Tema 5
Taller 3 · Pipelines de clasificación
Instrucciones previas
# Taller 3
# Si no tiene instalada la librería, ejecute:
!pip install -U calificar
import calificar as cr
import numpy as np
import pandas as pd
from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import recall_score, f1_score, roc_auc_score
from statsmodels.stats.outliers_influence import variance_inflation_factor
# Reemplace 'ID' por su código estudiantil (si son dos: '20261026;20261027') y G por su número de tema.
taller = cr.taller('ID', G, 'T3BD2026ii', 10)
1. Análisis de Multicolinealidad (VIF) y Selección:
a) Cargue el dataset 'credit-g' usando fetch_openml(name='credit-g', version=1, as_frame=True).
b) Filtre únicamente las variables numéricas base: ['duration', 'credit_amount', 'age'].
c) Calcule el Factor de Inflación de la Varianza (VIF) para cada una de estas variables.
[0] ¿Cuál es el valor del VIF calculado para la variable 'credit_amount'? (Exprese con 4 decimales)
2. Diagnóstico y Balanceo de Clases:
a) Mapee la variable 'class' para crear una variable objetivo binaria (target) donde 'bad' equivale a 1 y 'good' a 0.
b) Calcule la proporción (porcentaje) de la clase minoritaria (1) en todo el conjunto de datos original.
[1] ¿Qué porcentaje (%) de los datos pertenece a la clase minoritaria (1)? (Exprese con 2 decimales, ej: 30.00)
3. Transformación de Variables Asimétricas:
a) Genere una copia de la columna 'credit_amount' y aplique una transformación logarítmica natural: np.log(df['credit_amount']).
b) Calcule el coeficiente de asimetría (skewness) de esta variable transformada usando el método .skew().
[2] ¿Cuál es el coeficiente de asimetría de 'credit_amount' después de aplicar el logaritmo natural?
4. Tratamiento de Outliers (Rango Intercuartílico - IQR):
a) Calcule el Límite Superior de valores atípicos para la variable 'duration' usando la fórmula estricta: Q3 + 1.5 * IQR.
b) Determine cuántos registros de la columna 'duration' exceden de forma estricta este límite en el dataset completo.
[3] ¿Cuántos registros atípicos (outliers) superiores se identificaron en la columna 'duration'?
5. Construcción del ColumnTransformer:
a) Defina las variables numéricas como ['duration', 'credit_amount', 'age'] y las categóricas como ['checking_status', 'purpose'].
b) Diseñe un preprocesador usando ColumnTransformer que aplique:
- Para numéricas: Un pipeline con SimpleImputer(strategy='median') y StandardScaler().
- Para categóricas: Un pipeline con SimpleImputer(strategy='most_frequent') y OneHotEncoder(handle_unknown='ignore', sparse_output=False).
c) Separe sus variables en X (las 5 características indicadas) e y (target), y realice un split con test_size=0.2 y random_state=37076.
d) Ajuste (fit_transform) el preprocesador ÚNICAMENTE con los datos de entrenamiento X_train.
[4] ¿Cuántas columnas totales tiene la matriz resultante de entrenamiento preprocesada?
6. Pipeline Completo de Clasificación Base:
a) Construya un objeto Pipeline que integre el preprocesador del punto anterior como primer paso, y un modelo base LogisticRegression(random_state=37076, max_iter=1000).
b) Entrene el pipeline usando X_train e y_train. Calcule la predicción sobre el conjunto de prueba X_test.
[5] ¿Cuál es la precisión global (accuracy_score) obtenida por este pipeline base en el conjunto de prueba?
7. Métricas de Evaluación de la Matriz de Confusión:
a) Genere la matriz de confusión o use métricas directas sobre el conjunto de prueba evaluado con el pipeline anterior.
b) Calcule el valor exacto de la sensibilidad (Recall) enfocado en la clase de riesgo (clase 1).
[6] ¿Cuál es el valor del Recall obtenido para la clase 1 en el conjunto de prueba? (Exprese con 4 decimales)
8. Selección del Mejor Modelo (Competencia F1-Score):
a) Instancie un segundo modelo competitivo reemplazando el clasificador por un DecisionTreeClassifier(random_state=37076) dentro de una nueva estructura de Pipeline idéntica.
b) Entrene y evalúe este árbol en el conjunto de prueba. Extraiga el valor de f1_score para la clase 1 de ambos modelos.
[7] ¿Cuál es el F1-Score más alto para la clase 1 obtenido entre la Regresión Logística y el Árbol de Decisión?
9. Sintonización de Hiperparámetros (Grid Search con Validación Cruzada):
a) Tome el pipeline que contiene el DecisionTreeClassifier y configure una búsqueda usando GridSearchCV.
b) Defina exactamente la siguiente rejilla de parámetros: classifier__max_depth: [3, 5, 10] y classifier__min_samples_split: [2, 5].
c) Configure la búsqueda con validación cruzada cv=3 y optimizando la métrica scoring='f1'. Entrene sobre X_train.
[8] ¿Cuál es el valor del mejor parámetro 'max_depth' seleccionado por la búsqueda en rejilla?
10. Evaluación del Pipeline Final Optimizado:
a) Extraiga el mejor estimador sintonizado del Grid Search (grid.best_estimator_) y prediga las probabilidades del conjunto de prueba.
b) Calcule la métrica del Área Bajo la Curva ROC (roc_auc_score) en el conjunto de prueba.
[9] ¿Cuál es el valor del AUC-ROC en el conjunto de prueba para el árbol optimizado? (Exprese con 4 decimales)