| """Entrena una regresi贸n lineal con scikit-learn y la exporta a model.joblib. |
| |
| Es el mismo problema de la Clase 10: predecir el precio de una casa (en miles de US$) |
| a partir de sus m虏, si tiene balc贸n y si tiene ascensor. |
| |
| Uso: |
| python train.py |
| """ |
|
|
| from pathlib import Path |
|
|
| import joblib |
| import numpy as np |
| import pandas as pd |
| from sklearn.linear_model import LinearRegression |
| from sklearn.metrics import mean_absolute_error, r2_score |
| from sklearn.model_selection import train_test_split |
|
|
| CARPETA = Path(__file__).parent |
| ENTRADAS = ["m2", "balcon", "ascensor"] |
|
|
|
|
| def generar_casas(n=200, semilla=42): |
| """Dataset sint茅tico de la Clase 10 (misma semilla, mismos datos).""" |
| rng = np.random.default_rng(semilla) |
| m2 = rng.integers(35, 121, n) |
| balcon = rng.integers(0, 2, n) |
| ascensor = rng.integers(0, 2, n) |
| precio = 1.5 * m2 + 8 * balcon + 12 * ascensor + 20 + rng.normal(0, 4, n) |
| return pd.DataFrame({"m2": m2, "balcon": balcon, "ascensor": ascensor, "precio": precio.round(1)}) |
|
|
|
|
| |
| casas = generar_casas() |
| X = casas[ENTRADAS] |
| y = casas["precio"] |
| X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) |
|
|
| |
| modelo = LinearRegression() |
| modelo.fit(X_train, y_train) |
|
|
| |
| predicciones = modelo.predict(X_test) |
| print(f"MAE en test: {mean_absolute_error(y_test, predicciones):.2f} miles de US$") |
| print(f"R虏 en test: {r2_score(y_test, predicciones):.3f}") |
| print("Pesos (coef_):", dict(zip(ENTRADAS, modelo.coef_.round(3).tolist()))) |
| print(f"Bias (intercept_): {modelo.intercept_:.3f}") |
|
|
| |
| joblib.dump(modelo, CARPETA / "model.joblib") |
| print("Modelo guardado en model.joblib") |
|
|
