MLOps-team6

Maestría en Inteligencia Artificial Aplicada

Asignatura: Operaciones de aprendizaje automático
Profesor Titular: Gerardo Rodriguez Hernández
Tema: Entrega 1 proyecto
Semana: Semana Cuatro
Estudiantes:

Nombre	Matrícula
Andrea Cantú Martínez	A01235000
Oscar Becerra Alegria	A01795611
Jorge Reyes Londono	A01794421
Henry Aranzales Lopez	A01794020
Fernando Torres Faúndez	A01796759
Grupo: Grupo 06

Informe de Proyecto

Sección 1: README

Proyecto de Machine Learning para Predicción de Supervivencia en Pacientes de Trasplante de Médula Ósea

Introducción

Este proyecto tiene como objetivo desarrollar un modelo de machine learning que permita predecir la supervivencia de pacientes pediátricos tras un trasplante de médula ósea. Basado en un conjunto de datos clínicos, el modelo ofrece una herramienta predictiva que puede apoyar a los profesionales médicos en la toma de decisiones, ayudando a personalizar los tratamientos post-trasplante y mejorar así las tasas de supervivencia de los pacientes.

Contexto del Proyecto

El proyecto utiliza datos de pacientes pediátricos con diversas enfermedades hematológicas, recolectados en un entorno clínico. Estos datos incluyen variables demográficas, datos del donante y el receptor, y detalles sobre el trasplante, entre otros. La correcta administración de estos datos es fundamental para cumplir con las normativas de privacidad y protección de datos, como la GDPR.

Objetivo

Desarrollar un modelo predictivo que, a través del análisis de datos históricos y clínicos, permita estimar la probabilidad de supervivencia de pacientes post-trasplante de médula ósea. Este modelo busca ser una herramienta complementaria para el personal médico, permitiéndoles basar sus decisiones en datos más precisos y personalizados.

Herramientas utilizadas en este proyecto

Hydra: Gestión avanzada de archivos de configuración, permitiendo modificar parámetros de manera dinámica. Consulta este artículo para más detalles.
pdoc: Generación automática de documentación de API para el proyecto.
Pre-commit plugins: Automatización de revisiones de código y formateo con plugins como black, isort y flake8.

Proceso de Construcción del Modelo de Machine Learning

Estructura del Repositorio

El repositorio está organizado de manera que cada componente del proyecto esté separado y claramente identificado. A continuación se describe la estructura de carpetas y archivos principales para facilitar la navegación y comprensión del proyecto.

Descripción General de Carpetas y Archivos

data/: Contiene los datos en crudo y procesados. Incluye subcarpetas para versionar datos con DVC.
src/: Código fuente del proyecto, que incluye los scripts de preprocesamiento, entrenamiento y evaluación del modelo.
notebooks/: Contiene los Jupyter Notebooks usados para análisis exploratorio de datos (EDA) y prototipado de modelos.
config/: Archivos de configuración (config.yaml) para hiperparámetros y rutas de archivos, centralizando los ajustes del pipeline.
tests/: Pruebas unitarias e integrales para verificar la funcionalidad de cada componente.
Dockerfile: Archivo de configuración de Docker para crear un contenedor reproducible del proyecto.
requirements.txt: Lista de dependencias necesarias para ejecutar el proyecto.
README.md: Documentación principal que explica el propósito, configuración y uso del proyecto.
Makefile: Define tareas automatizadas para facilitar la ejecución de distintos pasos del proyecto.

Árbol de Directorios

├── data/               # Almacenamiento de datos
├── src/                # Código fuente del proyecto
├── notebooks/          # Jupyter notebooks de análisis y prototipado
├── config/             # Archivos de configuración
├── tests/              # Pruebas unitarias e integrales
├── Dockerfile          # Configuración de Docker
├── requirements.txt    # Dependencias del proyecto
├── README.md           # Documentación principal del proyecto
└── Makefile            # Automatización de tareas


