synaptix 0.1.7__tar.gz → 0.2.0__tar.gz

This diff represents the content of publicly available package versions that have been released to one of the supported registries. The information contained in this diff is provided for informational purposes only and reflects changes between package versions as they appear in their respective public registries.
Files changed (60) hide show
  1. {synaptix-0.1.7 → synaptix-0.2.0}/PKG-INFO +31 -5
  2. {synaptix-0.1.7 → synaptix-0.2.0}/README.md +30 -4
  3. {synaptix-0.1.7 → synaptix-0.2.0}/pyproject.toml +1 -1
  4. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/__init__.py +8 -2
  5. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/base.py +218 -15
  6. synaptix-0.2.0/synaptix/metrics/__init__.py +334 -0
  7. synaptix-0.2.0/synaptix/model_selection/__init__.py +860 -0
  8. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/neural/networks.py +189 -21
  9. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/reinforcement/agents.py +182 -6
  10. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/reinforcement/environments.py +4 -0
  11. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/results.py +90 -4
  12. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/supervised/bayesian.py +33 -7
  13. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/unsupervised/clustering.py +165 -4
  14. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/unsupervised/decomposition.py +113 -2
  15. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/viewx/adapters.py +37 -2
  16. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix.egg-info/PKG-INFO +31 -5
  17. {synaptix-0.1.7 → synaptix-0.2.0}/tests/test_smoke.py +59 -1
  18. synaptix-0.1.7/synaptix/metrics/__init__.py +0 -181
  19. synaptix-0.1.7/synaptix/model_selection/__init__.py +0 -242
  20. {synaptix-0.1.7 → synaptix-0.2.0}/setup.cfg +0 -0
  21. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/datasets/__init__.py +0 -0
  22. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/datasets/course_completion.csv +0 -0
  23. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/datasets/iris.csv +0 -0
  24. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/datasets/penguins.csv +0 -0
  25. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/datasets/sp500_companies.csv +0 -0
  26. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/datasets/titanic.csv +0 -0
  27. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/legacy/__init__.py +0 -0
  28. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/legacy/deepLearning.py +0 -0
  29. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/legacy/intelligenceartificial.py +0 -0
  30. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/legacy/machineLearning.py +0 -0
  31. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/legacy/naturalLanguageProcessing.py +0 -0
  32. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/neural/__init__.py +0 -0
  33. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/pipeline/__init__.py +0 -0
  34. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/pipeline/auto.py +0 -0
  35. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/pipeline/declarative.py +0 -0
  36. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/pipeline/grids.py +0 -0
  37. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/preprocessing/__init__.py +0 -0
  38. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/preprocessing/cleaner.py +0 -0
  39. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/preprocessing/outliers.py +0 -0
  40. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/preprocessing/transformers.py +0 -0
  41. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/py.typed +0 -0
  42. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/reinforcement/__init__.py +0 -0
  43. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/supervised/__init__.py +0 -0
  44. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/supervised/classification.py +0 -0
  45. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/supervised/regression.py +0 -0
  46. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/unsupervised/__init__.py +0 -0
  47. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/viewx/__init__.py +0 -0
  48. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/viewx/_availability.py +0 -0
  49. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/viewx/export.py +0 -0
  50. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/viewx/renderers.py +0 -0
  51. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/visualization/__init__.py +0 -0
