Este proyecto utiliza modelos de machine learning para analizar y predecir el comportamiento de clientes, con foco en su respuesta a campañas y su nivel de ingreso, basado en el dataset marketing_campaign.csv.

• Clasificar clientes según su probabilidad de responder a una campaña (Response)
• Predecir el nivel de ingreso (Income) de los clientes mediante regresión
• Utilizar técnicas de limpieza, transformación y selección de variables

• marketing_campaign.csv: Dataset original
• IFood_TM.ipynb: Notebook principal con análisis exploratorio y modelos
• IFood_TM_Regressor.ipynb: Notebook complementario con mejoras en clasificación y regresión
• README.md: Este archivo

El dataset contiene información de más de 2.200 clientes, incluyendo:

• Edad, estado civil, educación
• Ingreso (Income)
• Compras por tipo de producto
• Canales utilizados (web, catálogo, tienda)
• Respuesta a campañas anteriores

• Limpieza de datos y tratamiento de nulos
• Detección de outliers con MAD
• Discretización de ingresos con qcut
• Codificación de variables categóricas (LabelEncoder, get_dummies)
• Modelos usados:
  • RandomForestClassifier para predecir Response
  • LinearRegression para predecir Income
  • RandomForestRegressor + GridSearchCV para optimizar predicción de Income

• Modelo: RandomForestClassifier
• Accuracy: 87%
• F1-score clase positiva (1): 0.36
• Observación: el modelo requiere balanceo por desbalance de clases

• LinearRegression: R² ≈ 0.73
• RandomForestRegressor (GridSearchCV): R² ≈ 0.75

1. Cloná el repositorio:

git clone https://github.com/tu_usuario/tu_repo.git
cd tu_repo