Update README.md

README.md

@@ -24,12 +24,12 @@ El conjunto de datos utilizado para llevar a cabo el entrenamiento del modelo ha
 El modelo está compuesto por dos pasos principales:
 
 * **TF-IDF (Term Frequency-Inverse Document Frequency):** Primero se tokeniza cada palabra de cada mensaje SMS para, posteriormente, vectorizarla de acuerdo con el método TF-IDF. Este método consiste en asignar una puntuación a las palabras presentes en un texto con base en su frecuencia (número de veces que aparecen) dentro de un documento individual y dentro del corpus completo.  
-  * La Frecuencia del Término (TF) está dada por la siguiente fórmula:  
-    $$TF(t, d) = \frac{f(t, d)}{\sum_{t' \in d} f(t', d)}$$ 
+  * La Frecuencia del Término (TF) está dada por la siguiente fórmula:
+$$TF(t, d) = \frac{f(t, d)}{\sum_{t' \in d} f(t', d)}$$
     Dado que en el caso de este modelo hemos utilizado la instrucción tfidf\_\_sublinear\_tf=True, se atenúa la influencia de la aparición desmedida de determinados términos mediante el siguiente ajuste logarítmico:  
-    $$TF(t, d) = 1 + \log(f(t, d)) \quad \text{si } f(t, d) > 0$$  
+$$TF(t, d) = 1 + \log(f(t, d)) \quad \text{si } f(t, d) > 0$$  
   * Respecto a la Frecuencia Inversa del Documento (IDF), se aplica la fórmula estándar implementada en Scikit-Learn:  
-    $$IDF_{\text{Scikit-Learn}}(t) = \log\left(\frac{1 + N}{1 + df(t)}\right) + 1$$
+$$IDF_{\text{Scikit-Learn}}(t) = \log\left(\frac{1 + N}{1 + df(t)}\right) + 1$$
 
 Finalmente, obtenemos la puntuación definitiva multiplicando ambos términos:
 $$TF\text{-}IDF(t, d) = TF(t, d) \times IDF(t)$$