Upload folder using huggingface_hub

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+Modelo_TF-IDF_CNB.skops filter=lfs diff=lfs merge=lfs -text

Modelo_TF-IDF_CNB.skops

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:29614054eacf41a8dd5a97d0cefe77a75584c4178200c6a3f645cf0590abf8eb
+size 28757364

README.md

@@ -0,0 +1,107 @@
+---
+language: en
+library_name: scikit-learn
+license: mit
+pipeline_tag: text-classification
+tags:
+- text-classification
+- tf-idf
+- complement-naive-bayes
+- grid-search
+model_format: skops
+dataset_name: ucirvine/sms_spam
+---
+# **Modelo de Clasificación de Spam usando TF-IDF y Complement Naive Bayes**
+
+Este modelo ha sido entrenado para clasificar mensajes de texto, determinando si son válidos (*ham*) o si corresponden a mensajes de *SPAM*, basándose únicamente en el contenido del mensaje.
+
+# **Conjunto de Datos**
+
+El conjunto de datos utilizado para llevar a cabo el entrenamiento del modelo ha sido ucirvine/sms\_spam, el cual contiene mensajes SMS reales en el idioma inglés.
+
+# **Arquitectura del Modelo**
+
+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:  
+    $$TF(t, d) = \frac{f(t, d)}{\sum_{t' \in d} f(t', d)}$$ 
+    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:  
+    $$TF(t, d) = 1 + \log(f(t, d)) \quad \text{si } f(t, d) > 0$$  
+  * Respecto a la Frecuencia Inversa del Documento (IDF), se aplica la fórmula estándar implementada en Scikit-Learn:  
+    $$IDF_{\text{Scikit-Learn}}(t) = \log\left(\frac{1 + N}{1 + df(t)}\right) + 1$$
+
+Finalmente, obtenemos la puntuación definitiva multiplicando ambos términos:
+$$TF\text{-}IDF(t, d) = TF(t, d) \times IDF(t)$$
+
+Adicionalmente, el método TF-IDF hace uso de `word\_tokenize` de la librería **NLTK** para tokenizar los mensajes SMS mediante reglas estándar de la lingüística, separando contracciones del inglés de manera inteligente y aislando los signos de puntuación de las palabras, siendo este uno de los enfoques más recomendados para nuestro caso de estudio.
+
+* **Complement Naive Bayes (CNB):** Se ha seleccionado esta versión de Naive Bayes ya que es una extensión de *Multinomial Naive Bayes* diseñada específicamente para corregir los sesgos generados por conjuntos de datos con clases desbalanceadas. Consiste en hallar la probabilidad de que aparezca un término en el *complemento* de la clase objetivo. Resulta ideal para nuestro escenario, ya que la gran mayoría de los mensajes del conjunto de datos son válidos (*ham*), y tan solo una pequeña minoría ha sido etiquetada como *SPAM*.
+
+## **Hiperparámetros del Modelo**
+
+A continuación, se detallan los hiperparámetros utilizados en cada uno de los pasos que conforman el pipeline del modelo:
+
+| Hiperparámetro | Valor |
+| :--- | :--- |
+| **memory** | None |
+| **steps** | [('tfidf', TfidfVectorizer(binary=True, max_df=0.9, ngram_range=(1, 2), sublinear_tf=True,
+                tokenizer=<function word_tokenize at 0x75236ee85170>)), ('cnb', ComplementNB(alpha=0.5))] |
+| **transform_input** | None |
+| **verbose** | False |
+| **tfidf** | TfidfVectorizer(binary=True, max_df=0.9, ngram_range=(1, 2), sublinear_tf=True,
+                tokenizer=<function word_tokenize at 0x75236ee85170>) |
+| **cnb** | ComplementNB(alpha=0.5) |
+| **tfidf__analyzer** | word |
+| **tfidf__binary** | True |
+| **tfidf__decode_error** | strict |
+| **tfidf__dtype** | <class 'numpy.float64'> |
