### Contexto de negocio. 
Una entidad financiera tiene unas reglas de negocio bastante estrictas para la entrega de tarjetas de crédito, por lo que en la actualidad está rechazando gran cantidad de clientes, situación que está afectando las metas del área comercial. 

### Problema de negocio
La empresa ha decidido contratarlos para que construya un modelo predictivo que permita estimar la probabilidad de que un cliente pagué o no un crédito.

### Contexto analítico
Se les hace entrega de un archivo con información histórica de los cliente que han sido aprobados y la clasificación de su comportamiento de pago en los 6 meses posterior a la entrega de la tarjeta, marcando como malo si presentó mora mayor a 60 días, y bueno en el caso contrario. Se trata de data estructurada tabular donde cada fila representa un crédito, y cada columna una variable característica del crédito, con una columna particular final que indica si el crédito presentó problemas de pago o no.

Se espera que entrene diferentes familias de modelos predictivos de clasificación (LDA, QDA, SVC con diferentes kernels, Lasso, Ridge), precedidos por diferentes procesos de transformación (normalizaciones, imputación, feature engineering, dummificación, PCA, LDA, selección de features).

La evaluación de la calidad de los flujos de modelos predictivos se debe estimar utilizando la métrica de ROC AUC.

Expliquen sus ideas, el por qué realizan las acciones, y comenten los resultados obtenidos; se espera mucho más que unos bloques de código.
La toma de decisiones sobre los datos se debe hacer considerando el contexto del problema y de los datos, no se puede ver todo solamente desde los ojos de los datos, sino también considerar el negocio.
Un Científico de Datos debe poder comunicar los puntos importantes de su trabajo en un lenguaje universal para todos los públicos.
Todo esto se considerará en la nota.