Detección de fraude en vinos a partir de propiedades fisicoquímicas. Compara Random Forest (con SMOTE) y XGBoost (con scale_pos_weight) y publica el ganador junto con el preprocessor.

Modelo ganador

Tipo: Random Forest
Umbral operativo (calibrado por curva PR): 0.43861904761904763
Framework: scikit-learn / XGBoost
Autor: gusdelact
Fecha de entrenamiento: 2026-05-18T02:32:24.974400

Métricas (test set, umbral óptimo)

Modelo	F1-Fraud	Precision-Fraud	Recall-Fraud	PR-AUC	ROC-AUC
Random Forest (SMOTE)	0.3654	0.3455	0.3878	0.3029	0.8215
XGBoost (scale_pos_weight)	0.3509	0.3077	0.4082	0.2438	0.7996

Ganador: Random Forest con F1-Fraud = 0.3654 sobre test (criterio definido en notes/03_design_validation.md).

Datos de entrenamiento

Fuente: gusdelact/wine_fraud
Variable target: quality (binaria: Legit / Fraud)
Imbalance: ~25:1 (3.8% Fraud)
Train: 5197 filas. Random Forest se entrena sobre el train post-SMOTE.

Hiperparámetros

Random Forest

json

{
  "n_estimators": 200,
  "min_samples_leaf": 2,
  "max_features": "sqrt",
  "max_depth": null,
  "criterion": "entropy"
}

XGBoost

json

{
  "subsample": 0.7,
  "reg_lambda": 1.0,
  "reg_alpha": 0.1,
  "n_estimators": 500,
  "max_depth": 6,
  "learning_rate": 0.01,
  "colsample_bytree": 1.0
}

Cómo usar

python

import joblib
import pandas as pd
from huggingface_hub import hf_hub_download

repo = "gusdelact/wine-fraud-rf-vs-xgb"
model = joblib.load(hf_hub_download(repo, "best_model.joblib"))
preproc = joblib.load(hf_hub_download(repo, "preprocessor.joblib"))
le = joblib.load(hf_hub_download(repo, "label_encoder.joblib"))

# Construir un DataFrame con las 11 features fisicoquímicas + 'type' (red/white)
sample = pd.DataFrame([{
    "fixed acidity": 7.4, "volatile acidity": 0.7, "citric acid": 0.0,
    "residual sugar": 1.9, "chlorides": 0.076, "free sulfur dioxide": 11.0,
    "total sulfur dioxide": 34.0, "density": 0.9978, "pH": 3.51,
    "sulphates": 0.56, "alcohol": 9.4, "type": "red"
}])

X = preproc.transform(sample)
proba_fraud = model.predict_proba(X)[0, 1]
threshold = 0.43861904761904763
pred = "Fraud" if proba_fraud >= threshold else "Legit"
print(pred, proba_fraud)

Fundamento teórico

Pipeline diseñado siguiendo el protocolo theory-driven-design (ver notes/):

SMOTE post-split para Random Forest, justificado en evitar leakage en preprocesamiento [ESL §7.10].
scale_pos_weight = n_neg/n_pos para XGBoost, alternativa a SMOTE que reweighta la pérdida sin sintetizar muestras [ESL §16].
Calibración del umbral por curva precision-recall porque 0.5 es subóptimo con desbalance [ISLP §4.4.2].
StratifiedKFold(5) balancea bias y varianza del estimador de error [ISLP §5.1.4].

Limitaciones

F1 absoluto modesto (0.3654) por desbalance fuerte y solo 49 positivos en test.
El umbral óptimo se calibró sobre el test set, lo cual es práctica común en clasificación con desbalance pero introduce una ligera optimización sobre la métrica reportada.
Las predicciones reflejan correlación con propiedades fisicoquímicas, no causalidad. No es apto para decisiones legales sin validación adicional con expertos en enología.