+| **tfidf__encoding** | utf-8 |
+| **tfidf__input** | content |
+| **tfidf__lowercase** | True |
+| **tfidf__max_df** | 0.9 |
+| **tfidf__max_features** | None |
+| **tfidf__min_df** | 1 |
+| **tfidf__ngram_range** | (1, 2) |
+| **tfidf__norm** | l2 |
+| **tfidf__preprocessor** | None |
+| **tfidf__smooth_idf** | True |
+| **tfidf__stop_words** | None |
+| **tfidf__strip_accents** | None |
+| **tfidf__sublinear_tf** | True |
+| **tfidf__token_pattern** | (?u)\b\w\w+\b |
+| **tfidf__tokenizer** | <function word_tokenize at 0x75236ee85170> |
+| **tfidf__use_idf** | True |
+| **tfidf__vocabulary** | None |
+| **cnb__alpha** | 0.5 |
+| **cnb__class_prior** | None |
+| **cnb__fit_prior** | True |
+| **cnb__force_alpha** | True |
+| **cnb__norm** | False |
+
+## **Selección del Modelo**
+
+El modelo final fue escogido como el mejor de entre diversas configuraciones evaluadas, aplicando variaciones tanto en la matriz de extracción de características TF-IDF como en los hiperparámetros del clasificador *Complement Naive Bayes*. Para encontrar este conjunto óptimo, se utilizó una búsqueda en rejilla (*Grid Search*), con la finalidad de identificar la combinación precisa que maximizara el rendimiento de nuestra métrica de evaluación de acuerdo con la rejilla de parámetros definida.
+
+Cabe aclarar un aspecto fundamental en nuestra estrategia de selección: la evaluación y elección del modelo definitivo se rigió bajo la regla de negocio de **minimizar los falsos positivos** a cambio de permitir un ligero incremento en los falsos negativos. Tomamos esta decisión considerando que, en un escenario de producción real, etiquetar erróneamente un mensaje válido (*ham*) como *SPAM* genera un impacto negativo severo debido al riesgo inminente de que el usuario pierda información crítica. Por el contrario, consideramos que el impacto de que unos pocos mensajes de *SPAM* logren filtrarse a la bandeja de entrada es considerablemente menor; si bien representa una ligera molestia para el usuario, no pone en peligro la pérdida de datos importantes.
+
+# **Limitaciones del Modelo**
+
+Al utilizar este modelo en un escenario real, es fundamental tener en cuenta la siguiente limitación clave:
+
+* **Restricción de Idioma:** El modelo ha sido entrenado y validado de manera exclusiva utilizando el conjunto de datos `ucirvine/sms\_spam`, el cual está compuesto en su totalidad por mensajes en el **idioma inglés**. Adicionalmente, tanto la etapa de extracción de características (TF-IDF) como las reglas gramaticales empleadas para la tokenización con **NLTK** han sido configuradas bajo los estándares lingüísticos del inglés. Por lo tanto, el modelo no es apto para analizar o clasificar mensajes en español u otros idiomas, ya que carece del vocabulario y las estructuras gramaticales necesarias para realizar una predicción precisa.
+
+# **Evaluación del Modelo**
+
+A continuación, se adjunta la matriz de confusión obtenida al evaluar el modelo sobre el conjunto de prueba (*test set*):
+
+![Matriz de Confusión de la Prueba](matriz_confusion_final.png)
+
+# **Contacto**
+
+Si tienes alguna pregunta, sugerencia o deseas conectar conmigo, no dudes en escribirme o visitar mis perfiles profesionales:
+
+* 💼 **LinkedIn:** [Anderson Camilo Rodríguez Silva](https://www.linkedin.com/in/andersoncrs)  
+* 🐙 **GitHub:** [Andersoncrs](https://github.com/Andersoncrs)  
+* 📧 **Correo Electrónico:** andersoncamilo.rodriguez.s@gmail.com
+