## Project Structure

```bash
.
├── config                      
│   ├── main.yaml                   # Main configuration file
│   ├── model                       # Configurations for training model
│   │   ├── model1.yaml             # First variation of parameters to train model
│   │   └── model2.yaml             # Second variation of parameters to train model
│   └── process                     # Configurations for processing data
│       ├── process1.yaml           # First variation of parameters to process data
│       └── process2.yaml           # Second variation of parameters to process data
├── data            
│   ├── final                       # data after training the model
│   ├── processed                   # data after processing
│   └── raw                         # raw data
├── docs                            # documentation for your project
├── .gitignore                      # ignore files that cannot commit to Git
├── Makefile                        # store useful commands to set up the environment
├── models                          # store models
├── notebooks                       # store notebooks
├── pyproject.toml                  # Configure black

├── README.md                       # describe your project
├── src                             # store source code
│   ├── __init__.py                 # make src a Python module 
│   ├── process.py                  # process data before training model
│   ├── train_model.py              # train model
│   └── utils.py                    # store helper functions
└── tests                           # store tests
    ├── __init__.py                 # make tests a Python module 
    ├── test_process.py             # test functions for process.py
    └── test_train_model.py         # test functions for train_model.py

Set up the environment

Create the virtual environment:

python3 -m venv venv

Activate the virtual environment:

For Linux/MacOS:

source venv/bin/activate

For Command Prompt:

.\venv\Scripts\activate

Install dependencies:

To install all dependencies, run:

pip install -r requirements-dev.txt

To install only production dependencies, run:

pip install -r requirements.txt

To install a new package, run:

pip install <package-name>

View and alter configurations

To view the configurations associated with a Pythons script, run the following command:

python src/process.py --help

Output:

process is powered by Hydra.

== Configuration groups ==
Compose your configuration from those groups (group=option)

model: model1, model2
process: process1, process2


== Config ==
Override anything in the config (foo.bar=value)

process:
  use_columns:
  - col1
  - col2
model:
  name: model1
data:
  raw: data/raw/sample.csv
  processed: data/processed/processed.csv
  final: data/final/final.csv

To alter the configurations associated with a Python script from the command line, run the following:

python src/process.py data.raw=sample2.csv

Auto-generate API documentation

To auto-generate API document for your project, run:

make docs

Configuración del Entorno

Para asegurar la correcta ejecución del proyecto y facilitar la reproducibilidad en distintos entornos, a continuación se detallan los pasos para configurar el entorno de trabajo, instalar las dependencias necesarias y preparar el proyecto para su uso.

Requerimientos de Software

Para ejecutar este proyecto, asegúrate de tener instaladas las siguientes herramientas:

Python (versión 3.8 o superior)
Git (para el control de versiones)
Docker (opcional, para ejecutar el entorno en un contenedor reproducible)
DVC (Data Version Control, para el control de versiones de datos)
MLflow (para el registro y gestión de experimentos)

Instalación de Dependencias

Existen múltiples formas de instalar las dependencias del proyecto. A continuación, se explican los métodos recomendados:

1. Instalación con `requirements.txt`

El archivo requirements.txt contiene todas las bibliotecas necesarias para ejecutar el proyecto. Puedes instalar estas dependencias ejecutando el siguiente comando:

pip install -r requirements.txt

Configuración de Datos

Para garantizar la consistencia en los datos y asegurar la reproducibilidad de los resultados, hemos implementado un sistema de control de versiones de datos mediante DVC (Data Version Control). Utilizamos Amazon S3 como almacenamiento externo para los datos, lo que permite acceder a versiones específicas sin sobrecargar el repositorio de código.

Obtención de Datos

