cambios en la parte escrita del notebook de train

xepelin_challenge_answers/caso_2_train.ipynb

@@ -14,9 +14,9 @@
    "id": "cf6f976f-03ca-4717-abdf-e31e01d37f36",
    "metadata": {},
    "source": [
-    "- Se entrena un modelo de clasificación lightGBM, por su calidad de rendimiento para este tipo de problema y su facilidad para ser puesto en producción. \n",
-    "- El método prepare_data transforma la variable dependiente overdueDays en 0 / 1 dependiendo de si la mora será mayor a 30 días, de modo que 1, implica una alerta. También elimina los ids de business y payer ya que considero que tenemos información sobre estos en las otras variables (y porque los datos son muy pocos para usar los ids como variables categóricas.  \n",
-    "- Se elimina el método impute_missing (sugerido en el template) porque este tipo de modelos no tiene problemas para gestionar nulos y porque no tengo una mejor heurística para rellenarlos. \n",
+    "- Se entrena un modelo de clasificación lightGBM.\n",
+    "- El método prepare_data transforma la variable dependiente overdueDays en 0 / 1 dependiendo de si la mora será mayor a 30 días, de modo que 1, implica una alerta. También elimina los ids de business y payer ya que considero que tenemos información relevante sobre estos en las otras variables (y porque los datos son muy pocos para usar los ids como variables categóricas).  \n",
+    "- Se elimina el método impute_missing (sugerido en el template) porque este tipo de modelos no tiene problemas para gestionar nulos y porque no tengo una mejor heurística para rellenarlos (además que los datos proporcionados no tienen nulos). \n",
     "- En el método fit entrena el modelo LGBM.\n",
     "- El método model_summary incluye métricas de accuracy, precision, recall, F1 así como una matriz de confusión, todas relevantes para analizar la calidad de un modelo de clasificación\n",
     "- El método predict realiza predicciones\n",