[1]examinó cuán poderoso el aprendizaje automático puede parecer engañosamente convincente cuando la configuración de evaluación es defectuosa. Sin embargo, en los problemas de predicción espacial, como las aplicaciones inmobiliarias que implican la estimación de ganancias de capital, la previsión de alquileres o la predicción de precios, el problema no termina con la reparación de fugas temporales. Incluso cuando el tiempo se maneja correctamente, los modelos pueden parecer mucho mejores de lo que realmente son si se ignoran la dependencia espacial, las estructuras de activos repetidos y la cobertura regional desigual. En estos entornos, la parte más difícil a menudo no es adaptar un modelo flexible, sino diseñar un marco de evaluación que nos diga si el modelo realmente se generaliza más allá de los vecindarios, tipos de activos y segmentos de mercado que ya ha visto.
Los datos espaciales desempeñan cada vez más un papel importante a la hora de guiar iniciativas sostenibles. La información geográfica se puede utilizar no sólo para evaluar los valores inmobiliarios, sino también para evaluar la vulnerabilidad territorial para la planificación urbana y la inversión en infraestructura, optimizar los servicios de logística y movilidad, mejorar la accesibilidad y estimar el riesgo de seguros para ayudar a prevenir pérdidas por desastres importantes, entre otras aplicaciones. En estos contextos, la geografía no es una característica más, sino que da forma al entorno operativo y económico en el que se generan los resultados.
Los datos espaciales no están organizados como filas independientes ordinarias. Viene con geometría, proximidad, adyacencia y dependencia. Los lugares cercanos a menudo se comportan de manera más similar que los distantes, una idea comúnmente resumida en la primera ley de la geografía de Tobler: todo está relacionado con todo lo demás, pero las cosas cercanas están más relacionadas que las distantes.[2]. Entonces, en estos casos el problema de modelado cambia. Las muestras de entrenamiento y prueba ya no son independientes, las unidades geográficas repetidas pueden hacer que los pronósticos parezcan más fáciles que una verdadera generalización, y la cobertura desigual puede hacer que un modelo parezca confiable sólo porque se juzga en áreas densas y bien observadas.
Aunque, en la práctica, AutoML y los agentes de código [3, 4] ahora pueden automatizar la mayor parte del flujo de trabajo, las partes más difíciles siguen siendo humanas: comprender cómo la dependencia espacial, la estructura del panel y la cobertura dan forma a la credibilidad de los resultados.
Las trampas espaciales
En resumen, el objetivo de este artículo es ofrecer orientación práctica sobre los problemas metodológicos más comunes que hacen que los modelos parezcan más generalizables de lo que realmente son:
La trampa de la proximidad y la persistencia: puede parecer que un modelo funciona bien con datos nuevos cuando en realidad se está beneficiando de la proximidad espacial, la persistencia temporal o las condiciones de mercado familiares ya presentadas en los datos. Esto afecta los procedimientos de entrenamiento, validación cruzada y ajuste de parámetros que se basan en el supuesto de independencia. La ilusión de la cobertura: cuando el desempeño general está impulsado por áreas grandes, densas y bien observadas, mientras que las regiones escasamente cubiertas siguen siendo poco comprendidas y mal predichas. La ilusión de los límites: cuando la calidad del modelo depende en gran medida de cómo se divide, agrupa o codifica la geografía, aunque esos límites sean a menudo conveniencias administrativas más que realidades económicas. Sesgo geográfico: las variables espaciales pueden parecer altamente predictivas mientras codifican silenciosamente la privación, el acceso desigual a las oportunidades o patrones de segregación de larga data, lo que puede llevar a que los modelos refuercen los resultados excluyentes incluso cuando los atributos protegidos no se incluyen explícitamente. La simplificación excesiva hedónica: cuando los atributos de propiedad visibles se tratan como si fueran suficientes para explicar el valor. En la valoración de viviendas, características como balcones, terrazas, comodidades, tamaño o accesibilidad pueden capturar señales de precios útiles, pero no explican completamente el mercado. La escasez, la regulación, las condiciones crediticias, los ingresos, el empleo y las limitaciones de la oferta pueden dominar las preferencias individuales, especialmente en mercados restringidos. El impuesto de mantenimiento silencioso: cuando el entusiasmo de un modelo prometedor oculta la carga a largo plazo de monitorearlo, validarlo, actualizarlo, evolucionarlo y defenderlo una vez que se enfrente a las condiciones reales del mercado.