El dataset utilizado en este proyecto contiene información clínica sensible de pacientes pediátricos que han recibido un trasplante de médula ósea. Para acceder a los datos, es necesario configurar las credenciales de Amazon S3 en tu sistema, ya que DVC los descarga directamente desde esta ubicación.

Versionado de Datos con DVC

Con DVC, cada versión de datos queda registrada y vinculada a una versión específica del código, lo que asegura que los experimentos se puedan reproducir en cualquier momento con los mismos datos y configuración.

Sección 2: Entregas del Proyecto

Diagrama de bloques

Bloque	Descripción	Propósito
Entrada de Datos	Almacenamiento en crudo de los datos clínicos sensibles de pacientes en Amazon S3.	Garantiza el acceso seguro y centralizado de los datos iniciales del proyecto, cumpliendo con normativas de privacidad.
Control de Versiones	Versionado de código con Git y de datos con DVC, sincronizados en Amazon S3.	Asegura que cada versión de código esté alineada con su versión de datos, permitiendo la reproducibilidad de los experimentos.
Configuración y Parámetros	Definición de hiperparámetros iniciales, rutas de datos y configuraciones clave para el pipeline.	Centraliza los parámetros del proyecto, facilitando ajustes rápidos y consistencia en los experimentos.
Preprocesamiento de Datos	Limpieza, normalización, estandarización y balanceo de clases para preparar los datos de entrada.	Asegura la calidad y consistencia de los datos antes de entrenar el modelo.
División de Datos	Separación de los datos preprocesados en conjuntos de entrenamiento y validación.	Facilita la comparación de modelos al asegurar que cada experimento use los mismos datos de entrenamiento y validación.
Entrenamiento del Modelo	Selección y ajuste de hiperparámetros; entrenamiento del modelo usando el conjunto de datos de entrenamiento.	Optimiza el modelo para mejorar su rendimiento y precisión en el conjunto de entrenamiento.
Evaluación del Modelo	Cálculo de métricas (AUC, precisión, sensibilidad) y generación de gráficos de evaluación (ROC, matriz de confusión) en datos de validación.	Mide el rendimiento del modelo en datos no vistos y valida su efectividad antes de avanzar a la siguiente etapa.
Registro de Experimentos	Uso de MLflow para registrar parámetros, métricas y artefactos, almacenándolos en Amazon S3 para trazabilidad.	Facilita la comparación y reproducibilidad de experimentos al almacenar versiones detalladas de cada experimento.
Pruebas y Validación	Pruebas unitarias en cada componente del pipeline, pruebas integrales del flujo completo y revisión de cobertura de código.	Asegura la calidad del código y del pipeline, previniendo errores y validando la funcionalidad de cada componente.
Integración Continua (CI)	GitHub Actions ejecuta pruebas automáticas en cada cambio en el repositorio.	Automatiza la validación de cambios en el código, asegurando la calidad antes de integrar en la rama principal.
Salida y Análisis	Selección del modelo óptimo, generación de informes de rendimiento y preparación para el uso clínico.	Finaliza el flujo con un modelo listo para implementación clínica y con documentación completa de su rendimiento.

Entrega 1 Proyecto

1. Manipulación y Preparación de Datos

Tarea:

La manipulación y preparación de datos implica poner los datos en un formato que pueda ser utilizado por los modelos de Machine Learning, eliminando problemas como valores faltantes o inconsistencias.

Pasos que se realizaron:

Importar el conjunto de datos: En ambos notebooks se utilizó la función pd.read_csv() para cargar los datos desde un archivo CSV. Este es el paso donde cargamos los datos crudos en un DataFrame de pandas para comenzar a trabajar con ellos.
```
# Cargar el dataset desde un archivo CSV
df = pd.read_csv('path_to_file.csv')  
# 'df' es nuestro DataFrame, donde guardamos el conjunto de datos para empezar a trabajar con ellos.
```

Exploración de la estructura del DataFrame: Para comprender mejor el dataset, se utilizó df.info() y df.shape para ver cuántas filas y columnas tiene el dataset, qué tipos de datos están presentes, y cuántos valores nulos hay.

# Ver las primeras 5 filas del dataset para una inspección rápida
df.head()  
# Esto te ayuda a ver una muestra de cómo están estructurados los datos.

# Mostrar las columnas y el tipo de datos de cada una
df.info()  
# Te proporciona un resumen del DataFrame, incluyendo tipos de datos y valores nulos.

# Mostrar el tamaño del dataset (número de filas y columnas)
print(df.shape)  
# Esto te dice cuántas filas y columnas tiene el dataset.

# Obtener estadísticas descriptivas de las columnas numéricas
df.describe()  
