Portafolio de Implementación TC3006C - Módulo 2

Proyectos presentados:

• Técnica de aprendizaje máquina sin el uso de un framework
• Uso de framework o biblioteca de aprendizaje máquina para la implementación de una solución.

Por Cristofer Becerra Sánchez

Sin Framework

• Dataset: Vinos
• Algoritmo: Regresión logística con dos características (Alcohol y Flavonoides).
• Random State: 0
• Exactitud promedio: 94.44%
• Precisión promedio: 91.56%
• Sensibilidad (Recall) promedio: 92.53%
• F1 promedio: 91.93%

Archivos del repositorio

• PI-M2-SinFramework.ipynb es el proyecto de Jupyter Notebook donde se desarrolló la implementación del modelo SIN framework.
• PI-M2-SinFramework.py es el archivo .py exportado del proyecto de Jupyter Notebook.

Uso de Framework

• Dataset: Vinos
• Biblioteca: Scikit-learn
• Modelo: Multi-layer Perceptron Classifier
• Número de características: 13

Archivos del repositorio

• PortafolioImplementacion-E2-MLPC.ipynb es el proyecto de Jupyter Notebook donde se desarrolló la implementación del modelo CON framework.
• PortafolioImplementacion-E2-MLPC.py es el archivo .py exportado del proyecto de Jupyter Notebook.
• PortafolioImplementacion-MLPC.pdf es el documento PDF exportado del proyecto de Jupyter Notebook.
• wine.data es el archivo con los datos utilizados (se puede utilizar el permalink de este archivo o el link proporcionado en la sección de datos generales).

Desempeño del modelo

Conjunto de Entrenamiento

• Exactitud promedio: 99%
• Precisión promedio: 99%
• Sensibilidad (Recall) promedio: 99%
• F1 promedio: 99%

Conjunto de Validación

• Exactitud promedio: 100%
• Precisión promedio: 100%
• Sensibilidad (Recall) promedio: 100%
• F1 promedio: 100%

Conjunto de Prueba

• Exactitud promedio: 100%
• Precisión promedio: 100%
• Sensibilidad (Recall) promedio: 100%
• F1 promedio: 100%

Predicciones

Valores de entrada:

Alcohol	MalicAcid	Ash	AlcalinityOfAsh	Magnesium	TotalPhenols	Flavanoids	NonflavanoidPhenols	Proanthocyanins	ColorIntensity	Hue	OD280/OD315	Proline
0.531579	0.616601	0.513369	0.613402	0.163043	0.231034	0.263713	0.905660	0.381703	0.300341	0.292683	0.271062	0.169044
0.365789	0.357708	0.486631	0.587629	0.217391	0.241379	0.316456	1.000000	0.318612	0.121160	0.308943	0.743590	0.026391
0.500000	0.604743	0.689840	0.412371	0.347826	0.493103	0.436709	0.226415	0.495268	0.274744	0.447154	0.824176	0.350927
0.160526	0.260870	0.588235	0.567010	0.152174	0.334483	0.284810	0.660377	0.296530	0.129693	0.422764	0.542125	0.286733
0.444737	0.199605	0.491979	0.613402	0.152174	0.137931	0.299578	0.660377	0.384858	0.172355	0.325203	0.421245	0.149786

Valor de salida esperado (real) contra predicción del modelo:

Real	Predicción
1	1
1	1
0	0
1	1
1	1