oxigen-pipeline 1.5.0

Data pipeline: extract → classify → clean → split -> Model

Model Pipeline (oxigen-pipeline)

Pipeline de ML para regresión tabular orientado a calidad de aire (AQI) u otras variables continuas. Incluye: ingesta → limpieza → split → entrenamiento (con tuning) → evaluación → reporte HTML (métricas + SHAP en base64) → diagrama del pipeline.

Repo: Danval-003/model_pipeline. ([GitHub][1])

Características

• CLI simple para correr el pipeline sobre un .csv.

• Preprocesamiento embebido con ColumnTransformer:

  • StandardScaler para numéricas.
  • OneHotEncoder(handle_unknown="ignore") (salida densa) para categóricas.

• Modelos de regresión compatibles: RandomForest, Gradient Boosting, XGBoost, LightGBM.

• Tuning con RandomizedSearchCV (cv=3).

• SHAP con background consistente y gráfico embebido en base64 dentro del HTML.

• Diagrama del pipeline en pipeline_diagram.html.

Instalación

pip install -U oxigen-pipeline

Alternativa: pip install -U --no-cache-dir oxigen-pipeline

Uso (CLI)

oxigen-pipeline --data-path final_dataset.csv --target AQI

• --data-path : ruta al CSV.
• --target : nombre de la columna objetivo (ej. AQI).

El comando imprime métricas y genera:

• model_report.html (métricas de test + gráfico SHAP embebido en base64).
• pipeline_diagram.html (diagrama del pipeline).

Si tu versión incluye selector de modelo por CLI, podés pasar --model RandomForest|GBM|XGBoost|LightGBM. Si no, podés elegir el modelo vía API (ver abajo).

Datos de ejemplo

El pipeline asume un CSV con columnas numéricas y/o categóricas y una target continua. Ejemplo típico (AQI):

Date,Month,Year,Holidays_Count,Days,PM2.5,PM10,NO2,SO2,CO,Ozone,AQI
15.0,5.0,2022,1,7,118.54,257.73,3.57,24.06,1.24,33.43,295.0
...

Uso (API en Python)

import pandas as pd
from sklearn.model_selection import train_test_split
from oxigen_pipeline.model import train_and_evaluate_model

df = pd.read_csv("final_dataset.csv")

target = "AQI"
X = df.drop(columns=[target])
y = df[target]

# split train/val/test (ejemplo simple 60/20/20)
X_train, X_tmp, y_train, y_tmp = train_test_split(X, y, test_size=0.40, random_state=42)
X_val,   X_test, y_val, y_test = train_test_split(X_tmp, y_tmp, test_size=0.50, random_state=42)

best_model, best_params, metrics = train_and_evaluate_model(
    X_train, X_val, X_test, y_train, y_val, y_test,
    html_output_path="model_report.html",
    model_name="RandomForest"   # "GBM" | "XGBoost" | "LightGBM"
)

print(best_params, metrics)

¿Qué hace internamente?

• Detecta tipos: numéricas (np.number) y categóricas (object/category).

• Arma ColumnTransformer(num=StandardScaler, cat=OneHotEncoder(handle_unknown="ignore", salida densa)).

• Pipeline: pre → model.

• Tuning con RandomizedSearchCV y selección por R² de validación.

• Evalúa en test y arma model_report.html con:

  • MSE, MAE, R².
  • SHAP summary embebido en base64 (para que siempre se vea, sin archivos extra).

• Exporta también pipeline_diagram.html.

Requisitos

• Python >=3.10

• Dependencias principales (se instalan con el paquete):

  • pandas, numpy, scikit-learn, matplotlib, shap, xgboost, lightgbm, joblib.

Desarrollo

git clone https://github.com/Danval-003/model_pipeline.git
cd model_pipeline
python -m venv .venv && .\.venv\Scripts\activate
pip install -U pip build
pip install -e .        # modo editable

Build y publicación:

python -m build
# subir con twine (o workflow de GitHub Actions)