# Esto te da información estadística clave como la media, desviación estándar, mínimo, máximo, etc.

Limpieza de datos: Una tarea importante en la preparación de los datos fue identificar y manejar valores faltantes. En los notebooks, parece que se usa el método dropna() para eliminar filas con valores nulos, aunque en algunos casos puede ser mejor reemplazar valores faltantes con la media o mediana de la columna (dependiendo del tipo de dato).
```
# Eliminar filas con valores nulos
df = df.dropna()  
# Eliminamos las filas que contienen valores nulos para evitar problemas durante el modelado.
```

Resultado:

El dataset se cargó y se limpió, eliminando los valores nulos que podrían afectar el modelado posterior. El objetivo aquí es tener datos consistentes y completos, lo que es crucial para asegurar que el modelo de Machine Learning se entrene de manera efectiva.

2. Exploración y Preprocesamiento de Datos

Tarea:

El análisis exploratorio de datos (EDA) y el preprocesamiento son esenciales para entender el dataset antes de construir un modelo. El EDA ayuda a identificar relaciones y patrones dentro de los datos, mientras que el preprocesamiento asegura que los datos estén en un formato adecuado para el modelado.

Pasos que se realizaron:

Análisis Exploratorio (EDA): Se utilizaron funciones como describe() para generar estadísticas descriptivas sobre las columnas numéricas del dataset, lo cual ayuda a identificar patrones en los datos, como la media, la desviación estándar, los valores mínimos y máximos, etc.
```
# Obtener estadísticas descriptivas de las columnas numéricas
df.describe()  
# Esto te da información estadística clave como la media, desviación estándar, mínimo, máximo, etc.
```

Visualización de datos: Se utilizó matplotlib y seaborn para crear gráficos que permitan visualizar relaciones y distribuciones en los datos. Por ejemplo, se pueden crear gráficos de dispersión (scatter plots) o histogramas para ver cómo se distribuyen las variables clave.

# Crear un gráfico de dispersión (pairplot) para ver relaciones entre las variables
sns.pairplot(df)  
# Esto muestra gráficos de pares para ver la relación entre múltiples variables del dataset.

# Mostrar un histograma para visualizar la distribución de una columna específica
df['survival_time'].hist(bins=50)
plt.show()  
# Esto crea un histograma que muestra cómo están distribuidos los tiempos de supervivencia en el dataset.

Normalización de datos: Las variables numéricas como survival_time y CD34+ cells/kg pueden estar en diferentes escalas. Para mejorar el rendimiento del modelo, se aplicó la normalización utilizando MinMaxScaler para llevar todas las variables a una escala común entre 0 y 1.

from sklearn.preprocessing import MinMaxScaler

# Inicializar el normalizador
scaler = MinMaxScaler()  

# Aplicar la normalización a todas las columnas numéricas
df_scaled = scaler.fit_transform(df)  
# Los valores son escalados entre 0 y 1 para asegurar que las diferentes variables tengan una escala similar.

Codificación de variables categóricas: Algunas de las variables en el dataset son categóricas (por ejemplo, el grupo sanguíneo, el género). Para que los algoritmos de Machine Learning puedan usarlas, se aplicaron técnicas de codificación como OneHotEncoder.

from sklearn.preprocessing import OneHotEncoder

# Inicializar el codificador
encoder = OneHotEncoder()  

# Aplicar codificación a las columnas categóricas
df_encoded = encoder.fit_transform(df[['gender', 'blood_type']])  
# Transformamos las variables categóricas (como género o tipo de sangre) en variables numéricas que el modelo pueda entender.

Resultado:

El análisis exploratorio proporcionó una comprensión profunda de los datos y ayudó a identificar relaciones clave entre las variables. El preprocesamiento transformó los datos en un formato adecuado para el modelado al normalizar y codificar las variables.

3. Versionado de Datos

Tarea:

El versionado de datos permite registrar y rastrear todos los cambios realizados durante la manipulación de datos. Esto es importante para asegurar la reproducibilidad de los resultados.

Pasos que se realizaron:

Uso de Git para control de versiones: En los proyectos de Machine Learning, herramientas como Git permiten gestionar los cambios realizados en los archivos de datos y scripts de código. El control de versiones no solo es útil para los datos, sino también para asegurar que todos los cambios en el código estén registrados.
```
# Inicializar un repositorio Git
git init  

