Proyecto de Regresión Logística

Proyecto de Machine Learning enfocado en la implementación y análisis de modelos de regresión logística para problemas de clasificación binaria.

📋 Descripción

Este proyecto implementa modelos de regresión logística utilizando Python y bibliotecas de ciencia de datos. El objetivo es proporcionar una estructura clara y organizada para el desarrollo de proyectos de clasificación, desde la exploración inicial de datos hasta el entrenamiento y evaluación de modelos.

🚀 Características

• Exploración y análisis de datos (EDA)
• Preprocesamiento y limpieza de datos
• Entrenamiento de modelos de regresión logística
• Evaluación de rendimiento del modelo
• Visualizaciones y métricas de clasificación
• Estructura de proyecto modular y escalable

📁 Estructura del Proyecto

regresion-logistica/
│
├── src/
│   ├── app.py              # Script principal del proyecto
│   ├── explore.ipynb       # Notebook para exploración de datos
│   └── utils.py            # Funciones auxiliares
│
├── data/
│   ├── raw/                # Datos sin procesar
│   ├── interim/            # Datos en transformación
│   └── processed/          # Datos listos para modelado
│
├── models/                 # Modelos entrenados guardados
│
├── .devcontainer/          # Configuración de desarrollo
├── .vscode/                # Configuración de VS Code
├── requirements.txt        # Dependencias del proyecto
└── README.md              # Este archivo

🔧 Instalación

Opción 1: Usando GitHub Codespaces (Recomendado)

1. Abre el repositorio en GitHub Codespaces
2. El entorno se configurará automáticamente con todas las dependencias
3. Espera a que termine la instalación
4. ¡Listo para trabajar!

Opción 2: Instalación Local

Requisitos Previos

• Python 3.11 o superior
• pip (gestor de paquetes de Python)

Pasos

1. Clona el repositorio:

git clone https://github.com/DannyAIX/regresion-logistica.git
cd regresion-logistica

2. Crea un entorno virtual (opcional pero recomendado):

python -m venv venv
source venv/bin/activate  # En Windows: venv\Scripts\activate

3. Instala las dependencias:

pip install -r requirements.txt

4. Configura las variables de entorno (si es necesario):

cp .env.example .env
# Edita el archivo .env con tus credenciales

💻 Uso

Ejecutar el Script Principal

python src/app.py

Exploración de Datos

Para análisis exploratorio, utiliza el notebook Jupyter:

jupyter notebook src/explore.ipynb

Flujo de Trabajo Típico

1. Carga de Datos: Coloca tus datasets en data/raw/
2. Exploración: Usa explore.ipynb para análisis inicial
3. Preprocesamiento: Limpia y transforma los datos
4. Modelado: Entrena el modelo de regresión logística
5. Evaluación: Analiza métricas de rendimiento
6. Guardado: Los modelos se guardan en models/

📊 Modelos y Técnicas

Este proyecto implementa:

• Regresión Logística: Clasificación binaria usando sklearn
• Métricas de Evaluación:
  • Precisión (Accuracy)
  • Precisión (Precision)
  • Recall (Sensibilidad)
  • F1-Score
  • Curva ROC y AUC
  • Matriz de Confusión

🛠️ Tecnologías Utilizadas

• Python 3.11+
• pandas: Manipulación de datos
• numpy: Operaciones numéricas
• scikit-learn: Machine Learning
• matplotlib/seaborn: Visualizaciones
• jupyter: Notebooks interactivos
• SQLAlchemy: Gestión de bases de datos (opcional)

📈 Ejemplo de Uso

import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

# Cargar datos
df = pd.read_csv('data/raw/dataset.csv')

# Dividir datos
X = df.drop('target', axis=1)
y = df['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# Entrenar modelo
model = LogisticRegression()
model.fit(X_train, y_train)

# Evaluar
score = model.score(X_test, y_test)
print(f'Precisión: {score:.2f}')

🔍 Próximos Pasos

• Implementar validación cruzada
• Agregar regularización (L1/L2)
• Comparar con otros modelos de clasificación
• Optimizar hiperparámetros con GridSearchCV
• Crear pipeline de preprocesamiento
• Implementar feature engineering

🤝 Contribuciones

Las contribuciones son bienvenidas. Para cambios importantes:

1. Haz fork del proyecto
2. Crea una rama para tu feature (git checkout -b feature/AmazingFeature)
3. Commit tus cambios (git commit -m 'Add: nueva funcionalidad')
4. Push a la rama (git push origin feature/AmazingFeature)
5. Abre un Pull Request

📝 Licencia

Este proyecto está basado en el template de 4Geeks Academy para el bootcamp de Data Science y Machine Learning.

👤 Autor

DannyAIX

• GitHub: @DannyAIX

🙏 Agradecimientos

• 4Geeks Academy por el template base
• Comunidad de Data Science
• Contribuidores del proyecto

---

⭐️ Si este proyecto te resultó útil, considera darle una estrella en GitHub