gusdelact/flores-classifier

Clasificación de Especies de Flores

Información del Modelo

• Tipo: RandomForestClassifier
• Framework: scikit-learn
• Autor: gusdelact
• Fecha de entrenamiento: 2026-05-16T02:56:59.506073
• Formato de serialización: joblib

Uso Previsto

• Tarea: Clasificación multiclase (3 especies de flores)
• Variable target: Species
• Clases: Iris-setosa, Iris-versicolor, Iris-virginica

Datos de Entrenamiento

• Fuente: gusdelact/dumy00
• Samples de entrenamiento: 117
• Features: 4

Métricas de Evaluación

Métrica	Valor
Accuracy	0.9667
F1 Weighted	0.9666
F1 Macro	0.9666

Hiperparámetros

{
  "max_depth": 5,
  "max_features": "sqrt",
  "min_samples_split": 5,
  "n_estimators": 100
}

Cómo Usar

import joblib
import numpy as np
from huggingface_hub import hf_hub_download

# Descargar modelo y artefactos
model_path = hf_hub_download("gusdelact/flores-classifier", "model.joblib")
encoder_path = hf_hub_download("gusdelact/flores-classifier", "label_encoder.joblib")
preprocessor_path = hf_hub_download("gusdelact/flores-classifier", "preprocessor.joblib")

model = joblib.load(model_path)
encoder = joblib.load(encoder_path)
preprocessor = joblib.load(preprocessor_path)

# Predecir (datos crudos → preprocessor → modelo → label)
X_new = np.array([[5.1, 3.5, 1.4, 0.2]])  # SepalL, SepalW, PetalL, PetalW
X_processed = preprocessor.transform(X_new)
prediction = model.predict(X_processed)
species = encoder.inverse_transform(prediction)
print(species)  # ['Iris-setosa']

Limitaciones

• Entrenado con solo 147 muestras (dataset Iris)
• Solo clasifica 3 especies de Iris
• No generaliza a otras flores fuera del dataset