Laboratorio de IA MLOps
Modelos analíticos para la toma de decisiones en política pública migratoria (Valledupar & Cesar)
Qué mide
K-Means agrupa hogares parecidos entre sí sin que nadie le diga de antemano cuáles son los grupos. Se le indica cuántos quiere (K) y él busca la partición que deja los hogares de cada grupo lo más parecidos posible.
Aquí «parecido» se define por composición del hogar, ingreso per cápita, arraigo y nacionalidad. No usa las privaciones: si lo hiciera, sólo reproduciría el IVM y no aportaría nada nuevo.
Cómo se lee
El Silhouette Score va de −1 a 1 y responde a «¿los grupos son realmente distintos?». Sobre 0,50 los grupos están bien separados; entre 0,25 y 0,50 hay tendencias reconocibles; por debajo de 0,25 la separación es débil y los grupos deben leerse como perfiles orientativos, no como categorías.
El perfil de cada clúster, ingreso medio, tamaño del hogar, % en IVM alta, es lo que realmente se usa para diseñar una ruta de atención.
Qué NO se puede concluir
Que los grupos existan en la realidad. K-Means siempre devuelve K grupos, incluso si los datos no tienen ninguna estructura. Con un silhouette bajo, otra corrida con distinta semilla puede mover hogares de un grupo a otro.
Que un clúster sea «el vulnerable». El nivel de vulnerabilidad se calcula con RN-IVM, no se deduce del grupo. El clúster describe el tipo de hogar; el IVM dice cuánto le falta.
Qué decisión habilita
Qué modalidad de atención se ofrece a cada perfil: un clúster de hogares numerosos con menores en edad escolar necesita jornada de matrícula y PAE; uno de personas solas recién llegadas necesita documentación y empleabilidad. Ninguna salida de este modelo está habilitada para decisiones automatizadas mientras el sistema esté en estado sandbox.