🍄 Taller de Aprendizaje Automático No Supervisado – Mushroom Dataset

Este proyecto explora técnicas de Aprendizaje Automático No Supervisado, usando PCA y K-Means, y se compara con un modelo supervisado (Random Forest) para clasificar hongos como comestibles (e) o venenosos (p).

🧑‍💻 Este proyecto fue realizado en solitario, siguiendo buenas prácticas de control de versiones con Git.

---

📂 Dataset

• Fuente: Mushroom Dataset - UCI Repository
• Instancias: 8124
• Variables: 21, todas categóricas (forma, color, olor, etc.)
• Variable objetivo: class (e → edible / comestible, p → poisonous / venenoso)

📝 Nota: La columna odor es la que más relación tiene con la clase (class).

---

🧹 ETL / Preprocesamiento

El flujo ETL realizado fue:

1. Limpieza de datos

   • Eliminadas columnas poco informativas: veil-type y gill-attachment.
   • Eliminación de nulos y valores inconsistentes.

2. Feature Engineering

   • Creación de una columna nueva: has_odor → indica si el hongo tiene olor o no.
   • One-Hot Encoding de todas las variables categóricas.
   • Escalado de features con StandardScaler.

3. Separación de datos

   • X → features
   • y → clase (class)

---

🧠 Objetivos del Taller

• Cargar y explorar un dataset categórico complejo.
• Preprocesamiento de datos y creación de nuevas variables.
• Reducción de dimensionalidad con PCA.
• Detección de patrones ocultos con K-Means.
• Comparación de desempeño con Random Forest supervisado.

---

🔍 Análisis Exploratorio y PCA

• PCA 2D: Permite visualizar la separabilidad de los hongos comestibles y venenosos.
• Insight visual: Los datos se agrupan naturalmente en varias regiones diferenciadas, confirmando patrones internos.

---

🌳 Clasificación Supervisada – Random Forest

• Entrenamiento con 10 componentes PCA
• Accuracy: 0.998
• Las predicciones muestran una casi perfecta separación entre clases.
• Esto confirma que la PCA conserva la información relevante para clasificación.

---

🔄 Clustering – K-Means

• Número óptimo de clusters: k = 4 (método del codo)
• Los clusters reflejan agrupaciones naturales del dataset, aunque no coinciden 100% con las clases reales.
• Homogeneidad: 0.653
• Completitud: 0.407

---

🗂️ Estrategia de Ramas Git

El proyecto se desarrolló con la siguiente estructura de ramas:

• feature/setup → creación de la estructura de carpetas y archivos iniciales
• feature/eda → análisis exploratorio de datos
• feature/cleaning → limpieza y feature engineering (has_odor)
• feature/model → entrenamiento y evaluación de Random Forest + PCA, y K-Means
• develop → integración de todas las funcionalidades y generación del informe ejecutivo

💡 Esto permitió un flujo de trabajo organizado y modular, facilitando pruebas y seguimiento de cambios.

---

📸 Reporte Visual

El informe ejecutivo en PDF incluye todas las gráficas y análisis:

• report/informe_ejecutivo_mushrooms.pdf
  • Scatterplots PCA 2D por clase y clusters
  • Comparación Random Forest vs K-Means
  • Resumen de métricas y observaciones

---

🗂️ Estructura del Proyecto

project-9-Pablo-Rodriguez/
│
├─ data/
│ ├─ raw/
│ │ └─ mushrooms.csv
│ └─ clean/
│   ├─ clean_mushrooms.csv
│   └─ clean_mushrooms.parquet
│
├─ notebooks/
│ ├─ Eda_Mushrooms.ipynb
│ ├─ data_cleaning.ipynb
│ └─ Mushroom_Unsupervised_Learning_PCA_KMeans.ipynb
│
├─ report/
│ └─ informe_ejecutivo_mushrooms.pdf
│
└─ README.md

---

📝 Conclusión

• El aprendizaje no supervisado permite detectar patrones internos y clusters.
• La PCA facilita la visualización y conserva la información relevante.
• El Random Forest con componentes PCA logra casi predicción perfecta.
• La columna odor y la variable has_odor son clave para entender la clasificación de los hongos.

---

📚 Referencias

• Mushroom Dataset - UCI Repository
• Scikit-learn PCA
• Scikit-learn KMeans
• Seaborn / Matplotlib documentación oficial