A medida que los datos espaciales se vuelven cada vez más valiosos en muchas aplicaciones, este artículo pretende enumerar algunos de los problemas que pueden surgir en este tipo de entorno. Esta no pretende ser una lista exhaustiva. Para obtener una revisión más completa de los obstáculos del aprendizaje automático en diferentes entornos de problemas, consulte[5]; Para una discusión más amplia sobre cuestiones relacionadas con el modelado más allá de este contexto específico, consulte un artículo anterior.[1].
Trampa de proximidad y persistencia
Un buen modelo no sólo debería funcionar bien; debería mejorar la estructura que ya está presente en los datos. En otras palabras, debería superar la línea de base correcta. En los problemas espaciales, esto significa que una línea de base significativa debería capturar al menos dos mecanismos básicos ya sugeridos por el argumento de Tobler: la persistencia, donde el futuro tiende a parecerse al pasado, y la autocorrelación espacial, donde los lugares cercanos tienden a comportarse de manera más similar que los distantes.
Para la predicción de bienes raíces, alquileres o ganancias de capital, esto significa que un modelo puede parecer sólido simplemente porque las áreas caras tienden a seguir siendo caras, los mercados densos siguen siendo densos y los activos cercanos comparten condiciones económicas y espaciales similares.
En este caso, una línea de base débil, como la predicción de la media global, puede hacer que un modelo parezca impresionante incluso cuando sólo explota la memoria espacial básica. Líneas de base más significativas deberían capturar lo que está disponible, como el valor anterior de la misma área, el promedio histórico de un vecindario, el valor promedio de las propiedades cercanas, un pronóstico ingenuo estacional, una regresión hedónica simple o un método básico de interpolación espacial. Estas líneas de base pretenden representar la estructura mínima que cualquier modelo espacial serio debería mejorar.
De la misma manera que la línea base elegida debe tener en cuenta la estructura de los datos, la validación también debe tener en cuenta esto. Si el tren y los conjuntos de prueba se dividen aleatoriamente, pueden aparecer observaciones cercanas o unidades geográficas repetidas en ambos lados de la división. Luego, el modelo se evalúa en lugares que no son realmente independientes de los datos utilizados para entrenarlo. El resultado es una estimación del error que parece rigurosa pero sistemáticamente demasiado optimista. A menudo se necesitan esquemas de validación espacial, temporal, agrupada o bloqueada para probar si el modelo puede generalizarse más allá de ubicaciones familiares, períodos familiares o entidades espaciales repetidas.
Ejemplo:
Para hacer esta idea más concreta, experimentamos con el conjunto de datos de predicción del precio de la vivienda en Londres de Kaggle.[6]. El objetivo no es construir el mejor modelo posible de precios de la vivienda, sino mostrar cómo cambia la interpretación del desempeño cuando cambian la estrategia de validación y la línea de base. El objetivo es el precio medio de los troncos del próximo mes dentro del mismo panel area_id + property_type.
La Tabla 1 compara dos configuraciones de validación. El Panel A informa una división aleatoria, el escenario más propenso a fugas en los problemas de predicción espacio-temporal, porque pueden aparecer observaciones similares desde las mismas ubicaciones en ambos lados de la división. El Panel B informa una resistencia temporal-espacial, donde el modelo se entrena en observaciones anteriores de unidades espaciales observadas y se prueba en observaciones futuras de unidades espaciales que no se vieron durante el entrenamiento. Esta segunda configuración es intencionalmente más difícil: el modelo debe generalizarse no sólo hacia adelante en el tiempo, sino también a geografías desconocidas.
