Proyecto Regresión Lineal - Predicción de Costos de Seguros Médicos

[sahidleal]

Descripción

Proyecto completo de Regresión Lineal para predecir el coste de seguros médicos basado en datos fisiológicos de clientes de 4Geeks Insurance S.L.

📊 Análisis y Procesamiento de Datos

Paso 1: Carga y Exploración

• ✅ Dataset de 1,338 registros con 7 variables
• ✅ Análisis de distribuciones univariantes y multivariantes
• ✅ Validación de integridad de datos (sin nulos, sin duplicados exactos)

Paso 2: Limpieza y Preparación

• ✅ Eliminación de duplicados exactos
• ✅ Análisis de correlaciones entre variables
• ✅ Factorización de variables categóricas (sex, smoker, region)

Paso 3: Ingeniería de Características

• ✅ Conservación de outliers (decisión fundamentada para seguros)
• ✅ Escalado Min-Max (0-1)
• ✅ Normalización StandardScaler (media=0, std=1)

Paso 4: Preparación para ML

• ✅ Split train/test: 80/20
• ✅ Guardado de datasets en Excel
• ✅ Exportación de escaladores (pickle)

🤖 Modelo de Machine Learning

Modelo: Regresión Lineal

Métricas de Entrenamiento:

• MAE: 4,070.41
• RMSE: 6,100.26
• R²: 0.87

Métricas de Test:

• MAE: 4,045.25
• RMSE: 5,992.26
• R²: 0.73

Conclusiones

✅ Excelente capacidad de generalización
✅ Rendimiento estable (sin overfitting)
✅ El modelo explica el 73% de la variabilidad del coste
✅ Conservar outliers garantiza predicciones realistas para casos de alto riesgo

📁 Archivos Generados

Datasets Procesados

• X_train_CON_outliers.xlsx - Features de entrenamiento
• X_test_CON_outliers.xlsx - Features de test
• X_train_CON_outliers_norm.xlsx - Datos normalizados
• X_train_CON_outliers_scal.xlsx - Datos escalados
• y_train.xlsx - Target de entrenamiento
• y_test.xlsx - Target de test

Modelos y Reglas

• norm_CON_outliers.pkl - Escalador StandardScaler
• scaler_CON_outliers.pkl - Escalador MinMaxScaler
• sex_transformation_rules.json - Mapeo de géneros
• smoker_transformation_rules.json - Mapeo de fumadores
• region_transformation_rules.json - Mapeo de regiones

📓 Notebook

• src/explore.ipynb - Análisis completo paso a paso

---

Proyecto desarrollado con Python, pandas, scikit-learn, matplotlib y seaborn