metadata
license: apache-2.0
library_name: sklearn
pipeline_tag: tabular-classification
tags:
- random-forest
- tabular
- classification
- iris
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