{
  "fetched_at": "2026-10-19T22:52:03Z",
  "source_url": "https://www.kaggle.com/competitions/competencia-ciencia-de-datos-2025-ii/data",
  "pages": [
    {
      "name": "rules",
      "content": "La competencia no acepta más predicciones después de las 4:00pm",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "## Métrica de evaluación: Precision\n\nLa competencia utiliza **Precision** como métrica principal. Precision mide la proporción de predicciones positivas que realmente son positivas, es decir:\n\n$$\n\\text{Precision} = \\frac{TP}{TP + FP}\n$$\n\ndonde **TP** son aprobaciones correctamente predichas y **FP** son solicitudes que el modelo aprobó incorrectamente.\n\n### ¿Por qué Precision?\n\nEn un escenario de riesgo crediticio, **el error más costoso es aprobar solicitudes que deberían ser rechazadas** (falsos positivos). Precision penaliza directamente este tipo de error, asegurando que cuando el modelo predice que un crédito debe aprobarse, esa predicción sea confiable.\n\nPor esta razón, Precision es la métrica adecuada para evaluar la calidad de las aprobaciones en esta competencia.\n\n## Archivo de predicciones\n\nPara subir sus predicciones a esta competencia, el archivo deberá tener el siguiente formato:\n\n    id,loan_status\n    1,0\n    3,1\n    4,0\n    etc.\n\nDebe ser un archivo csv\nDebe tener 2 columnas llamadas: id,loan_status",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "data-description",
      "content": "person_age: Edad del solicitante.\n\nperson_income: Ingresos anuales del solicitante.\n\nperson_home_ownership: Indica si el solicitante es propietario de una vivienda o no.\n\nperson_emp_length: Años que el solicitante ha estado trabajando.\n\nloan_intent: Razón por la cual el solicitante necesita el préstamo.\n\nloan_grade: Puntuación que muestra la fiabilidad del solicitante en la devolución de préstamos.\n\nloan_amnt: Monto que el solicitante desea pedir prestado.\n\nloan_int_rate: Tasa de interés aplicada al préstamo.\n\nloan_percent_income: Porcentaje de los ingresos del solicitante que se destinará a los pagos del préstamo.\n\ncb_person_default_on_file: Indica si el solicitante alguna vez ha incumplido con el pago de un préstamo.\n\ncb_person_cred_hist_length: Duración del historial crediticio del solicitante.\n\nloan_status: Indica si el préstamo ha sido aprobado o rechazado.\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": "## Descripción de la competencia\n\nEn esta competencia, tu misión será ayudar a Banco Futuro Seguro, una entidad financiera en pleno crecimiento, a optimizar su proceso de evaluación de solicitudes de crédito. Debido al aumento en la demanda de préstamos, el banco necesita mejorar la precisión con la que predice el riesgo asociado a cada solicitante.\n\nHasta ahora, Banco Futuro Seguro ha utilizado métodos tradicionales para decidir si una solicitud de crédito debe ser aprobada o rechazada. Sin embargo, el incremento del volumen de datos y la diversidad de perfiles ha hecho evidente la necesidad de aplicar técnicas de aprendizaje automático que permitan realizar predicciones más fiables.\n\n### Variable objetivo\n\nLa variable objetivo del problema es `loan_status`, que indica si una solicitud de crédito debe ser aprobada (1) o rechazada (0).\nTu modelo deberá predecir este valor para nuevas solicitudes en función de la información disponible sobre los solicitantes.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}