← Trabajos
Machine learning · en coautoría
Arg-Security Predictor
Mapa de riesgo por barrio, día y franja horaria en la Ciudad de Buenos Aires, con modelos evaluados contra datos reales.
- incidentes analizados (2022–2025)
- 576.410
- incidentes analizados (2022–2025)
- error del pronóstico diario frente al método ingenuo
- −31,2 %
- error del pronóstico diario frente al método ingenuo
- cobertura real de la banda (objetivo 80 %)
- 78,9 %
- cobertura real de la banda (objetivo 80 %)
El problema
La pregunta del proyecto: qué probabilidad de incidente tiene una zona un día y en una franja horaria, con datos abiertos de la Ciudad y evaluado con honestidad.
Qué decidimos
- 01
Modelos para conteos
Gradient Boosting con pérdida de Poisson, porque los incidentes son conteos y no valores continuos.
- 02
Evaluar contra el futuro
Cada modelo se compara con un método ingenuo usando datos que nunca vio; se publican también las mejoras modestas.
- 03
Incertidumbre calibrada
El pronóstico a 14 días tiene una banda calibrada por predicción conforme, con cobertura medida.
El resultado
- Mapa por barrio (48) o comuna (15), filtrable por tipo de delito.
- Alertas de cambio de patrón por barrio y exportación de los 2.016 escenarios a CSV.
- Proyecto educativo con limitaciones y ética documentadas: describe zonas y horarios, no personas.
Herramientas
- Python
- pandas
- scikit-learn
- Leaflet
- Chart.js