Add summary

default.nix

@@ -1,5 +0,0 @@
-{ pkgs ? import <nixpkgs> { } }:
-
-with pkgs;
-
-poetry2nix.mkPoetryApplication { projectDir = ./.; }

docs/Summary.org

@@ -1,7 +1,7 @@
 #+TITLE: Práctica 3
 #+SUBTITLE: Inteligencia de Negocio
 #+AUTHOR: Amin Kasrou Aouam
-#+DATE: 2021-01-01
+#+DATE: 2021-01-12
 #+PANDOC_OPTIONS: template:~/.pandoc/templates/eisvogel.latex
 #+PANDOC_OPTIONS: listings:t
 #+PANDOC_OPTIONS: toc:t
@@ -18,9 +18,103 @@ En esta práctica, resolveremos un problema de clasificación multiclase, en con
 
 ** Preprocesamiento de datos
 *** Valores nulos
+
+Nuestro /dataset/ contiene bastantes valores nulos, optamos por estrategias diferentes según las columnas:
+
+- Eliminación: tipo marchas, descuento, ciudad
+- Imputación: asientos, motor cc, potencia
+
+El criterio que seleccionamos es el número de instancias nulas, en el caso de que sean muchas optamos por imputar, para mantener un número adecuado de datos.
+
+La implementación se encuentra en la siguiente función:
+
+#+begin_src python
+def process_null_values(df_list):
+    drop_columns = ["tipo_marchas", "descuento", "ciudad"]
+    fill_columns = ["asientos", "motor_cc", "potencia"]
+    for df in df_list:
+        for column in fill_columns:
+            if column == "asientos":
+                df[column].fillna(value=df[column].median(), inplace=True)
+            else:
+                df[column].fillna(
+                    value=df[column].str.extract("(\d+)").mean(), inplace=True
+                )
+        df.drop(columns=drop_columns, inplace=True)
+        df.dropna(inplace=True)
+    return df_list
+#+end_src
+
 *** Valores no numéricos
+
+Ciertas columnas contienen valores alfanúmericos, aunque se nos proporcionan distintos archivos CSV para realizar un /mapping/. En este caso, utilizamos un *LabelEncoder*, y como entrada le damos el CSV correspondiente.
+
+Es primordial usar el mismo /LabelEncoder/ para los datos de entrenamiento como de test. La implementación se encuentra en la siguiente función:
+
+#+begin_src python
+def encode_columns(df_list):
+    label_encoder = LabelEncoder()
+    files = [
+        "ao",
+        "asientos",
+        "combustible",
+        "consumo",
+        "kilometros",
+        "mano",
+        "motor_cc",
+        "nombre",
+        "potencia",
+    ]
+    for data in files:
+        for df in df_list:
+            label = label_encoder.fit(read_csv("data/" + data + ".csv", squeeze=True))
+            if data == "ao":
+                df["año"] = label.transform(df["año"])
+            else:
+                df[data] = label.transform(df[data])
+    return df_list
+#+end_src
+
 *** Balanceo de clases
+
+Observamos que la mayoría de coches son de la categoría de precio 3, lo cual no es idóneo para entrenar un modelo de inteligencia artificial.
+
+Debemos realizar un balanceo de las clases, en este caso optamos por usar el modelo *SMOTEEEN*, que combina un /over-sampling/ mediante *SMOTE* y una limpieza gracias a /Edited Nearest Neighbours (ENN)/.
+
+La implementación se encuentra en esta función:
+
+#+begin_src python
+def balance_training_data(df):
+    smote_enn = SMOTEENN(random_state=42)
+    data, target = split_data_target(df=df, dataset="data")
+    balanced_data, balanced_target = smote_enn.fit_resample(data, target)
+    balanced_data_df = DataFrame(
+        balanced_data, columns=df.columns.difference(["precio_cat"])
+    )
+    balanced_target_df = DataFrame(balanced_target, columns=["precio_cat"])
+    return balanced_data_df, balanced_target_df
+#+end_src
+
 ** Elección de algoritmo
-** Configuración del algoritmo
+
+Elegimos el algoritmo *GradientBoostingClassifier*, que pertenece a los algoritmos de /ensemble/. Éstos combinan las predicciones de varios clasificadores, con el objetivo de mejorar la generalización y la robustez de las predicciones.
+
+En particular, pertenece a la familia de /boosting methods/, cuya característica es que los clasificadores se crean de forma secuencial, y uno de ellos trata de reducir el sesgo de los demás.
+
 ** Resultados obtenidos
+
+Al ejecutar el programa en local obtenemos los siguientes resultados:
+
+#+CAPTION: Resultados de ejecución
+[[./assets/F1.png]]
+
+Desafortunadamente, en la plataforma Kaggle obtenemos unos resultados pésimos:
+
+#+CAPTION: Resultados de Kaggle
+[[./assets/F2.png]]
+
 ** Análisis de resultados
+
+Debido a la discrepancia entre los resultados de la ejecución en local, y de la plataforma Kaggle, intuimos que debe de haber un problema en el preprocesamiento de datos.
+
+También es posible que el modelo no sea óptimo para la tarea, aunque no justificaría un rendimiento tan bajo, puede contribuir a ello.

