5 · 2026
Predicción de cancelaciones hoteleras
Clasificador de cancelaciones sobre 119.390 reservas, con un benchmark de 15 algoritmos, detección de fugas de información y un LightGBM optimizado con Optuna que llega a F1 0,85 y ROC-AUC 0,96.
- 0,847
- F1 antes de asignar habitación
- 0,956
- ROC-AUC del mismo modelo
- 15
- algoritmos comparados
- 119.390
- reservas en el dataset
Origen
- 119.390 reservasis_canceled como objetivo
Limpieza
- Fugas eliminadasreservation_status y su fecha, entre otras
Feature sets
- Pre-asignaciónsin room_changed
- Post-asignacióncon room_changed
- Benchmark15 algoritmos sobre una muestra
- Finalistasreentrenados con todo el dataset
- OptunaLightGBM, 24 h en Docker
- API FastAPIun modelo por escenario
Problema
Predecir si una reserva hotelera se va a cancelar (is_canceled), con un sistema reproducible que entrene, evalúe y
compare modelos de clasificación binaria.
Enfoque
Mi parte fue el análisis exploratorio, la limpieza inicial, la ingeniería de características y los primeros experimentos con regresión logística, árbol de decisión y random forest. Alejandro revisó el dataset en busca de fugas, amplió el abanico de modelos, construyó la API en FastAPI y propuso los dos escenarios de inferencia.
- Fugas de información. Usar
reservation_status_datedaba una precisión cercana al 99,95 %. Esa variable existe solo después de la cancelación, así que se eliminó junto conreservation_statusy otras columnas administrativas. - Dos escenarios según el momento de la predicción. Antes de asignar habitación, el modelo no puede usar
room_changed. Después, sí, y gana algo de precisión. - Benchmark de 15 algoritmos sobre una muestra (de Naive Bayes y KNN a CatBoost y una red en Keras), los finalistas reentrenados con el dataset completo y un estudio de Optuna de 24 h en Docker para LightGBM.
- Un pipeline por CLI con feature sets intercambiables y modelos servidos por FastAPI.
Resultados
| Escenario | Accuracy | Precision | Recall | F1 | ROC-AUC |
|---|---|---|---|---|---|
| Antes de asignar habitación | 0,8849 | 0,8353 | 0,8596 | 0,8473 | 0,9559 |
| Después de asignar habitación | 0,8888 | 0,8418 | 0,8625 | 0,8521 | 0,9586 |
En el benchmark inicial, LightGBM quedó primero (F1 0,803) por delante de Random Forest, CatBoost y XGBoost. La red neuronal en Keras quedó en la zona media (F1 0,722).
Qué aprendí
Un 99,95 % no es un éxito: es una alarma. La pregunta que decide qué variables son válidas no es “¿mejora la métrica?”, sino “¿tendré este dato en el momento de predecir?”. Separar los escenarios por ese criterio fue lo que hizo honesto al modelo.