Adding Lab2.

2026-08-25 12:19:45 -06:00
parent a3f00b0d60
commit 548746321e
23 changed files with 2482 additions and 3 deletions
@@ -0,0 +1,61 @@
+"""Ejecuta la solución de referencia y guarda el artefacto para inferencia."""
+from __future__ import annotations
+import json
+from pathlib import Path
+import matplotlib.pyplot as plt
+from lib_modelos import (
+    ajustar_estandarizador, buscar_hiperparametros, buscar_umbral, cargar_csv,
+    division_estratificada, guardar_modelo, metricas, transformar,
+)
+
+RAIZ = Path(__file__).resolve().parent
+
+def fila_publica(resultado):
+    return {
+        "arquitectura": resultado["configuracion"]["arquitectura"],
+        "costo_dev": resultado["costo"], "umbral_dev": resultado["umbral"],
+        "accuracy_dev": resultado["accuracy"], "precision_dev": resultado["precision"],
+        "recall_dev": resultado["recall"], "f1_dev": resultado["f1"],
+    }
+
+def main():
+    x, y, _ = cargar_csv(RAIZ/"datos_publicos"/"train_1000_desbalanceado.csv")
+    indice_train, indice_dev = division_estratificada(y, .20, semilla=31)
+    media, desviacion = ajustar_estandarizador(x[indice_train])
+    xt = transformar(x[indice_train], media, desviacion)
+    xd = transformar(x[indice_dev], media, desviacion)
+
+    configuraciones = [
+        {"arquitectura": {"tipo": "mlp", "entrada": 4, "ocultas": [32, 16]},
+         "entrenamiento": {"epocas": 100, "batch_size": 64, "learning_rate": .003},
+         "costo_fn": 5, "costo_fp": 1},
+        {"arquitectura": {"tipo": "mlp_residual_bn", "entrada": 4, "ancho": 32},
+         "entrenamiento": {"epocas": 100, "batch_size": 64, "learning_rate": .002},
+         "costo_fn": 5, "costo_fp": 1},
+    ]
+    mejor, resultados = buscar_hiperparametros(configuraciones, xt, y[indice_train], xd, y[indice_dev], semilla=41)
+    carpeta = RAIZ/"instructor_privado"/"artefactos"
+    guardar_modelo(carpeta/"modelo_mejor.npz", mejor["modelo"], mejor["configuracion"]["arquitectura"], media, desviacion)
+
+    xpriv, ypriv, _ = cargar_csv(RAIZ/"instructor_privado"/"test_200_balanceado.csv")
+    ppriv = mejor["modelo"].probabilidad(transformar(xpriv, media, desviacion))
+    mpriv = metricas(ypriv, ppriv, mejor["umbral"])
+    resumen = {
+        "split": {"train": int(len(indice_train)), "dev": int(len(indice_dev)), "clase_1_train": int(y[indice_train].sum()), "clase_1_dev": int(y[indice_dev].sum())},
+        "candidatos": [fila_publica(r) for r in resultados],
+        "mejor": fila_publica(mejor),
+        "evaluacion_privada": mpriv,
+    }
+    (carpeta/"resumen_solucion.json").write_text(json.dumps(resumen, indent=2), encoding="utf-8")
+
+    historia = mejor["historia"]; ejes = range(1, len(historia["loss_train"])+1)
+    fig, ax = plt.subplots(1, 2, figsize=(10, 3.5))
+    ax[0].plot(ejes, historia["loss_train"], label="train"); ax[0].plot(ejes, historia["loss_dev"], label="dev")
+    ax[0].set(xlabel="Época", ylabel="Pérdida BCE ponderada", title="Curvas de pérdida"); ax[0].legend()
+    ax[1].plot(ejes, historia["accuracy_dev"], label="Accuracy dev"); ax[1].plot(ejes, historia["f1_dev"], label="F1 dev")
+    ax[1].set(xlabel="Época", ylabel="Métrica", title="Desarrollo"); ax[1].legend()
+    fig.tight_layout(); fig.savefig(carpeta/"curvas_solucion.png", dpi=160); plt.close(fig)
+    print(json.dumps(resumen, indent=2))
+
+if __name__ == "__main__":
+    main()