docs/PIPELINE.es.md

Pipeline de entrenamiento

Punto de entrada: src/pipeline/run_pipeline.py

Comando

python -m src.pipeline.run_pipeline --model lr

Flag	Valores	Por defecto
--model	lr, rf, xgboost	lr

Ejecutar desde la raíz del repositorio.

Fases

1. Carga — CSV en data/raw/youtoxic_english_1000.csv
2. Split — train/test estratificado
3. Preprocesado — TextPreprocessor (spaCy + NLTK)
4. Entrenamiento — build_model()
5. Validación cruzada — 5 folds
6. Evaluación — Evaluator.evaluate_and_report() en test
7. Guardado — models/experiments/{model}/
8. MLflow — mlruns/
9. Informes — reports/summary.csv y reports/pipeline/{model}/

Configuración

Archivo	Uso
configs/pipeline.yaml	Rutas, IsToxic, split, CV
configs/features.yaml	TF-IDF y preprocesado
configs/models.yaml	Hiperparámetros de clasificadores
configs/best_params.yaml	Ganador Optuna (LR)

Salidas

Ruta	Contenido
reports/summary.csv	Tabla comparativa de modelos
reports/pipeline/lr/cm_lr.png	Matriz de confusión
reports/pipeline/lr/roc_lr.png	Curva ROC
reports/pipeline/lr/errors_lr.csv	FP / FN

Inferencia del demo

Catálogo en configs/model_catalog.yaml: Meta-Feature Stacking (producción), LR + TF-IDF y Frozen Toxic-BERT (baselines en models/baseline/manifest.json).