README.md

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

## Cómo Usar

```python
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