v2.2.0

Adiciones

• Calcula precision, recall y f1 para modelo manual y random forest.
• Mide el tiempo de entrenamiento para cada configuracion de hiperparametros
• Se actualiza el criterio para medir el desempeño a f1.
• Actualiza los hiperparametros del modelo a los seleccionados.

v2.1.0

Modelos mejorados

• Se declaran matrices con los hiperparametros de cada uno de los modelos:
  Para el modelo manual:

  • Learning rate
  • Epochs
    Para el modelo con framework:
  • n_estimators
  • max_depth
  • min_sample_leaf
  • max_features

• Se guardan los parametros que reflejan un valor más alto de accuracy y menor bce en los modelos.

• Se realiza la validación con el conjunto de test con estos parametros.

v2.0.0

Modelo con framework (Scikit-learn)

• Se agrega un nuevo requerimiento para instalar: scikit-learn.
• Se agrega un nuevo modelo con el algoritmo de random forest para predecir el Sexo de los abulones.
• Se agrega este modelo a main para que corra en conjunto con el modelo manual.

v1.0.0

Implementación manual

• Se realiza la carga del dataset.
• Se realiza un analisis exploratorio de datos.
• Se realizan trasnformaciones y limpieza de datos a partir del EDA.
• Se realiza un analisis de correlacion entre variables.
• Se separan los datos de entrenamiento, validacion y pruebas.
• Se entrena al modelo utilizando una sigmoide como función de activacion, binary cross entropy como funcion de costo y gradiente descendiente para optimizar.
• Se muestran las metricas del rendimiento del modelo.