sbr-model 0.2.1

Un regresor de Machine Learning que implementa un ensamblaje de Stacking con modelos de Boosting.

sbr-model 📈

Un regresor de Machine Learning fácil de usar que implementa un ensamblaje de Stacking con modelos de Boosting (XGBoost, LightGBM, CatBoost).

¿Qué es sbr-model? 🤔

sbr-model es una librería de alto nivel diseñada para simplificar el proceso de creación de modelos de ensamblaje robustos para tareas de regresión. En lugar de configurar manualmente la validación cruzada y el meta-modelo, sbr-model lo encapsula en una sola clase, compatible con scikit-learn.

El nombre SBR significa Stacking Boosting Regressor.

---

Características Principales ✨

• Modelos Potentes: Utiliza XGBoost, LightGBM y CatBoost como modelos base, tres de los algoritmos más potentes para datos tabulares.
• Stacking Automatizado: Gestiona automáticamente el proceso de validación cruzada para generar predicciones "out-of-fold" y entrenar un meta-modelo.
• Fácil de Usar: Interfaz simple inspirada en scikit-learn. Solo necesitas instanciar la clase y llamar a .fit() y .predict().
• Compatible: Al heredar de RegressorMixin, se integra con el ecosistema de scikit-learn.

---

Instalación 📦

Puedes instalar sbr-model directamente desde PyPI:

pip install sbr-model

import numpy as np
from sklearn.datasets import make_regression
from sklearn.linear_model import LinearRegression
import xgboost as xgb

# Importamos tu clase desde la librería instalada
from sbr_model import StackingRegressor

# 1. Crear datos de ejemplo para un problema de regresión
# Esto nos permite probar el modelo sin necesidad de un archivo CSV
X, y = make_regression(n_samples=1000, n_features=20, n_informative=15, noise=0.1, random_state=42)
X_test, _ = make_regression(n_samples=500, n_features=20, n_informative=15, noise=0.1, random_state=2025)

# 2. Definir los "ingredientes": modelos base y meta-modelo
base_models = [
    ('xgb', xgb.XGBRegressor(random_state=42)),
    # Aquí podrías añadir más modelos, como LGBMRegressor o CatBoostRegressor
]
meta_model = LinearRegression()

# 3. Instanciar y entrenar el modelo
sbr = StackingRegressor(base_models=base_models, meta_model=meta_model, n_folds=5)
sbr.fit(X, y)

# 4. Hacer predicciones
predictions = sbr.predict(X_test)

# 5. Ver los resultados
print("Primeras 10 predicciones generadas por sbr-model:")
print(predictions[:10])