Caso German Credit: cómo la calidad del dato condiciona la equidad en modelos financieros
Contexto¶
Esta práctica adicional se centra en el análisis de calidad del dato, preprocesamiento responsable y evaluación ética aplicada a un caso realista de riesgo crediticio.
El objetivo es comprender cómo decisiones técnicas —imputación, codificación, escalado y validación— impactan en la equidad del modelo, especialmente en variables sensibles como el género.
Se trabajó con el dataset German Credit, ampliamente utilizado para estudiar escenarios de riesgo, sesgos estructurales y fairness en sistemas financieros.
El foco estuvo puesto en detectar problemas de representatividad, analizar correlaciones, evitar data leakage, evaluar sesgo en las predicciones y reflexionar sobre el impacto social de los modelos.
Objetivos¶
- Identificar problemas de calidad del dato y aplicar imputación reproducible.
- Detectar patrones de desbalance y su impacto en modelos supervisados.
- Prevenir data leakage mediante análisis estructural del dataset.
- Implementar un pipeline reproducible de limpieza, encoding y escalado.
- Evaluar fairness utilizando métricas segmentadas por género.
- Reflexionar sobre implicancias éticas en la toma de decisiones automatizadas.
Desarrollo¶
El desarrollo siguió un enfoque incremental y reproducible en Google Colab.
Primero, se cargó el dataset German Credit y se realizó una inspección inicial para detectar valores faltantes, inconsistencias y desbalance entre clases. Se aplicaron técnicas de imputación adecuadas según el tipo de variable, asegurando coherencia con el dominio financiero.
Luego, se construyó un pipeline que incluyó:
- imputación numérica y categórica,
- codificación OneHot de variables nominales,
- escalado estandarizado,
- validación estratificada para preservar la proporción de clases.
Posteriormente, se entrenó un modelo base para analizar rendimiento y fairness, comparando métricas entre subgrupos sensibles (género). Se generaron visualizaciones específicas para evidenciar la distribución de clases, las correlaciones entre atributos numéricos y el comportamiento de las predicciones del modelo.
Finalmente, se evaluó el impacto ético del sistema, considerando cómo la estructura del dataset y las decisiones de preprocesamiento afectan la transparencia, equidad y confiabilidad del modelo.
Evidencias¶
Distribución de clases en el dataset¶
La distribución evidencia un desbalance moderado, donde la clase good credit domina el dataset.
Esto es relevante porque los modelos tienden a favorecer la clase mayoritaria, aumentando la probabilidad de errores sistemáticos sobre la clase minoritaria (bad credit).
Este tipo de análisis es clave en UT2 porque permite entender el impacto del balance de clases en sesgos posteriores.
Matriz de correlación numérica (tras simulación de missing)¶
La matriz muestra relaciones importantes:
credit_amountydurationpresentan una correlación fuerte y positiva (montos mayores → plazos más largos).- Variables como
ageoexisting_creditsno muestran correlaciones relevantes, lo que sugiere baja multicolinealidad. - La simulación de missing data mantuvo la estructura general, permitiendo evaluar cómo responderían los métodos de imputación.
Este análisis es central para UT2, ya que permite fundamentar decisiones de imputación contextual y evitar interpretaciones sesgadas.
Proporción de “buen crédito” predicho por género¶
El modelo predice una proporción ligeramente mayor de “good credit” para hombres, indicador de un posible sesgo en la clasificación.
Aunque el dataset contiene variables limitadas de género, este resultado demuestra cómo la estructura de los datos puede inducir desigualdad, incluso en modelos simples.
Es un punto clave de la UT2 en relación a fairness y métricas de equidad.
Curva ROC segmentada por género¶
El análisis ROC muestra:
- Un AUC ≈ 0.78 para hombres, lo que indica un rendimiento aceptable del modelo.
- La ausencia de curvas para mujeres revela un problema de representatividad, ya que el dataset ofrece información insuficiente sobre otros grupos.
Esto demuestra una idea crítica de la UT2:
No se puede evaluar fairness si los datos ya están sesgados en origen.
Insights clave¶
- La calidad del dato tiene un impacto directo en la equidad del modelo: problemas de representatividad conducen a predicciones injustas.
- La evaluación de fairness no consiste sólo en medir rendimiento global, sino en analizar subgrupos sensibles.
- El desbalance de clases afecta no solo al rendimiento, sino también a la estabilidad ética del sistema.
- La matriz de correlación permite descartar riesgos de leakage y comprender relaciones relevantes antes del modelado.
- La ingeniería de preprocesamiento (encoding, imputación, escalado) es tan importante como el algoritmo utilizado.
Reflexión¶
Esta práctica permitió comprender que la ética y la calidad del dato están profundamente interconectadas.
Un modelo financiero puede presentar métricas sólidas en general, pero aun así producir desigualdad si los datos no representan de forma equitativa a todos los usuarios.
El caso German Credit ilustra cómo decisiones técnicas aparentemente inocuas —como imputación, encoding o selección de variables— pueden derivar en impactos sociales significativos.
La ausencia de predicciones para un grupo sensible evidencia que la equidad no surge de forma automática: debe ser diseñada, monitoreada y evaluada expresamente.
En síntesis, esta práctica refuerza la visión central de UT2:
la responsabilidad en ciencia de datos implica asegurar calidad, transparencia y justicia en cada etapa del pipeline.
Notebook en Google Colab¶
📓El notebook completo con el desarrollo de esta práctica puede consultarse en el siguiente enlace:
🔗Abrir notebook en Google Colab
Referencias¶
- German Credit Dataset – UCI / OpenML
- Documentation: Fairness in Machine Learning – Google ML Fairness Guide
- Scikit-learn preprocessing & metrics documentation
- Intro to AI Ethics – Kaggle