Clasificación Multiclase y Optimización de Modelos en el Dataset "20 Newsgroups"

Este repositorio contiene ejercicios y experimentos sobre clasificación multiclase, aplicados al dataset "20 Newsgroups". Se presentan las métricas utilizadas en este tipo de problemas y una comparación de varios clasificadores entrenados y optimizados para lograr el mejor rendimiento posible.

Ejercicio 1: Interpretación de métricas en clasificación multiclase

En la clasificación multiclase, métricas como Accuracy, Precision, Recall y F1-Score se interpretan con ciertas adaptaciones para manejar múltiples clases. En este repositorio, se discuten:

• Accuracy: Proporción global de predicciones correctas.
• Precision, Recall y F1-Score por clase: Evaluación específica para cada clase.
• Promedios globales (Micro, Macro, Weighted): Resumen general de métricas para evaluar el modelo globalmente.

El enfoque empleado incluye:

1. Reportar métricas por clase.
2. Proporcionar promedios globales utilizando estrategias como micro, macro y weighted.

Consulta la documentación en el archivo para más detalles.

Ejercicio 2: Clasificación del dataset "20 Newsgroups"

Descripción del problema

Se clasifica el dataset "20 Newsgroups" utilizando múltiples clasificadores:

• Multinomial Naive Bayes
• Regresión Logística
• LinearSVC
• Perceptron

Se realizan ajustes de hiperparámetros y optimización de cada modelo con el objetivo de encontrar la mejor solución. El rendimiento se evalúa en términos de métricas estándar y visualizaciones de resultados.

Dataset

• Fuente: sklearn.datasets.fetch_20newsgroups
• Clases: 20 categorías de noticias.
• Tamaño del conjunto de datos:
  • Entrenamiento: ~11,000 documentos.
  • Prueba: ~7,500 documentos.

Resultados

Comparación de modelos

Modelo	Accuracy	Principales Hiperparámetros
LinearSVC	0.823	C=0.01, loss='squared_hinge', max_iter=15000
LogisticRegression	0.803	C=1, penalty='l2', solver='lbfgs'
MultinomialNB	0.792	alpha=0.0001, fit_prior=True
Perceptron	0.741	alpha=0.0001

Mejor solución: LinearSVC

• Accuracy: 82.3%
• Principales métricas por clase:
  • Promedio ponderado de F1-Score: 0.822.
  • Mejores clases:
    • rec.motorcycles: F1-Score = 0.942.
    • rec.sport.hockey: F1-Score = 0.944.
  • Clases más difíciles:
    • talk.religion.misc: F1-Score = 0.650.
    • talk.politics.misc: F1-Score = 0.667.

Visualizaciones

El repositorio incluye scripts para generar gráficos de Precision, Recall, F1-Score y Support para cada clase. Los gráficos proporcionan una visión clara del rendimiento del modelo por categoría y a nivel global.

Requisitos

• Python >= 3.7
• Librerías principales:
  • scikit-learn
  • pandas
  • matplotlib