  52. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/visualization/eda.py +0 -0
  53. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/visualization/model_plots.py +0 -0
  54. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/viz/__init__.py +0 -0
  55. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix/viz/figures.py +0 -0
  56. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix.egg-info/SOURCES.txt +0 -0
  57. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix.egg-info/dependency_links.txt +0 -0
  58. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix.egg-info/requires.txt +0 -0
  59. {synaptix-0.1.7 → synaptix-0.2.0}/synaptix.egg-info/top_level.txt +0 -0
  60. {synaptix-0.1.7 → synaptix-0.2.0}/tests/test_integration_bridge.py +0 -0
@@ -1,6 +1,6 @@
1
1
  Metadata-Version: 2.4
2
2
  Name: synaptix
3
- Version: 0.1.7
3
+ Version: 0.2.0
4
4
  Summary: Librería integral de Machine Learning para Python: supervisado, no supervisado, refuerzo, redes neuronales y preprocesamiento.
5
5
  Author-email: Emmanuel Ascendra Perez <ascendraemmanuel@gmail.com>
6
6
  License: MIT
@@ -86,8 +86,20 @@ X_train, X_test, y_train, y_test = sx.preprocessing.train_test_split(
86
86
  model = sx.supervised.RandomForestClassifier(n_estimators=100)
87
87
  model.fit(X_train, y_train)
88
88
  model.evaluate(X_test, y_test, plot=True) # métricas + matriz de confusión
89
+
90
+ # O dividir, entrenar y ver métricas de train y test en un paso
91
+ resultado = model.fit_evaluate(X, y, test_size=0.2, metrics=["accuracy", "f1", "mcc"])
92
+ print(resultado.to_frame()) # métrica | train | test | diferencia
89
93
  ```
90
94
 
95
+ `fit_evaluate(..., test_size=..., metrics=[...])` existe en todos los modelos: supervisados, clustering, PCA, redes neuronales (split temporal en `LSTMNet`) y agentes de refuerzo (donde `test_size` es la fracción de episodios de evaluación).
96
+
97
+ ## Novedades en v0.2.0
98
+
99
+ - `fit_evaluate(...)` en todos los modelos: divide, entrena y devuelve un `TrainTestResult` con métricas de train y test.
100
+ - Selección de métricas con `metrics=[...]` en todas las funciones de `synaptix.metrics` y `available_metrics()` para listarlas.
101
+ - `compare_models` acepta `test_size`, `models` y `metrics`, reporta métricas de train y test con columna de sobreajuste y soporta clustering; nuevo `list_models`.
102
+
91
103
  ## Módulos
92
104
 
93
105
  | Módulo | Contenido |
@@ -98,8 +110,8 @@ model.evaluate(X_test, y_test, plot=True) # métricas + matriz de confusión
98
110
  | `synaptix.unsupervised` | `KMeans` (con codo y silhouette), `DBSCAN`, `HierarchicalClustering`, `GaussianMixture`, `PCA`, `TSNE` |
99
111
  | `synaptix.reinforcement` | `QLearningAgent`, `SARSAAgent`, `DQNAgent`, entorno `GridWorld` |
100
112
  | `synaptix.neural` | `MLP`, `CNN`, `LSTMNet` sobre Keras (requiere `synaptix[dl]`) |
101
- | `synaptix.metrics` | `regression_metrics`, `classification_metrics`, `clustering_metrics`, `classification_report` |
102
- | `synaptix.model_selection` | `cross_validate`, `GridSearch`, `compare_models` (AutoML-lite) |
113
+ | `synaptix.metrics` | `regression_metrics`, `classification_metrics`, `clustering_metrics`, `classification_report`, `available_metrics` (todas con `metrics=[...]`) |
114
+ | `synaptix.model_selection` | `cross_validate`, `GridSearch`, `compare_models` (AutoML-lite con métricas de train y test), `list_models` |
103
115
  | `synaptix.visualization` | Gráficas de modelos (matriz de confusión, ROC, curva de aprendizaje, residuos, frontera de decisión, `model_report`) y EDA (distribuciones, correlación, boxplots, scatter matrix, nulos) |
104
116
  | `synaptix.datasets` | `iris`, `penguins`, `titanic`, `sp500_companies`, `course_completion` (compatible con `backend="polars"` y `return_X_y=True`) |
105
117
  | `synaptix.legacy` | API clásica v0.x (`IntelligenceArtificial`, `MachineLearning`, ...) |
@@ -132,14 +144,18 @@ from synaptix.pipeline import Pipeline
132
144
 
133
145
  pipe = Pipeline([
134
146
  "clean", # DataCleaner con defaults
135
- ("outliers", {"method": "iqr"}), # params propios opcionales
147
+ ("outliers", {"columns": ["bill_length_mm", "body_mass_g"]}), # params propios opcionales
136
148
  ("model", "random_forest"), # o "model" solo = elegir automático
137
149
  "tune", # rejilla por defecto del modelo
138
150
  ("evaluate", {"plot": True}),
139
151
  ])
140
152
  pipe.fit(df, target="species")
153
+ pipe.model_, pipe.results_, pipe.best_params_ # modelo, métricas de test, parámetros
154
+ pipe.predict(df_nuevo)
141
155
  ```
142
156
 
