Después de meses trabajando con arquitecturas de deep learning para clasificación de riesgo crediticio, llegué a una conclusión incómoda: un modelo lineal bien construido superaba a la red neuronal en datos fuera de muestra.
Por qué la complejidad juega en contra en ciertos contextos
Las redes neuronales necesitan volumen de datos para generalizar. En finanzas, los datasets relevantes suelen tener miles de observaciones, no millones. Con pocos datos y muchos parámetros, el modelo memoriza en lugar de aprender.
Además, los modelos complejos son difíciles de auditar. En entornos regulados, un modelo que no puede explicar sus decisiones tiene restricciones de uso concretas, independientemente de su rendimiento técnico.
Qué criterios uso para elegir la complejidad del modelo
Si el dataset tiene menos de 50.000 observaciones limpias, empiezo con modelos lineales o árboles con profundidad limitada. Si la variable objetivo cambia de distribución cada 18 meses, prefiero modelos que se reentrenan rápido. Si el cliente necesita explicar cada decisión, la interpretabilidad no es opcional.
Un caso concreto de decisión
En un proyecto de scoring para una financiera mediana, un modelo de regresión logística con 14 variables seleccionadas manualmente tuvo mejor estabilidad en validación temporal que un gradient boosting con 80 features generadas automáticamente. La diferencia estaba en la calidad de las variables, no en el algoritmo.
La elección del modelo es una decisión de diseño, no de ambición técnica.