{
  "fetched_at": "2026-10-20T04:15:12Z",
  "source_url": "https://www.kaggle.com/competitions/competencia/data",
  "pages": [
    {
      "name": "rules",
      "content": "This is a page where you can include rules that participants must accept before joining. You may wish to include rules like:\n\n - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "data-description",
      "content": "<p>Se tiene un conjunto de datos basado en la información recogida por un banco mundial llamado “AREQUIPA BANK”, cuyo objetivo es desarrollar un modelo predictivo para determinar la probabilidad de adquirir un crédito hipotecario en el próximo mes. La variable de destino es la adquisición de crédito hipotecario que representa el estado binario de No Adquisición 0 y Adquisición 1.</p>\n<h2>File descriptions</h2>\n<ul>\n<li><strong>AdquisicionHIP_Train.csv</strong> - La data de entrenamiento</li>\n<li><strong>AdquisicionHIP_Test.csv</strong> - La data de test</li>\n<li><strong>sampleSubmission.csv</strong> - Un ejemplo de la data de puntuar o scorear</li>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "**DESCRIPCIÓN DEL PROBLEMA**\n\nLos modelos analíticos para el análisis de información financiera se están usando por muchas instituciones y están dando resultados exitosos en todo el mundo. Los modelos analíticos se pueden definir como un conjunto de métodos y técnicas cuantitativas usados para predecir la probabilidad de que un cliente tenga más chance o probabilidad de adquirir cierto comportamiento.\n\n**RETO**\n\nIdentifique los clientes que tienen una alta probabilidad de adquirir un crédito hipotecario.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "En Modelos Predictivos, una curva ROC (acrónimo de Receiver Operating Characteristic, o Característica Operativa del Receptor) es una representación gráfica de la sensibilidad frente a la especificidad para un sistema clasificador binario según se varía el umbral de discriminación. Otra interpretación de este gráfico es la representación de la razón o ratio de verdaderos positivos (VPR = Razón de Verdaderos Positivos) frente a la razón o ratio de falsos positivos (FPR = Razón de Falsos Positivos) también según se varía el umbral de discriminación (valor a partir del cual decidimos que un caso es un positivo).\n\nLa elección del mejor clasificador se puede realizar mediante la comparación del área bajo la curva (AUC) de ambas pruebas. Esta área posee un valor comprendido entre 0,5 y 1, donde 1 representa un valor diagnóstico perfecto y 0,5 es una prueba sin capacidad discriminatoria diagnóstica. Es decir, si AUC para una prueba diagnóstica es 0,8 significa que existe un 80% de probabilidad de que el diagnóstico realizado a un enfermo sea más correcto que el de una persona sana escogida al azar. Por esto, siempre se elige la prueba diagnóstica que presente un mayor área bajo la curva.\n\nA modo de guía para interpretar las curvas ROC se han establecido los siguientes intervalos para los valores de AUC:\n\n[0.5]: Es como lanzar una moneda.\n\n[0.5, 0.6): Test malo.\n\n[0.6, 0.75): Test regular.\n\n[0.75, 0.9): Test bueno.\n\n[0.9, 0.97): Test muy bueno.\n\n[0.97, 1): Test excelente.\n\n\nSe espera para la calificación un archivo en formato csv con las columnas ID,TARGET.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}