157
+ Atributos de `AutoPipeline` tras `fit`: `task_`, `cleaner_`, `ranking_`, `best_model_`, `best_name_`, `best_params_`, `results_`; métodos `predict`, `predict_proba`, `report(plot=True)`, `save(path)` y `AutoPipeline.load(path)`.
158
+
143
159
  ### Modelos bayesianos (con incertidumbre)
144
160
 
145
161
  ```python
@@ -160,7 +176,7 @@ from synaptix.supervised import PyMCLinearRegression
160
176
  model = PyMCLinearRegression(draws=1000)
161
177
  model.fit(X_train, y_train) # inferencia MCMC
162
178
  media, low, high = model.predict_interval(X_test, hdi=0.94)
163
- model.summary() # posteriores de cada parámetro
179
+ print(model.summary()) # resumen ArviZ de cada parámetro
164
180
  model.plot_posterior()
165
181
  ```
166
182
 
@@ -181,6 +197,16 @@ from synaptix.model_selection import compare_models
181
197
 
182
198
  tabla = compare_models(X, y, task="classification", cv=5)
183
199
  # Entrena 7 modelos con validación cruzada y devuelve un ranking
200
+
201
+ # Elegir test_size, modelos y métricas; incluye métricas de train y columna "sobreajuste"
202
+ tabla = compare_models(
203
+ X, y, test_size=0.3,
204
+ models=["RandomForestClassifier", "LogisticRegression"],
205
+ metrics=["accuracy", "f1"],
206
+ )
207
+
208
+ # Clustering: sin y
209
+ compare_models(X, task="clustering", test_size=0.2, n_clusters=3)
184
210
  ```
185
211
 
186
212
  ### Clustering (no supervisado)
@@ -32,8 +32,20 @@ X_train, X_test, y_train, y_test = sx.preprocessing.train_test_split(
32
32
  model = sx.supervised.RandomForestClassifier(n_estimators=100)
33
33
  model.fit(X_train, y_train)
34
34
  model.evaluate(X_test, y_test, plot=True) # métricas + matriz de confusión
35
+
36
+ # O dividir, entrenar y ver métricas de train y test en un paso
37
+ resultado = model.fit_evaluate(X, y, test_size=0.2, metrics=["accuracy", "f1", "mcc"])
38
+ print(resultado.to_frame()) # métrica | train | test | diferencia
35
39
  ```
36
40
 
41
+ `fit_evaluate(..., test_size=..., metrics=[...])` existe en todos los modelos: supervisados, clustering, PCA, redes neuronales (split temporal en `LSTMNet`) y agentes de refuerzo (donde `test_size` es la fracción de episodios de evaluación).
42
+
43
+ ## Novedades en v0.2.0
44
+
45
+ - `fit_evaluate(...)` en todos los modelos: divide, entrena y devuelve un `TrainTestResult` con métricas de train y test.
46
+ - Selección de métricas con `metrics=[...]` en todas las funciones de `synaptix.metrics` y `available_metrics()` para listarlas.
47
+ - `compare_models` acepta `test_size`, `models` y `metrics`, reporta métricas de train y test con columna de sobreajuste y soporta clustering; nuevo `list_models`.
48
+
37
49
  ## Módulos
38
50
 
39
51
  | Módulo | Contenido |
@@ -44,8 +56,8 @@ model.evaluate(X_test, y_test, plot=True) # métricas + matriz de confusión
44
56
  | `synaptix.unsupervised` | `KMeans` (con codo y silhouette), `DBSCAN`, `HierarchicalClustering`, `GaussianMixture`, `PCA`, `TSNE` |
45
57
  | `synaptix.reinforcement` | `QLearningAgent`, `SARSAAgent`, `DQNAgent`, entorno `GridWorld` |
46
58
  | `synaptix.neural` | `MLP`, `CNN`, `LSTMNet` sobre Keras (requiere `synaptix[dl]`) |
47
- | `synaptix.metrics` | `regression_metrics`, `classification_metrics`, `clustering_metrics`, `classification_report` |
48
- | `synaptix.model_selection` | `cross_validate`, `GridSearch`, `compare_models` (AutoML-lite) |
59
+ | `synaptix.metrics` | `regression_metrics`, `classification_metrics`, `clustering_metrics`, `classification_report`, `available_metrics` (todas con `metrics=[...]`) |
60
+ | `synaptix.model_selection` | `cross_validate`, `GridSearch`, `compare_models` (AutoML-lite con métricas de train y test), `list_models` |
49
61
  | `synaptix.visualization` | Gráficas de modelos (matriz de confusión, ROC, curva de aprendizaje, residuos, frontera de decisión, `model_report`) y EDA (distribuciones, correlación, boxplots, scatter matrix, nulos) |
50
62
  | `synaptix.datasets` | `iris`, `penguins`, `titanic`, `sp500_companies`, `course_completion` (compatible con `backend="polars"` y `return_X_y=True`) |
51
63
  | `synaptix.legacy` | API clásica v0.x (`IntelligenceArtificial`, `MachineLearning`, ...) |
@@ -78,14 +90,18 @@ from synaptix.pipeline import Pipeline
78
90
 