Para mantener la comparación enfocada, utilizamos el punto de referencia de persistencia (tiempo) como punto de referencia principal. Este punto de referencia mantiene el valor observado anteriormente y representa una línea de base temporal simple pero sólida. Luego lo comparamos con una línea de base media KNN espaciotemporal, que utiliza observaciones históricas cercanas para capturar la estructura espacio-temporal local, y con dos modelos predictivos: CatBoost, como un sólido modelo de aprendizaje automático no espacial, y GPBoost, como un modelo espacialmente informado que puede dar cuenta de la estructura a nivel de área. El objetivo no es construir una tabla de clasificación de modelos exhaustiva, sino mostrar cómo cambia la interpretación del desempeño del modelo cuando la evaluación pasa de observaciones familiares a geografías invisibles.
Los resultados de la Tabla 1 deben leerse en relación con el punto de referencia de persistencia. La métrica mse_gain_vs_benchmark se calcula como el MSE de la línea base de persistencia menos el MSE de cada método. Un valor positivo significa que el método mejora con respecto a simplemente trasladar el valor observado anterior, mientras que el punto de referencia de persistencia en sí tiene una ganancia de cero por definición.
Este punto de referencia es importante porque el experimento no pregunta si un modelo complejo puede superar un promedio global débil. Se pregunta si un modelo puede mejorar una estructura temporal simple que ya está presente en los datos. En los paneles inmobiliarios, las áreas caras de ayer a menudo siguen estando caras mañana, por lo que la persistencia es un primer obstáculo importante. Sin embargo, la persistencia captura principalmente la dependencia temporal dentro del mismo panel area_id + property_type; no modela explícitamente la proximidad entre diferentes ubicaciones.
Por esa razón, la línea de base espaciotemporal de KNN juega un papel diferente. Utiliza observaciones históricas cercanas para capturar la estructura espacio-temporal local. Juntas, estas dos líneas de base ayudan a separar dos preguntas: ¿puede el modelo superar el valor anterior del mismo panel y puede agregar valor más allá de una simple regla basada en observaciones históricas cercanas?
Bajo la división aleatoria, CatBoost logra el rendimiento más sólido. Sin embargo, este entorno también es el más vulnerable a la trampa de la proximidad y la persistencia: las observaciones de áreas familiares, condiciones del mercado o ubicaciones cercanas pueden aparecer en ambos lados de la división. En este caso, un desempeño sólido puede reflejar la capacidad del modelo para explotar la estructura local repetida en lugar de su capacidad para generalizar a geografías genuinamente nuevas.
La resistencia temporal-espacial cambia lo que se está probando. Aquí, el modelo se evalúa en observaciones futuras de unidades espaciales que no se vieron durante el entrenamiento. En este contexto, la línea de base espacio-temporal de KNN sigue siendo útil porque las áreas históricas cercanas aún transmiten señal, pero el rendimiento más sólido proviene de GPBoost. Esto sugiere que modelar explícitamente la estructura espacial puede ser más sólido cuando la tarea requiere transferencia a ubicaciones invisibles.
La conclusión principal es la trampa de proximidad y persistencia: un modelo puede parecer sólido cuando la validación aleatoria le permite beneficiarse de una estructura temporal y espacial familiar ya presente en los datos de entrenamiento. Por lo tanto, la pregunta relevante no es sólo si el modelo supera la persistencia, sino también si aún agrega valor cuando las geografías familiares se eliminan del entorno de prueba. La validación aleatoria puede hacer que el modelo parezca bueno por el motivo equivocado; La resistencia temporal-espacial pone a prueba la cuestión más difícil y operativamente más relevante.
Más a considerar:
En entornos espaciales, la validación cruzada a menudo falla porque las observaciones están vinculadas tanto en el espacio como en el tiempo. Como resultado, los pliegues convencionales pueden crear dos distorsiones. Durante la selección del modelo, el proceso de ajuste de hiperparámetros puede favorecer modelos que exploten la estructura espacial residual o proxies espaciales, en lugar de modelos que se transfieran con solidez a geografías invisibles. Durante la evaluación del modelo, la proximidad espacial entre el tren y la prueba le da al predictor una vista no autorizada del entorno de prueba, lo que hace que las estimaciones de error parezcan mejores de lo que realmente son.
