Maestría Estadística Aplicada y Ciencia de Datos · 2026
Predicción de la inseguridad alimentaria en Colombia mediante modelos de Machine Learning (2022–2025)
Este artículo desarrolla un modelo predictivo para anticipar escenarios de inseguridad alimentaria en Colombia, integrando fuentes de información sociales, económicas y climáticas bajo la metodología CRISP-DM adaptada a las ciencias sociales. El objetivo central fue construir una herramienta analítica que permita identificar patrones territoriales y temporales de vulnerabilidad alimentaria, fortaleciendo la toma de decisiones basada en evidencia. Como fortaleza metodológica, el estudio combina datos del DANE (FIES, ECV, IPM, IPC) con indicadores satelitales derivados de Google Earth Engine (precipitación, temperatura y NDVI), articulando información heterogénea en un mismo marco analítico. Se evaluaron y compararon distintos algoritmos de aprendizaje automático, entre ellos: Elastic Net, Random Forest, XGBoost y SVM, destacándose el modelo Elastic Net por su capacidad para equilibrar precisión predictiva e interpretabilidad sociológica. Los resultados sugieren la persistencia de brechas territoriales en la región Caribe y apuntan a la influencia de factores estructurales como la pobreza, la educación y el acceso desigual a servicios públicos. Desde el punto de vista metodológico, el estudio plantea evidencia inicial sobre el potencial de los enfoques de machine learning para fortalecer la investigación sociológica aplicada, ofreciendo una aproximación exploratoria para anticipar condiciones críticas y apoyar el diseño de políticas públicas más oportunas y territorialmente sensibles.