Canalización integral para clases desbalanceadas

Ahora encadenará todas las correcciones en un único flujo limpio. Un solo pipeline mantiene en orden la vectorización, el remuestreo y el modelado.

Comience con una división estratificada para que entrenamiento y prueba conserven la misma proporción de la clase minoritaria. Así protege una evaluación honesta.

Convierta el texto sin procesar en números mediante TF-IDF, para que el clasificador tenga características de las que aprender.

Utilice un Pipeline de imblearn para que SMOTE se ejecute únicamente en los folds de entrenamiento y nunca se filtre a la validación o la prueba.

Enumere las etapas en orden: vectorizador, después SMOTE y, por último, el modelo. El pipeline las ejecuta como un único objeto ajustado.

Llame a fit en todo el pipeline. Cada paso se entrena en secuencia utilizando únicamente los datos de entrenamiento.

Omita la exactitud sin más. Un informe de clasificación muestra claramente la precisión, el recall y F1 de la clase minoritaria.

Combine el pipeline con una validación cruzada estratificada para que el remuestreo se realice desde cero dentro de cada fold.

Obtenga las probabilidades del pipeline y elija un umbral que alcance su recall objetivo con los datos de validación.

Conserve el pipeline completo ya ajustado con joblib para que, posteriormente, la inferencia repita cada paso de forma automática.

Como la vectorización, el equilibrado y el modelado están juntos, los resultados siguen siendo reproducibles y no contienen fugas sutiles. 🚀

Estratifique, vectorice, remuestree dentro de un pipeline, evalúe mediante F1 y recall, ajuste el umbral y, después, guárdelo todo. 🚀