79
91
  pipe = Pipeline([
80
92
  "clean", # DataCleaner con defaults
81
- ("outliers", {"method": "iqr"}), # params propios opcionales
93
+ ("outliers", {"columns": ["bill_length_mm", "body_mass_g"]}), # params propios opcionales
82
94
  ("model", "random_forest"), # o "model" solo = elegir automático
83
95
  "tune", # rejilla por defecto del modelo
84
96
  ("evaluate", {"plot": True}),
85
97
  ])
86
98
  pipe.fit(df, target="species")
99
+ pipe.model_, pipe.results_, pipe.best_params_ # modelo, métricas de test, parámetros
100
+ pipe.predict(df_nuevo)
87
101
  ```
88
102
 
103
+ Atributos de `AutoPipeline` tras `fit`: `task_`, `cleaner_`, `ranking_`, `best_model_`, `best_name_`, `best_params_`, `results_`; métodos `predict`, `predict_proba`, `report(plot=True)`, `save(path)` y `AutoPipeline.load(path)`.
104
+
89
105
  ### Modelos bayesianos (con incertidumbre)
90
106
 
91
107
  ```python
@@ -106,7 +122,7 @@ from synaptix.supervised import PyMCLinearRegression
106
122
  model = PyMCLinearRegression(draws=1000)
107
123
  model.fit(X_train, y_train) # inferencia MCMC
108
124
  media, low, high = model.predict_interval(X_test, hdi=0.94)
109
- model.summary() # posteriores de cada parámetro
125
+ print(model.summary()) # resumen ArviZ de cada parámetro
110
126
  model.plot_posterior()
111
127
  ```
112
128
 
@@ -127,6 +143,16 @@ from synaptix.model_selection import compare_models
127
143
 
128
144
  tabla = compare_models(X, y, task="classification", cv=5)
129
145
  # Entrena 7 modelos con validación cruzada y devuelve un ranking
146
+
147
+ # Elegir test_size, modelos y métricas; incluye métricas de train y columna "sobreajuste"
148
+ tabla = compare_models(
149
+ X, y, test_size=0.3,
150
+ models=["RandomForestClassifier", "LogisticRegression"],
151
+ metrics=["accuracy", "f1"],
152
+ )
153
+
154
+ # Clustering: sin y
155
+ compare_models(X, task="clustering", test_size=0.2, n_clusters=3)
130
156
  ```
131
157
 
132
158
  ### Clustering (no supervisado)
@@ -4,7 +4,7 @@ build-backend = "setuptools.build_meta"
4
4
 
5
5
  [project]
6
6
  name = "synaptix"
7
- version = "0.1.7"
7
+ version = "0.2.0"
8
8
  description = "Librería integral de Machine Learning para Python: supervisado, no supervisado, refuerzo, redes neuronales y preprocesamiento."
9
9
  readme = "README.md"
10
10
  requires-python = ">=3.9"
@@ -34,7 +34,7 @@ Ejemplo rápido
34
34
  >>> model.evaluate(X_test, y_test)
35
35
  """
36
36
 
37
- __version__ = "0.1.7"
37
+ __version__ = "0.2.0"
38
38
  __author__ = "Emmanuel Ascendra"
39
39
 
40
40
  from . import (
@@ -50,7 +50,12 @@ from . import (
50
50
  from .base import SynaptixModel
51
51
  from .datasets import list_datasets, load_dataset
52
52
  from .pipeline import AutoPipeline, Pipeline
53
- from .results import CrossValidationResult, EvaluationResult, ModelComparisonResult
53
+ from .results import (
54
+ CrossValidationResult,
55
+ EvaluationResult,
56
+ ModelComparisonResult,
57
+ TrainTestResult,
58
+ )
54
59
 
55
60
  # Clases legacy sin dependencias pesadas
56
61
  from .legacy import (
@@ -83,6 +88,7 @@ __all__ = [
83
88
  "EvaluationResult",
84
89
  "CrossValidationResult",
85
90
  "ModelComparisonResult",
91
+ "TrainTestResult",
86
92
  # Integración ViewX (opcional)
87
93
  "viewx",
88
94
  "viz",
@@ -4,7 +4,7 @@ Clases base de SynaptIX.
4
4
  Define ``SynaptixModel``, la clase base de todos los modelos supervisados
5
5
  de la librería. Provee una API unificada estilo scikit-learn:
6
6
 
