Update README.md

README.md

@@ -1,28 +1,26 @@
 # 🥊 Análisis y Despliegue de Datos UFC (ML Space)
 
-Este Hugging Face Space aloja el modelo de Machine Learning desarrollado para el proyecto de Análisis de Datos de la asignatura, utilizando Gradio para crear una interfaz de usuario y una API de inferencia.
+Este Hugging Face Space aloja el modelo de Machine Learning desarrollado para el proyecto de Análisis de Datos, utilizando Gradio para crear una interfaz de usuario y una API de inferencia.
 
 ## 🎯 Objetivo
-El modelo tiene como objetivo principal predecir la **probabilidad de que un combate de UFC termine por Knockout/Technical Knockout (KO/TKO)**, basándose en estadísticas de los peleadores (golpeo, derribos, precisión) y el contexto de la pelea (categoría de peso y ubicación).
+El modelo tiene como objetivo principal predecir la **probabilidad de que un combate de UFC termine por Knockout/Technical Knockout (KO/TKO)**, basándose en estadísticas de los peleadores (golpeo, derribos, precisión) y el contexto del evento.
 
 ## 🚀 Arquitectura del Modelo
 * **Problema:** Clasificación Binaria.
-* **Algoritmo:** **Random Forest Classifier** (Seleccionado por su alto rendimiento en métricas AUC y F1 Score).
-* **Preprocesamiento:**
-    * **Escalado:** `StandardScaler` aplicado a todas las estadísticas brutas.
-    * **Codificación:** `OneHotEncoder` aplicado a la variable categórica `Location`.
-    * **Features:** Se utilizan variables de diferencia (`KD_diff`, `STR_diff`, etc.) y las variables OHE de la categoría de peso (`weight_class_...`) como features de entrada.
+* **Algoritmo:** **Random Forest Classifier** (Seleccionado por su robusto rendimiento en métricas como AUC y F1 Score, demostrado en la evaluación comparativa del informe).
+* **Pipeline de Preprocesamiento:**
+    1.  **Imputación:** `SimpleImputer` (rellenar valores nulos con la mediana).
+    2.  **Escalado:** `StandardScaler` aplicado a las estadísticas brutas.
+    3.  **Codificación:** `OneHotEncoder` aplicado a la variable categórica `Location`.
+    * **Features de Entrada:** Estadísticas brutas, variables de diferencia (`KD_diff`, `STR_diff`, etc.) y las variables OHE de la categoría de peso.
 
-## 💻 Requisitos de la Aplicación
-* **SDK:** Gradio
-* **Librerías:** `scikit-learn`, `pandas`, `numpy`, `joblib`.
-
-## ⚙️ Estructura del Proyecto
-* `app.py`: El código de la aplicación Gradio.
-* `requirements.txt`: Dependencias de Python.
-* `model.pkl`: Modelo de clasificación serializado.
-* `preprocessor.pkl`: El ColumnTransformer ajustado.
-* `model_columns.pkl`: Lista de las columnas de entrada, asegurando la integridad del pipeline.
+## 💻 Componentes del Despliegue
+Este Space requiere los siguientes archivos para funcionar:
+1.  `app.py`: Código principal de la aplicación Gradio.
+2.  `requirements.txt`: Lista de dependencias (`scikit-learn`, `gradio`, etc.).
+3.  `model.pkl`: El modelo Random Forest serializado.
+4.  `preprocessor.pkl`: El ColumnTransformer ajustado.
+5.  `model_columns.pkl`: Lista para garantizar el orden de las features.
 
 ---
-*Este proyecto demuestra el ciclo de vida completo de un modelo de Machine Learning, desde la limpieza de datos hasta el despliegue en la nube.*
+*Este proyecto demuestra el ciclo de vida completo de un modelo de Machine Learning, desde la limpieza de datos hasta el despliegue como un servicio de inferencia.*