| ---
|
| language:
|
| - es
|
| library_name: pytorch
|
| pipeline_tag: tabular-regression
|
| tags:
|
| - machine-learning
|
| - regression
|
| - linear-regression
|
| - safetensors
|
| - educational-example
|
| license: mit
|
| ---
|
|
|
| # Regresión lineal con PyTorch: precio de una casa
|
|
|
| ## Descripción del modelo
|
|
|
| Este modelo es un ejemplo pedagógico del Seminario de Actualización (IFTS N.º 18). Muestra cómo se entrena una regresión lineal con el ciclo explícito de PyTorch y cómo se publican los pesos en formato **safetensors**.
|
|
|
| Predice el precio de una casa, en miles de US$, a partir de su superficie y de si tiene balcón y ascensor. Resuelve el mismo problema que el ejemplo de scikit-learn.
|
|
|
| ## Objetivo
|
|
|
| Predecir una variable numérica continua: el precio estimado de una casa.
|
|
|
| ## Datos de entrenamiento
|
|
|
| - **Dataset:** sintético, generado en `train.py`. Es el mismo de la Clase 10, con la misma semilla, y no son casas reales.
|
| - **Cantidad de registros:** 200. Se usan 160 para entrenar y 40 para evaluar.
|
| - **Variables de entrada (X):** `m2` (de 35 a 120), `balcon` (0 o 1), `ascensor` (0 o 1).
|
| - **Variable objetivo (y):** `precio`, en miles de US$.
|
| - **Preprocesamiento:** las entradas se normalizan restando la media y dividiendo por el desvío, ambos calculados con los datos de entrenamiento. Esos valores están en `config.json`.
|
|
|
| ## Entrenamiento
|
|
|
| - **Tipo de aprendizaje:** supervisado.
|
| - **Problema:** regresión.
|
| - **Arquitectura:** una capa `torch.nn.Linear(3, 1)`, es decir, tres pesos y un bias. Está definida en `modelo.py`.
|
| - **Función de pérdida:** error cuadrático medio (`MSELoss`).
|
| - **Optimizador:** descenso por gradiente (`SGD`), con tasa de aprendizaje 0,1.
|
| - **Épocas:** 500. La pérdida se estabiliza antes de la época 100.
|
| - **Biblioteca:** PyTorch.
|
|
|
| **Parámetros aprendidos.** Son los que guarda `model.safetensors`:
|
|
|
| | Parámetro | Valor |
|
| |---|---|
|
| | `lineal.weight` | [35,157 · 4,351 · 5,992] |
|
| | `lineal.bias` | 147,769 |
|
|
|
| **Por qué los pesos no se parecen a los de scikit-learn.** Están en la escala de las entradas **normalizadas**. Si se divide cada peso por el desvío de su variable, se vuelve a la escala original. Por ejemplo, 35,157 / 23,398 ≈ 1,503 para `m2`, que es el mismo peso que encontró scikit-learn.
|
|
|
| ## Evaluación
|
|
|
| Se evaluó sobre 40 casas que el modelo no vio durante el entrenamiento.
|
|
|
| | Métrica | Resultado |
|
| |---|---|
|
| | MAE | 3,08 miles de US$ |
|
| | R² | 0,989 |
|
|
|
| ## Archivos
|
|
|
| | Archivo | Qué es |
|
| |---|---|
|
| | `model.safetensors` | **solo los pesos** (`state_dict`) |
|
| | `config.json` | las entradas, la salida y la normalización que hay que aplicar antes de predecir |
|
| | `modelo.py` | la clase del modelo: PyTorch no la guarda en el archivo de pesos |
|
| | `train.py` | el código que lo entrenó |
|
| | `predict.py` | cómo cargarlo y usarlo |
|
| | `requirements.txt` | las dependencias |
|
| | `README.md` | esta Model Card |
|
|
|
| ## Cómo utilizar el modelo
|
|
|
| ```python
|
| import json
|
| import numpy as np
|
| import torch
|
| from safetensors.torch import load_file
|
| from modelo import RegresionLineal
|
|
|
| config = json.load(open("config.json"))
|
| media = np.array(config["normalizacion"]["media"], dtype="float32")
|
| desvio = np.array(config["normalizacion"]["desvio"], dtype="float32")
|
|
|
| modelo = RegresionLineal(n_entradas=3) # 1. el modelo vacío
|
| modelo.load_state_dict(load_file("model.safetensors")) # 2. se le cargan los pesos
|
| modelo.eval()
|
|
|
| casa = np.array([[80, 1, 0]], dtype="float32")
|
| with torch.no_grad():
|
| print(modelo(torch.tensor((casa - media) / desvio))) # tensor([[148.5]])
|
| ```
|
|
|
| ## Limitaciones
|
|
|
| - Tiene fines exclusivamente educativos. Los datos son sintéticos y no representan precios reales.
|
| - Solo conoce casas de 35 a 120 m².
|
| - **Si se olvida la normalización, las predicciones dan cualquier cosa.** Los pesos solos no alcanzan: hace falta `config.json`.
|
| - Para cargar los pesos hace falta la misma arquitectura (`modelo.py`). Si cambia la clase, `load_state_dict` falla.
|
| - A diferencia de pickle o joblib, **safetensors no ejecuta código al cargarse**: solo contiene números.
|
|
|
| ## Autoría
|
|
|
| Modelo desarrollado con fines educativos para el IFTS N.º 18. Docente: Cynthia M. Villagra.
|
|
|
