Villarraga Poveda, Luis FernandoMelo Fúquene, José DaniloBautista Rios, Adrián2024-05-032024-05-032023-04-24http://hdl.handle.net/11349/34688El presente documento describe el modelo de machine learning elaborado como proyecto de pasantía en el Banco Caja Social (B.C.S). El objetivo del modelo fue identificar a clientes en mora que, habiendo aceptado una oferta de pago, efectivamente cumplieron con sus compromisos de pago. Para ello, se utilizó el algoritmo XGBoost, cuyo funcionamiento se estudió y se explica en este trabajo desde su parte intuitiva hasta su formalización matemática. Además, se presenta la implementación del modelo en el lenguaje de programación Python. Este trabajo presenta los resultados obtenidos y la aplicabilidad del algoritmo para casos de uso en el sector financiero.This document describes the machine learning model developed as an internship project at Banco Caja Social (B.C.S). The aim of the model was to identify clients in arrears who, having accepted a payment offer, actually fulfilled their payment commitments. To achieve this, the XGBoost algorithm was used, whose functioning is explained in this work from its intuitive part to its mathematical formalization. Additionally, the model was implemented in Python programming language. This work presents the results obtained and the applicability of the algorithm for use cases in the financial sector.pdfspaAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/XGBoostAprendizaje automáticoMatematicasModelo MatemáticoAprendizaje estadísticoClasificación binariabachelorThesisMatemáticas -- Tesis y disertaciones académicasMachine learningXGBoostClientes en moraSector financieroOpenAccessBinary classificationMachine learningXGBoostMathematicsMathematical modelStatistical learningAbierto (Texto Completo)