pyproject.toml

@@ -7,14 +7,11 @@ authors = ["coolneng <akasroua@gmail.com>"]
 [tool.poetry.dependencies]
 python = "^3.8"
 scikit-learn = "^0.24.0"
-pandas = "^1.2.0"
 imbalanced-learn = "^0.7.0"
+numpy = "^1.19.4"
 
 [tool.poetry.dev-dependencies]
 
 [build-system]
 requires = ["poetry-core>=1.0.0"]
 build-backend = "poetry.core.masonry.api"
-
-[tool.poetry.scripts]
-competition = "processing:main"

shell.nix

@@ -2,4 +2,4 @@
 
 with pkgs;
 
-mkShell { buildInputs = [ python38 poetry ]; }
+mkShell { buildInputs = [ python38 python38Packages.pandas poetry ]; }

src/preprocessing.py

@@ -1,7 +1,7 @@
 from pandas import DataFrame, read_csv
 from sklearn.preprocessing import LabelEncoder
 from sklearn.model_selection import KFold
-from imblearn.combine import SMOTETomek
+from imblearn.combine import SMOTEENN
 
 
 def construct_dataframes(train, test):
@@ -19,40 +19,41 @@ def rename_columns(df_list) -> DataFrame:
     return df_list
 
 
-def drop_null_values(df_list):
+def process_null_values(df_list):
+    drop_columns = ["tipo_marchas", "descuento", "ciudad"]
+    fill_columns = ["asientos", "motor_cc", "potencia"]
     for df in df_list:
+        for column in fill_columns:
+            if column == "asientos":
+                df[column].fillna(value=df[column].median(), inplace=True)
+            else:
+                df[column].fillna(
+                    value=df[column].str.extract("(\d+)").mean(), inplace=True
+                )
+        df.drop(columns=drop_columns, inplace=True)
         df.dropna(inplace=True)
-        df.drop(columns="tipo_marchas", inplace=True)
-        df["descuento"].fillna(0)
-    return df_list
-
-
-def trim_column_names(df_list) -> DataFrame:
-    columns = ["consumo", "motor_CC", "potencia"]
-    for df in df_list:
-        for col in columns:
-            df[col] = df[col].str.replace(pat="[^.0-9]", repl="").astype(float)
     return df_list
 
 
 def encode_columns(df_list):
     label_encoder = LabelEncoder()
     files = [
-        "ao"
+        "ao",
-        "asientos"
+        "asientos",
-        "ciudad"
+        "combustible",
-        "combustible"
+        "consumo",
-        "consumo"
+        "kilometros",
-        "descuento"
+        "mano",
-        "kilometros"
+        "motor_cc",
-        "mano"
+        "nombre",
-        "motor_cc"
+        "potencia",
-        "nombre"
-        "potencia"
     ]
     for data in files:
         for df in df_list:
             label = label_encoder.fit(read_csv("data/" + data + ".csv", squeeze=True))
+            if data == "ao":
+                df["año"] = label.transform(df["año"])
+            else:
                 df[data] = label.transform(df[data])
     return df_list
 
@@ -69,11 +70,13 @@ def split_data_target(df, dataset):
 
 
 def balance_training_data(df):
-    smote_tomek = SMOTETomek(random_state=42)
+    smote_enn = SMOTEENN(random_state=42)
     data, target = split_data_target(df=df, dataset="data")
-    balanced_data, balanced_target = smote_tomek.fit_resample(data, target)
+    balanced_data, balanced_target = smote_enn.fit_resample(data, target)
-    balanced_data_df = DataFrame(balanced_data, columns=data.columns)
+    balanced_data_df = DataFrame(
-    balanced_target_df = DataFrame(balanced_target, columns=target.columns)
+        balanced_data, columns=df.columns.difference(["precio_cat"])
+    )
+    balanced_target_df = DataFrame(balanced_target, columns=["precio_cat"])
     return balanced_data_df, balanced_target_df
 
 
@@ -85,9 +88,8 @@ def split_k_sets(df):
 def parse_data(train, test):
     df_list = construct_dataframes(train=train, test=test)
     renamed_df_list = rename_columns(df_list)
-    processed_df_list = drop_null_values(renamed_df_list)
+    processed_df_list = process_null_values(renamed_df_list)
-    numeric_df_list = trim_column_names(processed_df_list)
+    encoded_df_list = encode_columns(processed_df_list)
-    encoded_df_list = encode_columns(numeric_df_list)
     train_data, train_target = balance_training_data(encoded_df_list[0])
     test_data, test_ids = split_data_target(encoded_df_list[1], dataset="test")
     return train_data, train_target, test_data, test_ids