una partición aleatoria.

Score drift Monitoreo

＋

Definición desarrollada

Cambio en la distribución de scores o probabilidades predichas a lo largo del tiempo. Puede surgir por cambios en X aun si los coeficientes permanecen congelados.

Fórmula / relación clave

Distribución p̂_t comparada con p̂_0

Intuición

El modelo empieza a asignar riesgos distintos a la población actual.

Ejemplo

La media de p̂ pasa de 0,18 a 0,31 y aumenta PSI del score.

Conexiones

Data drift · PSI · prior drift.

Error frecuente

Concluir que existe concept drift solo porque cambió la distribución del score.

Recalibración Calibración

＋

Definición desarrollada

Ajuste posterior de las probabilidades de un modelo sin necesariamente reestimar todos sus coeficientes predictivos. Puede corregir intercepto, pendiente o aplicar técnicas como temperature scaling.

Fórmula / relación clave

logit(p_cal)=α+γ·logit(p_original)

Intuición

Conserva parte o todo el ranking, pero corrige el significado probabilístico.

Ejemplo

Un modelo mantiene AUC 0,84 pero sobreestima riesgo; recalibrar puede reducir Brier y ECE.

Conexiones

Calibration slope · intercept · temperatura.

Error frecuente

Recalibrar cuando el verdadero problema es concept drift severo y pérdida de discriminación.

No se encontraron conceptos con ese filtro.