hypertunercer 0.1.1

Playground interactivo de hiperparámetros para modelos sklearn en Streamlit

⚗ hypertunercer

Playground interactivo de hiperparámetros para cualquier clasificador scikit-learn.

HyperTuner lanza una interfaz Streamlit completa con fronteras de decisión, curvas ROC y métricas en tiempo real — todo generado automáticamente desde un diccionario de configuración.

---

Instalación

pip install hypertunercer

Con soporte para XGBoost o LightGBM:

pip install "hypertunercer[xgboost]"
pip install "hypertunercer[lightgbm]"

---

Uso rápido

Crea un archivo app.py con esto:

from hypertunercer import tuner_universal
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification

X, y = make_classification(n_samples=500, n_features=10, random_state=42)

param_grid = {
    "n_estimators": {"type": "slider",    "min": 10,  "max": 300, "default": 100, "step": 10},
    "max_depth":    {"type": "slider",    "min": 1,   "max": 20,  "default": 5},
    "criterion":    {"type": "selectbox", "options": ["gini", "entropy", "log_loss"]},
}

tuner_universal(RandomForestClassifier, param_grid, X, y)

Luego ejecuta:

streamlit run app.py

---

Funcionalidades

Feature	Descripción
UI dinámica	Los controles del sidebar se generan solos desde param_grid
Universalidad	Compatible con cualquier estimador de la API sklearn
Fronteras de decisión	DecisionBoundaryDisplay sobre espacio PCA 2D
Curva ROC	Binaria o multiclase OvR automática con AUC
Métricas en vivo	Accuracy, F1-Score y Recall actualizados en cada interacción
Exportación	Genera el bloque de código listo para producción
Caché	PCA + split cacheados con @st.cache_data para máxima velocidad

---

Esquema de param_grid

param_grid = {
    # Slider numérico
    "nombre_param": {
        "type":    "slider",
        "min":     1,
        "max":     100,
        "default": 10,
        "step":    1,          # opcional
        "help":    "Tooltip"   # opcional
    },
    # Selectbox categórico
    "otro_param": {
        "type":    "selectbox",
        "options": ["opcion_a", "opcion_b"],
        "help":    "Tooltip"   # opcional
    },
}

---

Compatibilidad verificada

• RandomForestClassifier
• GradientBoostingClassifier
• DecisionTreeClassifier
• ExtraTreesClassifier
• XGBClassifier (con pip install hypertuner[xgboost])
• LGBMClassifier (con pip install hypertuner[lightgbm])

---

Licencia

MIT © Ceron