autentisitet/python-sklearn-workflow

Flujo de Trabajo de Python Scikit-Learn

Activación

• Palabra clave: la tarea involucra sustancialmente selección de modelos scikit-learn, KFold, StratifiedKFold, GroupKFold, TimeSeriesSplit, cross_validate, GridSearchCV, RandomizedSearchCV, curvas de aprendizaje/validación, PCA, sklearn.inspection, ColumnTransformer o Pipeline.
• Intención: el usuario pregunta cómo dividir, preprocesar, ajustar, diagnosticar o interpretar un modelo scikit-learn sin fugas de datos.
• Declaración: una vez al comenzar el trabajo aplicable, indicar brevemente: Usando $python-sklearn-workflow porque esta tarea involucra evaluación o preprocesamiento de scikit-learn.
• Salida: dejar de aplicar este skill cuando los contratos de división, CV, preprocesamiento, búsqueda y diagnóstico estén resueltos.
• No activar: una actualización de dependencias, seguimiento de experimentos cuando la división/ajuste ya están fijos, una llamada predict ordinaria sobre un estimador ya entrenado, graficación solo de reporte a partir de predicciones ya calculadas, una pregunta aislada sobre una API de estimador, un pipeline de deep learning, o una importación incidental. La graficación pertenece aquí solo cuando la tarea cambia la puntuación, el diseño de evaluación, la metodología de diagnóstico o la inspección del modelo.

---

Comience con la Unidad de Evaluación

Antes de elegir un divisor, identifique qué debe permanecer independiente entre entrenamiento y evaluación:

• observaciones IID individuales;
• etiquetas de clase con resultados raros;
• usuarios, pacientes, dispositivos, sesiones, ubicaciones u otros grupos;
• observaciones cronológicas futuras; o
• una combinación de balance de clase y grupos no superpuestos.

Elija el conjunto de prueba y la estrategia de CV desde esa unidad, no desde un porcentaje predeterminado preferido. Lea references/model-selection-guide.md para opciones de divisor y búsqueda.

---

Mantenga el Preprocesamiento Dentro del Pliegue

• Separe cualquier conjunto de prueba final antes de ajustar escaladores, imputadores, codificadores, selectores de características, PCA u otras transformaciones aprendidas.
• Coloque el preprocesamiento aprendido y el estimador en Pipeline para que cada pliegue de CV ajuste las transformaciones solo en su partición de entrenamiento.
• Use ColumnTransformer cuando diferentes subconjuntos de columnas (numéricas, categóricas, texto u otras) necesiten transformaciones distintas.
• Busque parámetros anidados a través de nombres de pipeline como preprocess__numeric__scaler o model__C.
• No preprocese manualmente el conjunto de datos completo antes de cross_val_score, cross_validate, búsqueda en cuadrícula o búsqueda aleatoria.

Lea references/preprocessing-inspection.md para PCA, inspección y columnas heterogéneas.

---

Seleccione Herramientas de Evaluación y Búsqueda Deliberadamente

• Use cross_val_score para una métrica y puntuaciones de pliegue simples.
• Use cross_validate cuando se necesiten genuinamente múltiples métricas, puntuaciones de entrenamiento, tiempos de ajuste/puntuación, o estimadores devueltos.
• Use GridSearchCV para una cuadrícula de parámetros pequeña, discreta y justificada donde las combinaciones exhaustivas quepan en el presupuesto computacional.
• Use RandomizedSearchCV para espacios más grandes, distribuciones, o un presupuesto fijo de candidatos. Establezca n_iter y las distribuciones de parámetros deliberadamente.
• Mantenga la misma semántica de CV y contrato de puntuación entre comparaciones de modelos. Pase grupos/metadatos correctamente cuando el divisor los requiera.
• Preserve un conjunto de prueba intacto o use una evaluación anidada apropiada cuando la selección de modelos consuma todos los pliegues de desarrollo.

---

Añada Curvas e Inspección para Responder una Pregunta

• Use learning_curve para preguntar si más datos de entrenamiento probablemente reducirán la brecha entre entrenamiento y validación, o si ambas puntuaciones se han estabilizado.
• Use validation_curve para inspeccionar el comportamiento de entrenamiento/validación de un hiperparámetro. No es un reemplazo para la búsqueda multi-parámetro o pruebas finales.
• Use sklearn.inspection.permutation_importance para medir la dependencia de la puntuación de un modelo ajustado en las características, preferiblemente en datos no vistos después de confirmar que el modelo tiene rendimiento predictivo útil.
• Use dependencia parcial o ICE solo cuando sus supuestos y la distribución de características hagan que el resultado sea interpretable.
• No añada gráficos de inspección mecánicamente. Defina primero la pregunta de depuración, confiabilidad o interpretabilidad.

---

Salida Requerida

Indique la unidad de evaluación independiente; la justificación de la proporción de retención; el divisor de CV y la puntuación seleccionados; la colocación del preprocesamiento/PCA; el presupuesto de búsqueda en cuadrícula o aleatoria; si las curvas de aprendizaje/validación responden una pregunta concreta; el método de inspección y el conjunto de datos; los controles de fuga; y la ruta de evaluación final intacta.