# Agregar archivos al repositorio
git add .  

# Crear un commit con los cambios realizados
git commit -m "Versión inicial del dataset y preprocesamiento"
```
Documentación de cambios: Cada modificación de los datos fue documentada para que se pueda rastrear en el futuro qué transformaciones se realizaron en los datos y cuándo.

Resultado:

Se creó un control de versiones claro que permite rastrear los cambios realizados en los datos y asegurar la reproducibilidad del experimento.

4. Construcción, Ajuste y Evaluación de Modelos de Machine Learning

Tarea:

La construcción del modelo implica seleccionar el algoritmo adecuado, entrenarlo y evaluarlo usando métricas específicas.

Pasos que se realizaron:

Selección de algoritmos: Para el problema de predicción de la supervivencia (survival_time), se eligió un algoritmo de regresión, como un Random Forest Regressor o una regresión lineal.

# Construcción y Entrenamiento de un Modelo

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

# Separar los datos en características (X) y la variable objetivo (y)
X = df.drop('survival_time', axis=1)  # Variables predictoras
y = df['survival_time']  # Variable objetivo

# Dividir los datos en conjunto de entrenamiento y prueba (80% entrenamiento, 20% prueba)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  

# Inicializar el modelo RandomForest
model = RandomForestRegressor()  

# Entrenar el modelo con los datos de entrenamiento
model.fit(X_train, y_train)  
# Entrenamos el modelo con los datos preprocesados.

Ajuste de hiperparámetros: Se usó GridSearchCV para ajustar los hiperparámetros del modelo y mejorar su rendimiento.

from sklearn.model_selection import GridSearchCV

# Definir los hiperparámetros a ajustar
param_grid = {'n_estimators': [100, 200], 'max_depth': [10, 20]}

# Inicializar el GridSearchCV para encontrar los mejores hiperparámetros
grid_search = GridSearchCV(model, param_grid, cv=5)  

# Ajustar el modelo con los datos de entrenamiento y probar diferentes combinaciones de hiperparámetros
grid_search.fit(X_train, y_train)  
# GridSearch prueba diferentes combinaciones de hiperparámetros para encontrar la que mejor funcione.

Evaluación del modelo: Se utilizaron métricas como el Error Medio Absoluto (MAE) y el coeficiente de determinación (R²) para evaluar la precisión del modelo.

from sklearn.metrics import mean_absolute_error

# Hacer predicciones con el modelo en los datos de prueba
y_pred = model.predict(X_test)  

# Evaluar el modelo utilizando el Error Medio Absoluto (MAE)
mae = mean_absolute_error(y_test, y_pred)  
print(f"Error Medio Absoluto: {mae}")
# El MAE nos dice en promedio cuánto se desvía nuestra predicción del valor real.

Resultado:

Se construyó y ajustó un modelo de Machine Learning basado en algoritmos de regresión para predecir la supervivencia de los pacientes. Los resultados del modelo se evaluaron utilizando métricas como el MAE y el R².

5. Aplicación de Mejores Prácticas en el Pipeline de Modelado

Tarea:

El pipeline de modelado debe ser eficiente y reproducible, automatizando tareas como el preprocesamiento y la evaluación del modelo.

Pasos que se realizaron:

Construcción del pipeline: Se creó un pipeline de sklearn para automatizar el flujo de trabajo del modelo, desde el preprocesamiento hasta la evaluación.

from sklearn.pipeline import Pipeline

# Crear un pipeline que integre la normalización y el modelo de RandomForest
pipeline = Pipeline([
    ('scaler', MinMaxScaler()),  # Primer paso: normalización
    ('model', RandomForestRegressor())  # Segundo paso: aplicar el modelo
])

# Entrenar el pipeline
pipeline.fit(X_train, y_train)  
# El pipeline combina varios pasos en uno solo, facilitando la ejecución automática.

Documentación del pipeline: Se documentaron los pasos y se aseguraron de que el pipeline fuera fácil de reproducir.

Resultado:

El pipeline facilita la ejecución automática de todas las etapas del proceso, asegurando eficiencia y reproducibilidad.

6. Estructuración y Refactorización del Código

Tarea:

Es importante que el código esté bien organizado y estructurado, para facilitar el mantenimiento a largo plazo.

Pasos que se realizaron:

Organización en módulos y funciones: El código se refactorizó en funciones claras, cada una con un propósito bien definido.

# Función para cargar los datos desde un archivo
def cargar_datos(path):
    return pd.read_csv(path)

# Función para preprocesar los datos (eliminar valores nulos, normalizar, etc.)
def preprocesar_datos(df):
    df = df.dropna()
    scaler = MinMaxScaler()
    df_scaled = scaler.fit_transform(df)
    return df_scaled

Aplicación de POO (Programación Orientada a Objetos): En algunos casos, se encapsuló el código en clases para mejorar la modularidad y reutilización.

# Importamos las bibliotecas necesarias
import pandas as pd
from sklearn.preprocessing import MinMaxScaler, OneHotEncoder
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error

class PipelineSupervivencia:
    def __init__(self, file_path):
        """
        Constructor que inicializa el dataset y el modelo.
        """
        self.file_path = file_path
        self.data = None
        self.model = None
        self.scaler = MinMaxScaler()
        self.encoder = OneHotEncoder(sparse=False)
    
    def cargar_datos(self):
        """
        Método para cargar los datos desde un archivo CSV.
        """
        self.data = pd.read_csv(self.file_path)
        print("Datos cargados correctamente.")
        return self.data
    
    def preprocesar_datos(self):
        """
        Método para limpiar y preprocesar los datos (eliminar nulos, normalizar y codificar).
        """
        # Eliminamos filas con valores nulos
        self.data = self.data.dropna()

        # Normalizamos las variables numéricas
        columnas_numericas = self.data.select_dtypes(include=['float64', 'int64']).columns
        self.data[columnas_numericas] = self.scaler.fit_transform(self.data[columnas_numericas])

        # Codificamos variables categóricas (ejemplo con género y tipo de sangre)
        columnas_categoricas = ['gender', 'blood_type']
        self.data[columnas_categoricas] = self.encoder.fit_transform(self.data[columnas_categoricas])

        print("Datos preprocesados.")
        return self.data

    def entrenar_modelo(self):
        """
        Método para dividir los datos y entrenar el modelo de RandomForest.
        """
        # Separar características (X) de la variable objetivo (y)
        X = self.data.drop('survival_time', axis=1)
        y = self.data['survival_time']
        
        # Dividir los datos en conjunto de entrenamiento y prueba
        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
        
        # Inicializar y entrenar el modelo
        self.model = RandomForestRegressor()
        self.model.fit(X_train, y_train)
        
        print("Modelo entrenado.")
        return X_test, y_test
    
    def evaluar_modelo(self, X_test, y_test):
        """
        Método para evaluar el modelo en los datos de prueba.
        """
        # Hacer predicciones
        y_pred = self.model.predict(X_test)
        
        # Evaluar el modelo con MAE
        mae = mean_absolute_error(y_test, y_pred)
        print(f"Error Medio Absoluto (MAE): {mae}")
        return mae

# Ejemplo de uso de la clase

# Inicializamos el pipeline con la ruta de los datos
pipeline = PipelineSupervivencia(file_path='path/to/bone_marrow_data.csv')

# Cargar los datos
pipeline.cargar_datos()

# Preprocesar los datos
pipeline.preprocesar_datos()

# Entrenar el modelo
X_test, y_test = pipeline.entrenar_modelo()

# Evaluar el modelo
pipeline.evaluar_modelo(X_test, y_test)

Explicación del código:

Constructor (__init__): Inicializamos la clase con el archivo de datos, un modelo de RandomForest, un escalador (MinMaxScaler) para normalizar las variables numéricas, y un codificador (OneHotEncoder) para las variables categóricas.
Método cargar_datos(): Carga el archivo CSV y lo guarda en un atributo de la clase (self.data).
Método preprocesar_datos(): Realiza la limpieza de los datos eliminando valores nulos, luego normaliza las columnas numéricas y aplica la codificación a las columnas categóricas.
Método entrenar_modelo(): Divide los datos en conjuntos de entrenamiento y prueba, entrena el modelo de RandomForest con los datos preprocesados.
