{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": "# 02 · Del CSV a una entrega válida — inicio para completar\n\nEntrenar un clasificador, medirlo y exportar predicciones conservando los identificadores y su orden.\n\n**Ideas que aparecen:** laboratorios 00 y 01; diferencia entre ejemplo y etiqueta. Puedes consultar las cápsulas\nopcionales de `ruta/Puentes de entrada.md` cuando alguna te haga falta.\n\nDatos **sintéticos educativos**, creados en este repositorio y dedicados a\nCC0-1.0. No representan personas ni un rendimiento oficial IOAI.\nTodo el ejercicio usa CPU y archivos locales; no requiere cuentas ni red.\n\nEl inicio ya corre. Las celdas de experimentación son lugares para cambiar una idea y observar qué ocurre; la solución está en otro archivo si quieres contrastarla.\nPuedes recorrerlo en una o varias sesiones. No hay límite de juez ni\nobligación de completar todos los experimentos para abrir el siguiente cuaderno.\n",
   "id": "02-i-00"
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": "from pathlib import Path\nimport json\nimport numpy as np\nimport pandas as pd\nimport matplotlib.pyplot as plt\n\nplt.rcParams.update({\"figure.figsize\": (10, 4), \"axes.spines.top\": False,\n                     \"axes.spines.right\": False, \"font.size\": 11})\n\nDATOS = Path(\"datos\")\nassert DATOS.is_dir(), \"Abre el notebook desde su carpeta: deben existir datos/ e inicio.ipynb.\"\nSEMILLA = 17\n",
   "id": "02-i-01"
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": "## El ciclo completo\nClasifica piezas ficticias: `x1` y `x2` son mediciones disponibles;\n`clase` es 0 o 1. Un baseline mayoritario ignora las mediciones.\nUna regresión logística aprende una frontera y recibe datos\nescalados usando estadísticas de entrenamiento.\n\nLa entrega local es `predicciones.csv`, exactamente dos columnas:\n`id,clase`. Debe contener todas las filas de transferencia en el\norden de entrada. Las etiquetas de ese conjunto están en un\narchivo separado para abrir al finalizar la propuesta. Es una\nevaluación educativa visible, no un test privado de competencia.\n",
   "id": "02-i-02"
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": "from sklearn.dummy import DummyClassifier\nfrom sklearn.metrics import accuracy_score\ndatos = pd.read_csv(DATOS / \"desarrollo.csv\")\ntrain = datos[datos.particion == \"train\"]\nval = datos[datos.particion == \"val\"]\ncolumnas = [\"x1\", \"x2\"]\nassert (len(train), len(val)) == (180, 60)\nprint(train.groupby(\"clase\").size())\n",
   "id": "02-i-03"
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": "## Zona de experimentación\nReemplaza el predictor mayoritario por logística con escalado en\nun pipeline. Mantener el split permite atribuir a la propuesta, y no a otras filas,\nlos cambios que observas entre variantes. Completa la exportación y comprueba que no\nordenas IDs ni predicciones de forma independiente.\n",
   "id": "02-i-04"
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": "def construir_modelo():\n    # TRABAJO: conserva el baseline abajo y mejora esta propuesta.\n    return DummyClassifier(strategy=\"most_frequent\")\n\ndef exportar(ids, predicciones, destino):\n    # Flujo inicial válido; explica por qué estas filas están alineadas.\n    pd.DataFrame({\"id\": np.asarray(ids), \"clase\": predicciones}).to_csv(destino, index=False)\n",
   "id": "02-i-05"
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": "## Comparación en las mismas condiciones\nBaseline mayoritario y propuesta se entrenan con las mismas 180 filas y se evalúan sobre las mismas 60. Mira dónde la propuesta mejora al baseline y dónde todavía se equivoca. El archivo también debe ser válido; una buena métrica no corrige un orden equivocado.\n",
   "id": "02-i-06"
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": "baseline = DummyClassifier(strategy=\"most_frequent\").fit(train[columnas], train.clase)\nmodelo = construir_modelo().fit(train[columnas], train.clase)\nresultado = {\n    \"baseline\": float(accuracy_score(val.clase, baseline.predict(val[columnas]))),\n    \"validacion\": float(accuracy_score(val.clase, modelo.predict(val[columnas]))),\n}\nprint(resultado)\n",
   "id": "02-i-07"