Por estas razones, los problemas espaciales y espacio-temporales requieren estrategias de validación que separen las observaciones según la geografía, el tiempo o ambos. Métodos como la validación cruzada espacial+[7]y remuestreo espacio-temporal[8]están diseñados para hacer explícita esta separación, tanto al estimar el rendimiento final como al ajustar los hiperparámetros del modelo.[9].
La ilusión de la cobertura
En aplicaciones del mundo real, las observaciones no se distribuyen uniformemente en el tiempo/espacio. Algunas áreas están densamente representadas porque tienen muchas transacciones, muchos registros o una recopilación de datos más frecuente, mientras que otras áreas aparecen sólo ocasionalmente o están casi ausentes de la muestra.
Esto es importante porque las métricas de error agregadas pueden ocultar dónde está fallando realmente el modelo. Un modelo puede informar un error general bajo simplemente porque la mayor parte del conjunto de pruebas proviene de regiones bien cubiertas y de alta densidad. En esas áreas, el modelo ha visto muchos ejemplos similares antes, por lo que la predicción es más fácil. Pero esto no significa que el modelo se generalice bien en todas partes. Es posible que aún tenga un desempeño deficiente en áreas dispersas o subrepresentadas, donde la estructura del mercado local es menos visible en los datos.
En este sentido, un buen rendimiento medio puede crear una falsa sensación de fiabilidad. El modelo parece estable porque se evalúa principalmente donde los datos son abundantes. La verdadera debilidad sólo aparece cuando el desempeño se desglosa geográficamente: algunas regiones están bien aprendidas, mientras que otras permanecen casi invisibles para el modelo.
Por ejemplo, malas decisiones de modelado, como eliminar observaciones a las que les faltan objetivos futuros, excluir áreas de baja transacción, calcular agregados espaciales utilizando información futura o seleccionar solo regiones con suficientes registros históricos, pueden reducir sistemáticamente la representación de ubicaciones dispersas. Estas decisiones a menudo mejoran la calidad aparente del conjunto de datos y al mismo tiempo facilitan la tarea de predicción. Como resultado, el desempeño informado puede reflejar un subconjunto progresivamente seleccionado de regiones bien cubiertas en lugar de la verdadera diversidad geográfica del problema. Por lo tanto, la cobertura debe monitorearse a lo largo de todo el proceso de aprendizaje automático, ya que cada paso del procesamiento tiene el potencial de alterar la distribución espacial de los datos e introducir un optimismo oculto en la evaluación final.
La ilusión del límite
Lo que parece una señal geográfica confiable puede ser en parte producto de los límites elegidos para el análisis. Considere los precios inmobiliarios. Un modelo puede utilizar el precio promedio de un distrito como característica geográfica, suponiendo que las propiedades dentro del mismo distrito comparten un contexto de mercado similar. Pero esta suposición puede ser engañosa. Dos calles dentro del mismo distrito administrativo pueden comportarse de manera muy diferente si una está cerca del transporte, escuelas, parques, actividad comercial o viviendas de alta demanda, mientras que la otra está expuesta a una conectividad deficiente, una menor liquidez o una demanda más débil de los compradores. Sin embargo, cuando los datos se agregan a nivel de ciudad, estas diferencias locales se promedian. La ciudad puede parecer más estable y homogénea de lo que realmente es. A nivel regional, el efecto suavizador se vuelve aún más fuerte, creando potencialmente la ilusión de uniformidad en toda la región.
Aquí es donde la Ilusión de Límites cobra importancia. Los límites geográficos utilizados en el análisis (código postal, ciudad, región, etc.) pueden parecer naturales u objetivos, pero a menudo son opciones administrativas.
La Figura 2 ayuda a ilustrar esto; la parte superior de la figura muestra el efecto de escala. Los valores subyacentes son los mismos, pero se agregan en unidades espaciales cada vez más grandes: desde una escala fina a una escala media y luego a una escala gruesa. A medida que las unidades se hacen más grandes, los altibajos locales se suavizan. El promedio puede seguir siendo similar, pero desaparecen detalles espaciales importantes. En un ejemplo de vivienda o banca, esto significa que un bolsillo de riesgo visible a nivel de código postal puede desaparecer una vez que los datos se promedian a nivel de ciudad o región.
