StadisticsML 0.1.1

Librería para obtener valores estadísticos para pruebas de distribución de signos, determinación de outliers y pruebas Durbin-Watson

StadisticsML

StadisticsML es una librería de Python diseñada para facilitar el uso de modelos de aprendizaje automático, específicamente redes neuronales y máquinas de soporte vectorial (SVR), con un enfoque en la predicción y análisis de datos. Esta librería permite al usuario crear modelos personalizables, ajustar hiperparámetros y obtener predicciones y evaluaciones del rendimiento.

Características

• Red Neuronal Personalizable: Permite crear redes neuronales con múltiples capas y activaciones, especificar el número de épocas y la función de optimización.
• SVR: Implementación de la máquina de soporte vectorial para regresión, con fácil ajuste de parámetros como el valor de C, gamma y epsilon.
• Evaluación de Modelos: Genera métricas de rendimiento como el MSE y RMSE para evaluar la precisión de los modelos entrenados.
• Interfaz Sencilla: Funciones fáciles de usar para entrenar modelos y hacer predicciones sobre datos nuevos.

Instalación

Para instalar la librería, utiliza el siguiente comando de pip:

pip install StadisticsML

Requisitos

• numpy
• scipy
• scikit-learn
• tensorflow

Estos paquetes se instalarán automáticamente como dependencias cuando instales StadisticsML.

Funciones

1. Red Neuronal Personalizable (train_neural_network)

Esta función permite al usuario crear y entrenar una red neuronal para regresión. Los parámetros ajustables incluyen:

• X: Datos de entrada para el entrenamiento.
• y: Etiquetas o resultados esperados.
• hidden_layers_config: Configuración de las capas ocultas con el número de neuronas y funciones de activación.
• output_neurons: Número de neuronas en la capa de salida.
• output_activation: Función de activación para la capa de salida.
• optimizer: Optimizador a utilizar (e.g., adam, sgd).
• loss: Función de pérdida a utilizar (e.g., mean_squared_error).
• metrics: Métricas adicionales para evaluar el modelo (e.g., mae, mse).
• epochs: Número de épocas para el entrenamiento.
• test_size: Porcentaje de los datos destinados a la prueba.
• random_state: Semilla para la aleatorización.

Ejemplo:

from StadisticsML import train_neural_network

# Datos de ejemplo
X = [[1], [2], [3], [4], [5]]
y = [1.1, 2.0, 2.9, 4.0, 5.1]

# Configuración de las capas ocultas: [(neuronas, función de activación)]
hidden_layers_config = [(12, 'relu'), (8, 'relu')]

# Entrenar la red neuronal
model, history, test_loss, predictions = train_neural_network(
    X=X, y=y, 
    hidden_layers_config=hidden_layers_config,
    epochs=100,
    test_size=0.2,
    random_state=42
)

print("Predicciones:", predictions)
print("Test Loss:", test_loss)

2. Máquina de Soporte Vectorial para Regresión (SVR) (train_svr)

Esta función entrena un modelo de soporte vectorial para regresión utilizando parámetros personalizables.

• X: Datos de entrada para el entrenamiento.
• y: Etiquetas o resultados esperados.
• C: Parámetro de penalización.
• gamma: Coeficiente de la función kernel.
• epsilon: Margen de tolerancia.
• test_size: Porcentaje de los datos destinados a la prueba.

Ejemplo:

from StadisticsML import train_svr

# Datos de ejemplo
X = [[1], [2], [3], [4], [5]]
y = [1.1, 2.0, 2.9, 4.0, 5.1]

# Entrenar el modelo SVR
mse, rmse, predictions = train_svr(X=X, y=y, C=100, gamma=0.001, epsilon=0.001, test_size=0.2)

print("Predicciones SVR:", predictions)
print("RMSE:", rmse)

Contribución

Si deseas contribuir a este proyecto, por favor sigue estos pasos:

1. Haz un fork del repositorio.
2. Crea una nueva rama (git checkout -b feature/nueva-funcionalidad).
3. Realiza tus cambios y haz commit de ellos (git commit -am 'Agrega nueva funcionalidad').
4. Haz push a la rama (git push origin feature/nueva-funcionalidad).
5. Abre un pull request.

Contribución esperada: Implementación de más modelos de aprendizaje automático.

Licencia

Este proyecto está bajo la licencia MIT. Para más detalles, consulta el archivo LICENSE.

Contacto

• Autor: Jorge Eduardo Londoño Arango
• Email: [e-mail] - [e-mail]