Model Drift Detection

# Descripción

Proyecto de MLOps avanzado que simula un escenario real de producción con drift progresivo. Se entrena un Random Forest sobre 10,000 muestras con 6 features (edad, ingreso, puntuación de crédito, número de transacciones, antigüedad en meses, tasa de uso) y se evalúa contra 10 batches de producción. Los primeros batches tienen solo data drift (cambio en media y varianza de features), los batches 5+ añaden concept drift (la relación entre puntuación de crédito y el target se invierte). 4 métricas de detección: PSI (>0.25 = drift grave), KS test (p<0.05), accuracy decay, y distribución de predicciones. 6 visualizaciones incluyendo mapa de calor PSI, evolución temporal, dashboard multi-métrica y comparación de distribuciones.

$ ./deploy.sh $ git clone

# Características principales

$ Data Drift: cambios en media, varianza y forma de distribuciones

$ Concept Drift: inversión gradual del peso de una feature

$ Population Stability Index (PSI): umbrales 0.1 (leve) y 0.25 (grave)

$ Kolmogorov-Smirnov test: detección por feature con p<0.05

$ Accuracy decay tracking: baseline 95.5%, caída a 88.7% en batch 6

$ 6 visualizaciones: PSI evolution, accuracy decay, heatmap, distribuciones, dashboard

# Galería

Vista escritorio

Vista móvil

# Tecnologías utilizadas

Python scikit-learn scipy matplotlib seaborn