Mushroom Intel: Clasificación Avanzada de Hongos

Visión General

Este proyecto implementa una solución completa de Machine Learning para la clasificación de hongos entre comestibles y venenosos. Utiliza técnicas de vanguardia como la imputación por vecinos más cercanos (KNN) y modelos de ensamble para garantizar la máxima seguridad en la predicción.

Puntos Clave

• 🧠 Inteligencia Predictiva: Pipeline avanzado con KNNImputer y OrdinalEncoder para un manejo preciso de datos faltantes.
• 📊 Dashboard de Alta Gama: Interfaz interactiva con navegación lateral y visualizaciones dinámicas de Plotly.
• ✨ Fácil e Intuitivo: Los menús ahora muestran descripciones claras en español (ej. "Almendra", "Bosque") en lugar de códigos técnicos (ej. "a", "d").
• 🎨 Branding Completo: Experiencia visual profesional con banner transparente, logo oficial y favicon personalizado.

Tecnologías Utilizadas

---

Estructura del Proyecto

Unsupervised-ML/
├── data/                       # Dataset original y procesado
│   └── agaricus-lepiota.data
├── notebooks/                  # Análisis exploratorio y prototipado
│   └── mushroom.ipynb
├── docs/                       # Documentación adicional e imágenes
├── app.py                      # Aplicación principal (Streamlit)
├── requirements.txt            # Dependencias del proyecto
├── .gitignore                  # Configuración de archivos excluidos
└── README.md                   # Documentación principal

Características de la Aplicación

• Preprocesamiento Inteligente: Uso de KNNImputer (k=5) para una imputación de datos coherente con el análisis científico.
• Interfaz Humana: Selectores optimizados con etiquetas descriptivas en lugar de códigos alfanuméricos crípticos.
• Seguridad en la Predicción: Modelo entrenado con RandomForest alcanzando altos niveles de precisión y confianza.
• Visualización Progresiva: Gráficos de distribución global y perfil de características para una exploración EDA profunda.

Instalación y Uso

1. Clonar el repositorio:

   git clone https://github.com/Bootcamp-Data-Analyst/Unsupervised-ML.git
   cd Unsupervised-ML

2. Instalar dependencias:

   pip install -r requirements.txt

3. Ejecutar la aplicación:

   streamlit run app.py

---

Desarrollado como parte del proyecto de análisis de aprendizaje no supervisado y clasificación.

🧪 Análisis Realizado

El núcleo analítico se basa en el notebook mushroom.ipynb, siguiendo estas etapas:

1. Limpieza y Preprocesamiento: Manejo de valores nulos, eliminación de columnas constantes (veil-type) y codificación de variables categóricas (One-Hot & Label Encoding).
2. EDA Avanzado: Análisis de distribuciones y relaciones entre variables como el olor y la clase.
3. Matriz de Cramér's V: Medición de la asociación entre características categóricas.

🛠️ Requisitos

Para asegurar el correcto funcionamiento, se requieren:

• streamlit
• pandas
• numpy
• plotly
• scikit-learn
• matplotlib / seaborn

---

📝 Uso del Notebook

1. Asegúrate de tener instaladas las dependencias.
2. Abre notebooks/mushroom.ipynb en Jupyter o Google Colab para revisar el análisis estadístico detallado.