supervised-learning-analysis

Análisis de aprendizaje supervisado

Análisis de Datos Supervisados: Cáncer de Mama y Titanic

Este proyecto realiza un análisis de datos utilizando algoritmos de aprendizaje supervisado aplicados a dos datasets: load_breast_cancer y el dataset del Titanic. La meta es comparar el rendimiento de diferentes modelos supervisados para clasificación, como Naive Bayes, Análisis Discriminante Lineal (LDA) y Regresión Logística.

Estructura del Proyecto

El proyecto está organizado de la siguiente manera:

supervised-learning-analysis/
│
├── data/                        # Directorio para los datos (no se sube a GitHub)
│   ├── wdbc.data                # Dataset de cáncer de mama
│   ├── titanic_data.csv         # Dataset del Titanic
│
├── notebooks/                   # Notebooks Jupyter
│   ├── analysis.ipynb           # Análisis principal y evaluación de modelos
│
├── results/                     # Resultados generados por el análisis
│   ├── figures/                 # Directorio para guardar las gráficas de confusión
│   ├── models/                  # Modelos entrenados guardados como archivos .pkl
│
├── src/                         # Código fuente del proyecto
│   ├── data_preprocessing.py    # Preprocesamiento de los datos
│   ├── feature_engineering.py   # Ingeniería de características
│   ├── models.py                # Definición y entrenamiento de modelos
│   ├── evaluation.py            # Funciones para evaluación de modelos
│   ├── unsupervised_analysis.py # Análisis no supervisado
│
├── .gitignore                   # Archivos y carpetas ignoradas por Git
└── README.md                    # Descripción del proyecto

Descripción del Análisis

1. Dataset de Cáncer de Mama

El primer análisis utiliza el dataset de cáncer de mama (load_breast_cancer). Los datos se preprocesan, se dividen en conjuntos de entrenamiento y prueba, y se aplican tres modelos supervisados:

• Naive Bayes
• Análisis Discriminante Lineal (LDA)
• Regresión Logística

El rendimiento de los modelos se evalúa utilizando la precisión, la matriz de confusión y el informe de clasificación.

2. Dataset del Titanic

El segundo análisis utiliza el dataset del Titanic. Similar al primer análisis, se preprocesan los datos, eliminando las columnas irrelevantes. Luego, se entrenan los mismos modelos supervisados y se evalúan utilizando métricas similares.

Resultados

Las matrices de confusión y los informes de clasificación muestran cómo se desempeñan los modelos en cada dataset. En este proyecto, se incluye un análisis detallado del rendimiento de cada modelo, junto con las conclusiones y posibles mejoras futuras.

Cómo Ejecutar el Proyecto

1. Clona este repositorio:

   git clone https://github.com/SanMaBruno/supervised-learning-analysis.git

2. Navega al directorio del proyecto:

   cd supervised-learning-analysis

3. Crea y activa un entorno virtual:

   python -m venv venv
   source venv/bin/activate  # En Linux/MacOS
   venv\Scripts\activate  # En Windows

4. Instala las dependencias:

   pip install -r requirements.txt

5. Ejecuta los notebooks para ver el análisis completo.

Requisitos

• Python 3.8 o superior
• scikit-learn
• pandas
• numpy
• matplotlib

Contribuciones

Las contribuciones son bienvenidas. Por favor, abre un "issue" o un "pull request" para mejoras o correcciones.

Autor

Desarrollado por Bruno San Martín.