evalcards 0.2.6

Reportes de evaluación (clasificación/regresión) a Markdown con gráficos

evalcards

Descripción

evalcards genera reportes de evaluación para modelos supervisados en Markdown, con gráficos listos. Soporta:

• Clasificación (binaria y multiclase OvR)
• Regresión
• Forecasting (sMAPE/MASE)

Características

• Tabla de métricas por tarea.
• Gráficos: matriz de confusión, ROC/PR (binaria y multiclase OvR), ajuste y residuales.
• CLI y API Python.
• Carpeta de salida por defecto: ./evalcards_reports (personalizable con --outdir).

Requisitos

• Python 3.9+
• Dependencias se instalan automáticamente (numpy, pandas, scikit-learn, matplotlib, jinja2).

Instalación (dev/local)

1. Crear y activar entorno virtual (opcional):
   • Windows (PowerShell):

     python -m venv .venv
     . .\.venv\Scripts\Activate.ps1
     

   • macOS / Linux:

     python3 -m venv .venv
     source .venv/bin/activate
     

2. Instalar en modo editable desde la carpeta del proyecto:

   pip install -e .
   

Uso rápido (API Python)

Clasificación binaria (con probabilidades opcionales):

from evalcards import make_report

path = make_report(
    y_true, y_pred, y_proba=proba,         # y_proba: vector 1D (prob. clase positiva)
    path="reporte.md", title="Mi modelo"
)
print(path)

Regresión:

make_report(y_true, y_pred, path="rep_reg.md", title="Regresión")

Uso rápido (CLI)

1. Prepara CSVs con una sola columna o con nombres estándar (y_true, y_pred, y_proba).
2. Ejecuta (por defecto guarda en ./evalcards_reports):

   evalcards --y_true y_true.csv --y_pred y_pred.csv --proba y_proba.csv --out rep.md --title "Mi modelo"
   

3. Carpeta personalizada:

   evalcards --y_true y_true.csv --y_pred y_pred.csv --out rep.md --outdir informes_eval
   

Clasificación multiclase (OvR)

API (Python)

# y_proba: matriz (n_samples, n_classes) con probabilidades
out = make_report(
    y_true, y_pred, y_proba=proba,
    labels=["Clase_A","Clase_B","Clase_C"],  # opcional
    path="rep_multi.md", title="Multiclase OvR"
)

CLI

# y_proba.csv con N columnas (una por clase)
evalcards --y_true y_true.csv --y_pred y_pred.csv --proba y_proba.csv --class-names "Clase_A,Clase_B,Clase_C" --out rep_cli_multiclase.md

Salidas: confusion.png + roc_class_<clase>.png y pr_class_<clase>.png por clase.
Métrica: roc_auc_ovr_macro.

Forecasting (sMAPE/MASE)

API (Python)

out = make_report(
    y_true_test, y_pred_test,
    task="forecast", season=12, insample=y_true_train,
    path="rep_forecast.md", title="Forecast"
)

CLI

evalcards --y_true y_true_test.csv --y_pred y_pred_test.csv --forecast --season 12 --insample y_insample.csv --out rep_forecast_cli.md

Métricas: MAE, MSE, RMSE, sMAPE (%), MASE.
Gráficos: fit.png y resid.png.

Entradas esperadas

• Clasificación:
  • y_true: etiquetas reales (0..K-1 o nombres).
  • y_pred: etiquetas predichas.
  • y_proba:
    • Binaria: vector 1D (prob. clase positiva).
    • Multiclase: matriz (N columnas, una por clase).
• Regresión/Forecast:
  • y_true: valores reales.
  • y_pred: valores predichos.
  • insample (opcional para MASE): serie de entrenamiento; usar --season (ej. 12).

Salidas

• Archivo Markdown con métricas y referencias a imágenes.
• Imágenes PNG en la carpeta destino (por defecto: ./evalcards_reports):
  • Clasificación: confusion.png; si hay probabilidades binaria: roc.png, pr.png; en multiclase: roc_class_<clase>.png y pr_class_<clase>.png por clase.
  • Regresión/Forecast: fit.png (ajuste y vs ŷ) y resid.png (residuales).

Métricas incluidas

• Clasificación: accuracy, precision/recall/F1 (macro y weighted).
  • Binaria: roc_auc.
  • Multiclase OvR: roc_auc_ovr_macro.
• Regresión: MAE, MSE, RMSE, R².
• Forecast: MAE, MSE, RMSE, sMAPE (%), MASE.

Notas técnicas

• Si solo pasas un nombre de archivo en --out/path (p. ej. rep.md), se usará ./evalcards_reports automáticamente.
• Si especificas una ruta con carpeta, se respeta esa ruta.
• --outdir fija explícitamente la carpeta de salida.
• El paquete fuerza backend Agg de Matplotlib para generar PNGs en entornos sin GUI.

Solución de problemas (rápida)

• “No module named evalcards”: instala con pip install -e . desde la carpeta del proyecto y activa tu venv.
• Matplotlib/Tk en servidores: no se necesita GUI; se guardan PNGs con backend Agg.
• CSVs: si el archivo tiene varias columnas, usa nombres y_true/y_pred/y_proba o deja una sola columna.

Soporte actual

• Detección automática de tarea (auto): clasificación vs regresión.
• Multiclase: curvas ROC/PR OvR y roc_auc_ovr_macro.
• Forecasting: sMAPE/MASE con --season e --insample.

Licencia

MIT

Autor

Ricardo Urdaneta (Ricardouchub)