El modelo, en números
Cómo leer el resultado
Es una probabilidad aprendida de un solo año (2023) y de las cinco materias no penales (civil, familia, niñez, trabajo y coactivo). Acierta en — de cada 100 procesos de prueba: sirve para ordenar qué procesos mirar primero, no para juzgar a un juzgado concreto. No sabe nada que no esté en estas variables: cambios de personal, reformas o paros.
verificando… Autoverificación contra Python
Al abrir la página, el navegador recalcula 20 procesos de la prueba y compara su probabilidad con la que dio scikit-learn en el notebook 22. Si los árboles se hubieran copiado mal, aparecería «distinto».
| Proceso | Territorio | Python | Navegador | Realidad |
|---|
Cómo funciona
- Se entrenó con datos reales. 992 tipos de proceso del Anuario 2023 (el 80 %), de los que se sabía si acumularon mora. Los otros 248 se guardaron para la prueba.
- Se construyeron variables nuevas. Las más útiles no están en el Anuario: los ingresos por juzgado, la presión del stock (stock heredado ÷ ingresos) y el stock por juzgado.
- 200 árboles en fila. Es un Gradient Boosting: cada árbol hace preguntas del tipo «¿ingresos por juzgado ≤ 12?» y corrige el error de los anteriores. Sus respuestas se suman y se convierten en una probabilidad.
- Todo corre en tu navegador. Los árboles están en un archivo JSON; esta página los recorre en JavaScript. El servidor (nginx en Docker) solo entrega archivos: no recibe ni guarda tus datos.