Hoy trabajarán individualmente para limpiar un dataset con errores, inconsistencias y valores faltantes. 
El objetivo es aplicar lo aprendido sobre preprocesamiento y limpieza de datos.

El modelo de clasificación ya está definido y no podrá ser modificado. La calidad de sus resultados dependerá exclusivamente de qué tan bien limpien y preparen los datos para el modelo.

Al final del día, cada grupo subirá sus predicciones, y la puntuación del leaderboard será parte de la calificación.

- **credit_score_train.csv**: Aislar las variables predicadoras `X_train`, de la variable objetivo `y_train`.  Se puede eliminar las filas y columnas que deseen. Usaremos estos dos conjuntos de datos para ajustar el modelo con `model.fit(X_train, y_train)`.

- **credit_score_test.csv**: Esta será la base de datos `X_test`, que conservará el numero de filas inicial (20000).  Si eliminamos o aumentamos columnas en la base de datos `X_train`, debemos aplicar las mismas transformadas en `X_test`, para que el número de variables independientes sea consistente. Esta base de datos puede contener inconsistencias, valores nulos, o atípicos; aplicar el mismo tratamiento que `X_train`.

- **sample_submission.csv**: Esta base de datos es el ejemplo de formato de subida de las predicciones. Debe contener dos columnas. La primera "Id" con el índice de las predicciones (si se descargan el formato de Kaggle, no debemos editar sus valores). La segunda columna "Credit_Score" se debe llenar con los resultados del `model.predict(X_test)`.