Entrenados y verificados en el sandbox — no hay un ganador universal
Corrí 7 algoritmos distintos sobre los dos datasets que ya usaste (churn y dígitos), con el mismo train/test split cada vez. Gana el que mejor encaja con la forma del patrón, no el más sofisticado.
La regla real es un umbral cuadrado. Los árboles literalmente son umbrales. SVM asume fronteras suaves — de ahí el 73%, el peor de los siete.
El mismo Decision Tree que arrasó en churn se hunde a 47% aquí — profundidad 3 es insuficiente para 64 dimensiones.
La red neuronal tardó 100x más que SVM para acabar con PEOR accuracy. En un dataset pequeño, Deep Learning es puro coste sin beneficio.
No existe "el mejor algoritmo". Existe el que mejor encaja con la forma del patrón — y eso solo se descubre probando, no adivinando desde la teoría.
La red neuronal aquí confirma, con números reales, lo que la lección de árbol de decisión técnica ya adelantaba: Deep Learning es la herramienta equivocada cuando el dataset es pequeño y estructurado.