Modelos y pesos

Los cuatro modelos

Modelo	Rol	Rec_riesgo (umbrales calibrados)
XGBoost	Modelo tabular de calor (pesos balanceados)	0.668
RandomForest	Modelo tabular de frío (`class_weight="balanced"`)	0.612
LSTM province_hybrid	LSTM + embedding de provincia + INE + features diarias, tarea multi-tarea calor/frío	0.737 calor / 0.708 frío
Fórmula determinista	Índices térmicos clásicos (Heat Index, Wind Chill, WBGT) sobre datos actuales	—

La métrica de selección es Rec_riesgo (recall medio de las clases de riesgo 1 y 2), no accuracy: es un sistema de aviso y vale más sobre-avisar que perderse un día de riesgo.

Cómo se combinan (ensemble conformal-weighted)

Cada modelo no vota igual: pesa según la confianza conformal de su predicción.

XGBoost y RandomForest llevan un prediction set conformal (SplitConformalCalibrator, alpha=0.1): el set tiene tamaño 1 (confianza alta), 2 (media) o 3 (baja), y el modelo pesa 1 / set_size en la media.
El LSTM y la Fórmula no tienen conformal → pesan 1/2 cada uno.
La probabilidad del ensemble es la media ponderada de las probabilidades de riesgo de los modelos disponibles (para calor: XGBoost + LSTM + Fórmula; para frío: RandomForest + LSTM + Fórmula).

Umbrales y calibración

Calibración isotónica post-hoc en frío (en calor reduce sensibilidad en provincias frías): las probabilidades del RandomForest_frío se recalibran antes de umbralizar.
Umbrales de clase (CLASS_THRESHOLDS_RECOMENDADOS): calor t1=0.25, t2=0.10; frío t1=0.21, t2=0.20 (sobre probabilidades ya calibradas).
PERS_THRESHOLD_PELIGRO = 0.55: umbral de PELIGRO sobre la probabilidad personalizada (es P(riesgo) = P(1)+P(2), por eso es más exigente).
Overrides físicos: si el Heat Index ≥ 39 °C o el Wind Chill ≤ −25 °C, la clase sube a PELIGRO con independencia del ML; hay overrides intermedios por vulnerabilidad y por UV.

Factores individuales y sus pesos

La probabilidad poblacional se personaliza con factores multiplicativos (edad, comorbilidades, medicación, actividad, aclimatación, situación social, ocupación…). Ver la página Riesgo y personalización: allí están las tablas completas de factores con su peso y su fuente, la composición en odds y el cap a ×3.0.

Detalle técnico

La implementación vive en el repositorio:

climasafeai/models/ensemble.py — ensemble conformal-weighted, overrides.
climasafeai/models/predict_model.py — umbrales de clase.
climasafeai/models/conformal.py — SplitConformalCalibrator.
climasafeai/models/calibrate.py — isotónica en frío.
climasafeai/features/personalizacion.py — factores individuales.
data/factores_riesgo.json — base versionada de factores (coef, DOI, calidad).