Comparacion de Modelos de IA
Evaluacion comparativa de 5 algoritmos de clasificacion con las mismas variables y datos
Modelo en Produccion: Random Forest (Bosque Aleatorio)
Tras comparar los 5 algoritmos con los mismos datos y variables, el Bosque Aleatorio
obtiene la mayor precision general y el mejor equilibrio entre las tres clases de
vulnerabilidad. Es resistente al sobreajuste, maneja bien variables de distinta escala
sin necesidad de normalizacion, y su tiempo de inferencia es adecuado para produccion.
Mayor accuracy
Robusto frente a ruido
No requiere normalizacion
Interpretable por importancia de variables
Estable con datos desequilibrados
Modelo del sistema
Random Forest
Bosque Aleatorio
100.0%
Precision general
Combina cientos de arboles de decision entrenados con subconjuntos aleatorios del dataset. Cada arbol vota y gana la clase mas votada. Robusto frente a datos ruidosos y con alto rendimiento en tablas de datos estructurados.
Entrenamiento: 0.7s
Sin vulnerabilidad
100.0%
Vuln. extrema
100.0%
Vuln. moderada
100.0%
Decision Tree
Arbol de Decision
99.32%
Precision general
Divide los datos en ramas usando preguntas simples sobre las variables (por ejemplo, ingreso < 185). Facil de interpretar visualmente pero propenso al sobreajuste cuando crece demasiado.
Entrenamiento: 0.009s
Sin vulnerabilidad
100.0%
Vuln. extrema
95.65%
Vuln. moderada
98.82%
K-Nearest Neighbors
Vecinos mas Cercanos
97.96%
Precision general
Clasifica un corregimiento nuevo buscando los K vecinos mas parecidos en el dataset de entrenamiento y asignandole la clase mayoritaria entre ellos. Simple pero lento con datasets grandes.
Entrenamiento: 0.003s
Sin vulnerabilidad
98.4%
Vuln. extrema
100.0%
Vuln. moderada
96.47%
Support Vector Machine
Maquina de Vectores de Soporte
98.64%
Precision general
Encuentra el hiperplano que mejor separa las clases en el espacio de variables. Muy preciso en espacios de alta dimension pero requiere normalizar los datos y es mas lento de entrenar.
Entrenamiento: 0.048s
Sin vulnerabilidad
98.94%
Vuln. extrema
100.0%
Vuln. moderada
97.62%
Logistic Regression
Regresion Logistica
99.32%
Precision general
Modelo estadistico que estima la probabilidad de cada clase usando una funcion sigmoide. Rapido, interpretable y util como linea base, aunque asume relaciones lineales entre variables y clases.
Entrenamiento: 0.031s
Sin vulnerabilidad
100.0%
Vuln. extrema
95.24%
Vuln. moderada
98.85%
Precision por Modelo
Mismo dataset · mismo random_state=42 · mismo 80/20 split
Tabla Comparativa de Metricas
Precision (P), Recall (R), F1-Score por clase
| Modelo | Accuracy | Tiempo | Sin Vuln. F1 | Sin Vuln. P | Sin Vuln. R | V.Extrema F1 | V.Extrema P | V.Extrema R | V.Moderada F1 | V.Moderada P | V.Moderada R |
|---|---|---|---|---|---|---|---|---|---|---|---|
|
Random Forest
Bosque Aleatorio
|
100.0% | 0.7s | 100.0% | 100.0% | 100.0% | 100.0% | 100.0% | 100.0% | 100.0% | 100.0% | 100.0% |
|
Decision Tree
Arbol de Decision
|
99.32% | 0.009s | 100.0% | 100.0% | 100.0% | 95.65% | 91.67% | 100.0% | 98.82% | 100.0% | 97.67% |
|
Logistic Regression
Regresion Logistica
|
99.32% | 0.031s | 100.0% | 100.0% | 100.0% | 95.24% | 100.0% | 90.91% | 98.85% | 97.73% | 100.0% |
|
Support Vector Machine
Maquina de Vectores de Soporte
|
98.64% | 0.048s | 98.94% | 97.89% | 100.0% | 100.0% | 100.0% | 100.0% | 97.62% | 100.0% | 95.35% |
|
K-Nearest Neighbors
Vecinos mas Cercanos
|
97.96% | 0.003s | 98.4% | 97.87% | 98.92% | 100.0% | 100.0% | 100.0% | 96.47% | 97.62% | 95.35% |
Matrices de Confusion
Filas: clase real · Columnas: clase predicha
Random Forest
Decision Tree
K-Nearest Neighbors
Support Vector Machine
Logistic Regression