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": "<details><summary>Idea · composición</summary>make_pipeline(StandardScaler(), LogisticRegression(...)) aplica el mismo escalador al predecir.</details>\n<details><summary>Idea · filas</summary>predict conserva el orden de sus filas de entrada. Usa los IDs de ese mismo DataFrame.</details>\n<details><summary>Idea · control</summary>Lee el CSV exportado y compara su lista completa de IDs con la entrada usando array_equal.</details>\n",
   "id": "02-i-08"
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": "## Transferencia: decide antes de mirar el resultado\nLos IDs de la nueva tabla no están ordenados y sus valores no predicen la clase. Congela el modelo, escribe el CSV y recién entonces abre las etiquetas. Usa el mismo modelo, sin ajustar a las respuestas nuevas.\n",
   "id": "02-i-09"
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": "nuevo = pd.read_csv(DATOS / \"transferencia.csv\")\npred_nuevo = modelo.predict(nuevo[columnas])\nexportar(nuevo.id, pred_nuevo, \"predicciones.csv\")\nenvio = pd.read_csv(\"predicciones.csv\")\nassert list(envio.columns) == [\"id\", \"clase\"]\nassert np.array_equal(envio.id, nuevo.id), \"El orden de los IDs cambió.\"\nassert len(envio) == 60 and envio.id.is_unique and set(envio.clase) <= {0, 1}\netiquetas = pd.read_csv(DATOS / \"etiquetas_transferencia.csv\").set_index(\"id\")\ny_nuevo = etiquetas.loc[nuevo.id, \"clase\"].to_numpy()\nresultado[\"transferencia\"] = float(accuracy_score(y_nuevo, envio.clase))\nresultado[\"baseline_transferencia\"] = float(accuracy_score(y_nuevo, baseline.predict(nuevo[columnas])))\nresultado[\"entrega_valida\"] = True\n",
   "id": "02-i-10"
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": "## Mirar la idea\nCompara el dibujo con lo que esperabas antes de ejecutar.\n",
   "id": "02-i-11"
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": "xx, yy = np.meshgrid(np.linspace(-3, 3, 100), np.linspace(-30, 30, 100))\ngrilla = pd.DataFrame({\"x1\": xx.ravel(), \"x2\": yy.ravel()})\nfrontera = modelo.predict(grilla).reshape(xx.shape)\nfig, ejes = plt.subplots(1, 2, figsize=(11, 4))\nejes[0].contourf(xx, yy, frontera, levels=[-0.5, 0.5, 1.5], cmap=\"coolwarm\", alpha=0.22)\nejes[0].scatter(val.x1, val.x2, c=val.clase, cmap=\"coolwarm\", edgecolor=\"white\")\nerrores = modelo.predict(val[columnas]) != val.clase.to_numpy()\nejes[0].scatter(val.loc[errores, \"x1\"], val.loc[errores, \"x2\"], facecolors=\"none\", edgecolors=\"black\", s=110, label=\"error\")\nejes[0].set(title=\"La frontera y sus errores en validación\", xlabel=\"x1\", ylabel=\"x2\")\nejes[0].legend()\nejes[1].bar([\"mayoritario\", \"propuesta\", \"transferencia\"], [resultado[\"baseline\"], resultado[\"validacion\"], resultado[\"transferencia\"]], color=[\"#a5adb5\", \"#287da3\", \"#65b5af\"])\nejes[1].set(title=\"Misma métrica, conjuntos declarados\", ylabel=\"accuracy\", ylim=(0, 1))\nfig.tight_layout()\nplt.show()\n",
   "id": "02-i-12"
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": "## Para seguir explorando\n¿Dónde se equivoca la frontera? Mueve un punto, cambia la escala de una feature o baraja las filas de entrada conservando sus IDs. Distingue un cambio del modelo de un error al construir la entrega.\n",
   "id": "02-i-13"
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": "## Comprobaciones del ejemplo\nEstas aserciones detectan errores técnicos en el cuaderno y en su solución de referencia. No son un examen ni una escala de capacidad.\n",
   "id": "02-i-14"
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": "assert isinstance(resultado, dict)\n",
   "id": "02-i-15"
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": "## Resultado reproducible\nEsta celda guarda automáticamente las medidas para comprobar el material. Puedes conservar una copia de tu notebook y tus propias notas; no hay un formulario que rellenar.\n",
   "id": "02-i-16"
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": "resultado.update({\"laboratorio\": '02_clasificacion', \"version\": 'inicio para completar',\n                  \"datos\": \"sintéticos CC0-1.0\",\n                  \"metrica\": 'accuracy (mayor es mejor)', \"split\": '180 entrenamiento y 60 validación fijos; 60 transferencia con identificadores desordenados'})\nPath(\"resultado.json\").write_text(json.dumps(resultado, ensure_ascii=False, indent=2, allow_nan=False) + \"\\n\", encoding=\"utf-8\")\nprint(json.dumps(resultado, ensure_ascii=False, indent=2))\n",
   "id": "02-i-17"
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "name": "python",
   "version": "3.11"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}
