caso de uso
El modelo que predice el futuro mirando el futuro — Mundo Real
Caso de uso 4: Industria: movilidad / asistencia en carretera. Nivel: Medio. 7 lecciones, 5 días simulados. Forecasting de demanda sobre una serie temporal (sin ARIMA). Datasets descargables.
Bienvenida a CoberturaYa
Tu cuarto encargo, nivel medio: ahora las filas no son independientes sino una serie temporal, y eso trae una trampa al evaluar.
Lunes: montar el repo y mirar los datos
Cargar los cinco extractos y entender la pieza clave: el histórico es un aviso por fila, pero el modelo necesita una serie por zona, fecha y hora.
Martes: limpiar, agregar la serie y fabricar las features
Limpiar y agregar los avisos a una serie por zona, fecha y hora, cazar los huecos, y fabricar los lags, las medias móviles y el calendario.
Miércoles: el primer modelo y leer el error en servicios/hora
Partir al azar y entrenar un bosque aleatorio: da un R² buenísimo de 0,93 y parece que lo clavaste. Nadie sabe aún por qué va tan bien.
Jueves A: el split al azar deja ver el futuro
Se te cae el 0,93: partir las horas al azar entrena con el futuro para predecir el pasado. Demostrar la fuga y ver qué datos no se parten al azar.
Jueves B: el número honesto, split por tiempo
Reevaluar el mismo modelo partiendo por tiempo: el R² cae de 0,93 a 0,70. El modelo no cambió, cambió cómo lo mides; y ese es el número real.
Viernes: predecir los próximos turnos y que se fíen del número
Predecir la demanda de los tramos futuros, traducirla a operadores por turno, montar las figuras y escribir el one-pager con el error honesto.