Riesgo-crediticio

El dataset limpio de Kaggle te miente. Cómo se hace ML de riesgo crediticio donde las decisiones cuestan dinero: definir el target es una decisión de negocio, las tres ventanas (observación, desempeño, exclusión), y por qué el desbalance no se arregla con SMOTE sino con el costo del error.

El camino real de un scoring de crédito: del dato sucio al modelo evaluado como lo evaluaría un área de riesgo. Por qué el split temporal lo es todo, por qué accuracy miente en crédito, y por qué sin SHAP no lo puedes desplegar en banca regulada.