Update README.md

README.md

@@ -1,26 +1,51 @@
-# 🥊 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, 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 del evento.
-
-## 🚀 Arquitectura del Modelo
-* **Problema:** Clasificación Binaria.
-* **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.
-
-## 💻 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.
+---
+title: UFC KO/TKO Predictor
+emoji: 🥊
+colorFrom: 'red'
+colorTo: 'blue'
+sdk: gradio
+sdk_version: "4.3.0"
+app_file: app.py
+pinned: false
+license: mit
+---
+
+# 🥊 Predictor de Finalización UFC (KO/TKO)
+
+Aplicación de Machine Learning que predice la **probabilidad de que un combate termine por Knockout/Technical Knockout (KO/TKO)**, basándose en el análisis de estadísticas de los peleadores y el contexto de la pelea.
+
+## 🎯 Objetivo y Modelo
+
+El modelo de clasificación fue entrenado para responder a la pregunta binaria: **¿El combate finaliza por KO/TKO (1) o Decisión/Sumisión (0)?**
+
+* **Algoritmo Principal:** **Random Forest Classifier** (Seleccionado tras una evaluación comparativa).
+* **Métrica Clave:** **AUC Score** (Área bajo la curva ROC), priorizando la capacidad de distinción de clases.
+* **Pipeline de Preprocesamiento:** Incluye Imputación de nulos, `StandardScaler` y `OneHotEncoder` para la ubicación (`Location`). 
+
+[Image of Heatmap of a Correlation Matrix]
+
+
+## 📊 Características Clave Analizadas
+
+El modelo utiliza características de diferencia y estadísticas brutas:
+
+* **Diferencias:** Diferencia de Knockdowns (`KD_diff`), Golpes Significativos (`STR_diff`), Derribos (`TD_diff`) y Sumisiones.
+* **Estadísticas Brutas:** `Round` actual, Precisión de golpeo de ambos peleadores.
+* **Contexto:** Ubicación del evento (`Location`) y Categoría de Peso (OHE).
+
+## ⚙️ Arquitectura Técnica
+
+El servicio se despliega usando el ciclo de vida completo de ML:
+
+1.  **Entorno:** Google Colab / Scikit-learn.
+2.  **Serialización:** `model.pkl` y `preprocessor.pkl`.
+3.  **Despliegue:** **Gradio** en un **Hugging Face Space**.
+
+## 💻 Uso de la Interfaz
+
+1.  **Ingresa las estadísticas** brutas y de diferencia de los peleadores.
+2.  **Asegúrate de que la Ubicación** sea correcta (usado para codificación).
+3.  El modelo devuelve una **Probabilidad de KO/TKO (%)** y el **Resultado Más Probable**.
 
 ---
-*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.*
+*Este proyecto fue desarrollado con fines educativos y de demostración para el curso de Análisis de Datos.*