La parte inferior de la figura muestra el efecto de zonificación. Aquí, el área general y la escala aproximada siguen siendo similares, pero los límites se vuelven a dibujar de diferentes maneras: zonas verticales, horizontales o irregulares. Las observaciones son las mismas, pero los promedios y las varianzas cambian porque se agrupan diferentes hogares, propiedades o prestatarios. Por lo tanto, un modelo construido sobre estas características agregadas puede cambiar no porque la realidad haya cambiado, sino porque el analista eligió una forma diferente de dividir el espacio.
La implicación práctica es que un oleoducto robusto debería probar las mismas variables y modelos en múltiples escalas espaciales y, cuando sea posible, bajo sistemas de zonificación alternativos, para verificar si las conclusiones permanecen estables.
Sesgo geográfico
Un problema más sutil aparece cuando la geografía no es sólo una fuente de dependencia, sino también un indicador de la estructura social. En muchos conjuntos de datos del mundo real, las variables de ubicación como el código postal, el vecindario, el área censal, el territorio de la sucursal o el mercado regional no son coordenadas neutrales. A menudo codifican diferencias en ingresos y composición demográfica.
Esto crea lo que podemos llamar la Trampa de Proxy Geográfico: un modelo puede no utilizar un atributo protegido (como la etnicidad) directamente, y aun así reproducir un tratamiento desigual porque las características espaciales están correlacionadas con ese atributo. En esta situación, el modelo puede parecer técnicamente válido y al mismo tiempo producir tasas de error sistemáticamente diferentes entre los grupos.
Por ejemplo, en un modelo de referencia de fraude de seguros, el modelo puede aprender que los reclamos provenientes de ciertos códigos postales tienen más probabilidades de ser sospechosos porque esas áreas históricamente se han asociado con tasas de investigación más altas, informes más densos o patrones de reclamo diferentes. Incluso si el origen étnico nunca se incluye como característica, la demografía a nivel postal puede hacer que la ubicación se comporte como un indicador indirecto. La consecuencia no es necesariamente visible en la precisión global, el AUC o la elevación. Aparece cuando comparamos errores de modelos entre grupos: tasas de falsos positivos, tasas de falsos negativos, residuos o probabilidades de clasificación errónea.
Almajed et. Alabama. (2025)[11]proporcionan un ejemplo útil de cómo pueden surgir problemas de equidad en la predicción del precio de la vivienda. Dado que la raza o el origen étnico individual no suelen estar disponibles en este tipo de conjunto de datos, los autores definen comparaciones de grupos protegidos utilizando la composición del sector censal, distinguiendo propiedades ubicadas en áreas de mayoría blanca, mayoría no hispana y mayoría blanca no hispana. Sus resultados muestran:
los modelos de predicción del precio de la vivienda pueden mostrar diferentes niveles de sesgo racial y étnico, incluso cuando los atributos protegidos no se incluyen directamente como predictores; algunos algoritmos son más sensibles al sesgo que otros; en este caso, Random Forest mostró el mayor sesgo cuando la raza y el origen étnico se consideraron juntos; La mitigación durante el procesamiento (agregar sanciones y restricciones de equidad durante la capacitación para reducir el sesgo) fue más efectiva que el procesamiento previo en este entorno.
La importancia del estudio es que muestra cómo las características a nivel de tramo censal, cuando se utilizan, pueden mejorar la precisión predictiva y al mismo tiempo transmitir una estructura racial, étnica y socioeconómica. Esto hace que la evaluación de equidad sea necesaria incluso en problemas de regresión aparentemente neutrales, como la valoración de bienes raíces.
La simplificación excesiva hedónica
Un modelo hedónico trata el precio de una propiedad en función de sus atributos y el contexto circundante. Estos atributos pueden incluir tamaño, número de habitaciones, antigüedad, nivel del piso, terraza, garaje, distancia al centro de la ciudad, acceso al transporte, calidad de la escuela, espacios verdes, ingresos del vecindario u otras condiciones socioeconómicas locales.
