You can deploy this model and start earning money today!

iabd04/
Clasificador_Estados_Materia

Name: Clasificador_Estados_Materia
Availability: InStock

text-classification

iabd04/estados_materia_dataset

cc-by-nc-4.0

Views

No views yet

Clasificador de Estados de la Materia

Este modelo de clasificación ha sido entrenado desde cero para predecir el estado físico de la materia (Sólido, Líquido, Gas, Plasma) en función de variables físico-químicas simuladas.

Objetivo del modelo

Predecir el estado físico de la materia con especial interés en detectar correctamente el estado basándose en el f1_score.

Características del modelo

Tipo: Clasificación
Algoritmo: SVM (Support Vector Machine) con kernel lineal
Hiperparámetros:
- C = 200
- kernel = linear
Normalización previa: MinMaxScaler()
Entrenado con datos sintéticos simulados

El modelo fue entrenado utilizando un dataset que se encuentra en Hugging Face: iabd04/estados_materia_dataset.

Variables de entrada

Temperatura
Presión
Densidad
Nivel_Energía

Todas las variables fueron normalizadas antes del entrenamiento.

Evaluación del modelo

Métrica prioritaria: F1_Score
Rendimiento superior con SVM Lineal frente a otros modelos (Logistic Regression, Árboles, kNN)

Requisitos

Para ejecutar este modelo, asegúrate de tener instaladas las siguientes librerías de Python:

bash

scikit-learn
pandas
joblib
datasets(opcional para importar datasets desde Hugging Face)

O implementa/descarga el archivo requirements.txt.

¿Cómo ha sido creado y entrenado este modelo?

El modelo fue desarrollado y entrenado en un entorno de Google Colab utilizando datos sintéticos del dataset iabd04/estados_materia_dataset. El flujo de trabajo incluyó los siguientes pasos:

1. Carga y preprocesamiento de datos

Importación del dataset desde Hugging Face.
Selección de las variables de entrada (Temperatura, Presión, Densidad, Nivel_Energía) y la variable objetivo (Estado).
Aplicación de una normalización con MinMaxScaler() para escalar todas las variables entre 0 y 1.

python

from datasets import load_dataset
import pandas as pd

dataset = load_dataset("iabd04/estados_materia_dataset")
df = pd.DataFrame(dataset["train"])
X = df.drop(columns=["Estado"])
y = df["Estado"]

2. División del conjunto de datos

Separación en subconjuntos de entrenamiento y prueba utilizando una proporción 80/20 mediante train_test_split.

python

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

scaler = MinMaxScaler()
X_scaled = scaler.fit_transform(X)

3. Entrenamiento del modelo

Entrenamiento de un clasificador SVM con kernel lineal:
python
1from sklearn.svm import SVC 2from sklearn.svm import SVC 3 4 clf = SVC(kernel="linear", C=200) 5 clf.fit(X_train, y_train)
El modelo se entrenó sobre los datos normalizados para maximizar su capacidad de generalización.

4. Evaluación del rendimiento

Se utilizó la métrica F1-Score para evaluar el rendimiento en el conjunto de prueba.
El modelo mostró un rendimiento superior frente a otros enfoques como regresión logística, árboles de decisión y k-vecinos más cercanos.

python

from sklearn.metrics import f1_score

y_pred = clf.predict(X_test)
score = f1_score(y_test, y_pred, average="weighted")
print("F1 Score:", score)

5. Exportación del modelo y del scaler

El modelo final se guardó en un archivo .joblib para su uso posterior sin necesidad de reentrenar.

python

import joblib

joblib.dump(clf, "modelo_svm_estados_materia.joblib")
joblib.dump(scaler, "scaler.joblib")

Este pipeline permite reproducir fácilmente los resultados y adaptar el modelo a nuevos conjuntos de datos o condiciones experimentales.

Cómo entrenar el modelo en un entorno local

Instala los requisitos:

pip install requirements.txt

Asegúrate de tener el archivo crear_entrenar_modelo.py descargado en tu entorno local:

entrenar_modelo.py

Ejecuta la aplicación:

python crear_entrenar_modelo.py

Licencia

Este modelo se distribuye bajo la licencia Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0). Puedes usarlo libremente para fines académicos y no comerciales.

iabd04/Clasificador_Estados_Materia

Clasificador de Estados de la Materia

Objetivo del modelo

Características del modelo

Variables de entrada

Evaluación del modelo

Requisitos

¿Cómo ha sido creado y entrenado este modelo?

Cómo entrenar el modelo en un entorno local

Licencia

iabd04/
Clasificador_Estados_Materia