← Todos los proyectos

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
ArquitecturaPrimero, datos sin fugas y dos escenarios según el momento de la predicción. Después, de 15 algoritmos a un modelo servido.
  1. Origen

    • 119.390 reservasis_canceled como objetivo
  2. Limpieza

    • Fugas eliminadasreservation_status y su fecha, entre otras
  3. 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_date daba una precisión cercana al 99,95 %. Esa variable existe solo después de la cancelación, así que se eliminó junto con reservation_status y 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.