Este enfoque es útil porque hace que el problema de la fijación de precios sea interpretable. En lugar de tratar el precio como una caja negra, un modelo hedónico nos permite preguntar cómo se asocian las diferentes características con el valor. Por ejemplo, puede ayudar a estimar si las propiedades con terraza tienden a ser más caras, si la proximidad al transporte público es importante o si las características del vecindario están relacionadas con precios más altos.
El problema no es la idea hedónica en sí. El problema es la simplificación excesiva que puede conllevar. Los precios de la vivienda no están formados únicamente por una lista fija de variables observables. Los compradores evalúan las propiedades como conjuntos de características integradas en un contexto local: luz, ruido, seguridad percibida, condición del edificio, calidad de la calle, reputación del vecindario, escasez, expectativas futuras y muchos otros factores económicos que pueden no reflejarse completamente en los datos.
Incluso cuando se observa un atributo, su significado puede cambiar en el espacio. Una terraza puede ser muy valorada en barrios centrales densos, pero menos distintiva en áreas suburbanas donde el espacio al aire libre ya es común. Estar cerca del centro de la ciudad puede aumentar el valor en un mercado, mientras que en otro puede estar asociado con la congestión, el ruido o el parque de viviendas más antiguas. La misma variable no siempre tiene el mismo significado económico en todas partes.
Por eso son importantes los modelos espaciales. Los modelos hedónicos espaciales y la regresión ponderada geográficamente no resuelven toda la complejidad de los mercados inmobiliarios, pero hacen visible una limitación importante: las relaciones entre atributos y precios pueden variar según la geografía. Un modelo global supone que cada variable tiene un efecto promedio en toda el área de estudio. Un modelo espacial local muestra que estos efectos pueden ser más fuertes, más débiles o incluso diferentes según la ubicación.
Por lo tanto, la simplificación excesiva hedónica no es el uso de atributos de la vivienda para explicar el precio. Es la suposición de que un conjunto fijo de atributos observados puede explicar completamente los valores de propiedad con significados estables en todo el espacio. Los modelos hedónicos pueden ser útiles e interpretables, pero su interpretabilidad no debe confundirse con su integridad.
El impuesto de mantenimiento silencioso
Un modelo no llega a ser útil simplemente porque tenga un buen desempeño en el desarrollo. Una vez expuesto a las condiciones reales del mercado, se convierte en un sistema vivo. El verdadero desafío, entonces, no es sólo construir un modelo que prediga bien una vez. Se trata de construir un modelo que pueda sobrevivir al contacto con la realidad: uno que pueda ser monitoreado cuando los datos cambian, actualizado cuando el mercado cambia, interpretado cuando los usuarios lo cuestionan y defendido cuando sus resultados influyen en las decisiones económicas.
Esto es especialmente importante en el sector inmobiliario y otros problemas espaciales-económicos. Un modelo es siempre una estimación, no una observación directa del mercado. Combina atributos medidos con indicadores imperfectos de ubicación, liquidez, demanda, restricciones de oferta, condiciones crediticias, regulación y expectativas locales. Esos indicadores pueden ser útiles porque ayudan a detectar cambios rápidamente, pero también pueden volverse frágiles cuando cambia el mercado subyacente. Una característica que alguna vez captó un patrón local estable puede luego volverse obsoleta, sesgada o engañosa.
Por esa razón, la pregunta operativa correcta no es si el modelo puede reemplazar el conocimiento de campo. No puede. La mejor pregunta es cómo deberían funcionar juntos el modelo y la inteligencia de campo. Los resultados del modelo pueden resaltar dónde los precios, la demanda o el riesgo parecen estar cambiando más rápido de lo esperado, mientras que los expertos locales pueden validar si esos cambios reflejan la dinámica real del mercado, artefactos de datos, transacciones únicas o contexto faltante. En este sentido, el modelo no es la autoridad final; es un sistema de alerta temprana que ayuda a centrar la atención.
Aquí es donde la interpretabilidad se convierte en algo más que un complemento técnico. Es parte del modelo de rendición de cuentas. La atribución de características, los diagnósticos a nivel de segmento, los mapas de errores espaciales, las estimaciones de incertidumbre, el monitoreo de la deriva y la revisión de expertos ayudan a determinar si el modelo está aprendiendo una señal económica transferible o explotando una estructura frágil en los datos. Un modelo que funciona bien pero que no se puede explicar, monitorear o cuestionar puede ser impresionante como experimento, pero débil como sistema de decisión.