Método evaluar_modelo(): Evalúa el modelo utilizando la métrica de Error Medio Absoluto (MAE) en los datos de prueba.

Beneficios de POO:

Modularidad: Cada parte del pipeline está encapsulada en métodos que pueden reutilizarse.
Mantenibilidad: Si se necesita cambiar o actualizar alguna parte del código (por ejemplo, el modelo), es más fácil de gestionar.
Claridad: El código se organiza de una manera más legible y escalable, dividiendo las responsabilidades en métodos específicos.

Resultado:

El código fue refactorizado y organizado de manera clara, lo que facilita su mantenimiento y mejora la eficiencia general.

Conclusiones

Se puede concluir que la calidad del preprocesamiento es fundamental para el éxito del modelado en proyectos de Machine Learning. En este caso, la eliminación de valores nulos, la normalización de las variables numéricas y la codificación de variables categóricas fueron pasos críticos que garantizaron que los datos estuvieran listos para ser procesados por los algoritmos. Sin una adecuada preparación de los datos, los modelos no habrían sido capaces de aprender correctamente los patrones subyacentes ni generar predicciones precisas. Por lo tanto, una buena preparación de los datos es esencial para obtener resultados fiables y precisos en cualquier tarea de modelado.
Se puede concluir que la evaluación y ajuste de modelos son pasos clave para mejorar significativamente el rendimiento de los modelos de Machine Learning. En este proyecto, el uso de técnicas como el ajuste de hiperparámetros a través de GridSearchCV y la evaluación utilizando el Error Medio Absoluto (MAE) permitieron optimizar el modelo y mejorar su precisión. Ajustar los parámetros del modelo de manera adecuada tuvo un impacto significativo en la capacidad del modelo para predecir la supervivencia de los pacientes, demostrando que pequeñas optimizaciones pueden llevar a grandes mejoras en el desempeño del modelo.
Se puede concluir que el uso de la Programación Orientada a Objetos (POO) mejora la escalabilidad y mantenibilidad del código en proyectos de Machine Learning. Al encapsular las diferentes fases del pipeline de modelado (carga de datos, preprocesamiento, entrenamiento y evaluación) dentro de una clase, se organizó el código de manera más eficiente, haciéndolo más modular y fácil de mantener. Este enfoque facilita la implementación de cambios futuros, como la adición de nuevos modelos o pasos de preprocesamiento, y asegura que el código sea más legible y escalable. La POO es una herramienta clave para mantener proyectos más complejos y colaborativos en el ámbito del aprendizaje automático.

Files

README.md

Latest commit

History

README.md

File metadata and controls

MLOps-team6

Maestría en Inteligencia Artificial Aplicada

Informe de Proyecto

Sección 1: README

Proyecto de Machine Learning para Predicción de Supervivencia en Pacientes de Trasplante de Médula Ósea

Introducción

Contexto del Proyecto

Objetivo

Herramientas utilizadas en este proyecto

Proceso de Construcción del Modelo de Machine Learning

Estructura del Repositorio

Descripción General de Carpetas y Archivos

Árbol de Directorios

Set up the environment

View and alter configurations

Auto-generate API documentation

Configuración del Entorno

Requerimientos de Software

Instalación de Dependencias

1. Instalación con requirements.txt

Configuración de Datos

Obtención de Datos

Versionado de Datos con DVC

Sección 2: Entregas del Proyecto

Diagrama de bloques

Entrega 1 Proyecto

1. Manipulación y Preparación de Datos

Tarea:

Pasos que se realizaron:

Resultado:

2. Exploración y Preprocesamiento de Datos

Tarea:

Pasos que se realizaron:

Resultado:

3. Versionado de Datos

Tarea:

Pasos que se realizaron:

Resultado:

4. Construcción, Ajuste y Evaluación de Modelos de Machine Learning

Tarea:

Pasos que se realizaron:

Resultado:

5. Aplicación de Mejores Prácticas en el Pipeline de Modelado

Tarea:

Pasos que se realizaron:

Resultado:

6. Estructuración y Refactorización del Código

Tarea:

Pasos que se realizaron:

Explicación del código:

Beneficios de POO:

Resultado:

Conclusiones

1. Instalación con `requirements.txt`