Conclusión
Las trampas que se analizan aquí no son raras ni exóticas. Bajo la presión de cumplir con rapidez, incluso los profesionales experimentados pueden pasarlos por alto. A veces, los errores más peligrosos no son errores obvios, sino opciones de modelado aparentemente razonables que facilitan el proceso de modelado sin alcanzar el objetivo real: la generalización.
Estos problemas se encuentran a menudo al auditar modelos o revisar experimentos, y se presentan cada vez más en la literatura [3, 12] como trampas recurrentes que se deben evitar: fuga de datos, líneas de base débiles, cobertura regional desigual oculta detrás de métricas agregadas y características que codifican proxies espaciales que podrían tener consecuencias para la reputación cuando el modelo se ejecuta en producción.
Esta no es una lista exhaustiva. Es un conjunto práctico de cuestiones que vale la pena tener en cuenta durante el análisis.
Referencias
Referencias en orden de aparición:
[1]Gomes-Gonçalves, E. (2026, 1 de mayo). Por qué el aprendizaje automático potente es engañosamente fácil. Hacia la ciencia de datos. Enlace
[2]Tobler, WR (1970). Una película por computadora que simula el crecimiento urbano en la región de Detroit. Geografía económica, 46 (suplemento), 234–240.
[3]Trirat, P., Jeong, W. y Hwang, SJ (2024). Automl-agent: un marco de llm de múltiples agentes para automatización completa. Preimpresión de arXiv arXiv:2410.02958.
[4]Abhyankar, N., Shojaee, P. y Reddy, CK (2025). Llm-fe: ingeniería de funciones automatizada para datos tabulares con llms como optimizadores evolutivos. arXiv preimpresión arXiv:2503.14434.
[5]Solitarios, MA (2024). Evitar errores comunes en el aprendizaje automático. Patrones, 5(10), 101046. https://doi.org/10.1016/j.patter.2024.101046
[6]Wright, J. (2024). Predicción del precio de la vivienda en Londres: técnicas avanzadas [conjunto de datos de la competencia]. Kaggle. https://www.kaggle.com/competitions/london-house-price-prediction-advanced-techniques
[7]Wang, Y., Khodadadzadeh, M. y Zurita-Milla, R. (2023). Spatial+: un nuevo método de validación cruzada para evaluar modelos de aprendizaje automático geoespacial. Revista Internacional de Geoinformación y Observación Aplicada de la Tierra, 121, 103364. https://www.sciencedirect.com/science/article/pii/S1569843223001887
[8]Schratz, P., Becker, M., Lang, M. y Brenning, A. (2024). Mlr3spatiotempcv: métodos de remuestreo espaciotemporal para el aprendizaje automático en R. Journal of Statistical Software, 111, 1–36. https://www.jstatsoft.org/article/view/v111i07
[9]Schratz, P., Muenchow, J., Iturritxa, E., Richter, J. y Brenning, A. (2018). Evaluación del rendimiento y ajuste de hiperparámetros de modelos estadísticos y de aprendizaje automático utilizando datos espaciales. Preimpresión de arXiv arXiv:1803.11266. https://arxiv.org/abs/1803.11266
[10]Gopal, S. y Pitts, J. (2025). La revolución FinTech: uniendo la ciencia de datos geoespaciales, la inteligencia artificial y la sostenibilidad. Springer Cham. https://doi.org/10.1007/978-3-031-74418-1
[11]Almajed, A., Tabar, M. y Najafirad, P. (julio de 2025). Equidad del aprendizaje automático en la predicción del precio de la vivienda: un estudio de caso de las metrópolis en expansión de Estados Unidos. En Actas de la Conferencia ACM SIGCAS/SIGCHI sobre Computación y Sociedades Sostenibles (págs. 473–480).
[12]Kapoor, S. y Narayanan, A. (2023). Fugas y crisis de reproducibilidad en la ciencia basada en el aprendizaje automático. Patrones. 2023; 4 (9): 100804. Enlace.