7
- fit / predict / evaluate / summary / save / load
7
+ fit / predict / evaluate / fit_evaluate / summary / save / load
8
8
 
9
9
  Ejemplo
10
10
  -------
@@ -12,18 +12,23 @@ Ejemplo
12
12
  >>> model = RandomForestClassifier(n_estimators=100)
13
13
  >>> model.fit(X_train, y_train)
14
14
  >>> model.evaluate(X_test, y_test)
15
+ >>> # O dividir, entrenar y evaluar train/test en un paso:
16
+ >>> resultado = model.fit_evaluate(X, y, test_size=0.3, metrics=["accuracy", "f1"])
15
17
  """
16
18
 
17
19
  from __future__ import annotations
18
20
 
19
21
  import os
20
22
  import pickle
21
- from typing import Any, Optional, Union
23
+ import time
24
+ import warnings
25
+ from typing import Any, Optional, Sequence, Union
22
26
 
23
27
  import numpy as np
24
28
  import pandas as pd
25
29
 
26
30
  ArrayLike = Union[pd.DataFrame, pd.Series, np.ndarray, list]
31
+ TestSize = Optional[Union[float, int]]
27
32
 
28
33
 
29
34
  def _from_polars(obj: Any) -> Any:
@@ -89,7 +94,189 @@ def feature_names(X: ArrayLike) -> Optional[list]:
89
94
  return None
90
95
 
91
96
 
92
- class SynaptixModel:
97
+ def check_test_size(test_size: TestSize, n_samples: int) -> int:
98
+ """Valida ``test_size`` y devuelve el nº de muestras de prueba.
99
+
100
+ Acepta un float en (0, 1) (proporción) o un entero >= 1 (cantidad).
101
+ """
102
+ if isinstance(test_size, bool):
103
+ raise ValueError(f"test_size no puede ser booleano (recibido: {test_size!r}).")
104
+ if isinstance(test_size, (float, np.floating)):
105
+ if not 0 < test_size < 1:
106
+ raise ValueError(f"test_size debe estar en (0, 1) (recibido: {test_size!r}).")
107
+ n_test = int(np.ceil(test_size * n_samples))
108
+ elif isinstance(test_size, (int, np.integer)):
109
+ n_test = int(test_size)
110
+ else:
111
+ raise ValueError(
112
+ f"test_size debe ser un float en (0, 1) o un entero (recibido: {test_size!r})."
113
+ )
114
+ if n_test < 1 or n_test >= n_samples:
115
+ raise ValueError(
116
+ f"test_size={test_size} deja un conjunto de train o test vacío "
117
+ f"con {n_samples} muestras."
118
+ )
119
+ return n_test
120
+
121
+
122
+ def split_data(
123
+ X: ArrayLike,
124
+ y: Optional[ArrayLike] = None,
125
+ test_size: TestSize = 0.2,
126
+ random_state: Optional[int] = 42,
127
+ stratify: bool = False,
128
+ ):
129
+ """Divide X (y opcionalmente y) en train/test conservando DataFrames.
130
+
131
+ Con ``stratify=True`` estratifica por ``y`` si cada clase tiene al
132
+ menos 2 muestras y caben todas en ambos conjuntos; si no, avisa y
133
+ hace un split aleatorio simple.
134
+
135
+ Returns
136
+ -------
137
+ tuple
138
+ ``(X_train, X_test, y_train, y_test)`` o ``(X_train, X_test)`` si
139
+ ``y`` es None.
140
+ """
141
+ from sklearn.model_selection import train_test_split
142
+
143
+ X = _from_polars(X)
144
+ n_samples = len(X)
145
+ n_test = check_test_size(test_size, n_samples)
146
+
147
+ if y is None:
148
+ return train_test_split(X, test_size=n_test, random_state=random_state)
149
+
150
+ y = _from_polars(y)
151
+ strat = None
152
+ if stratify:
153
+ _, counts = np.unique(to_vector(y), return_counts=True)
154
+ if counts.min() >= 2 and len(counts) <= min(n_test, n_samples - n_test):
155
+ strat = to_vector(y)
156
+ else:
157
+ warnings.warn(
158
+ "No se puede estratificar con este test_size (clases con muy pocas "
159
+ "muestras); se usa un split aleatorio simple.",
160
+ stacklevel=3,
161
+ )
162
+ return train_test_split(X, y, test_size=n_test, random_state=random_state, stratify=strat)
163
+
164
+
165
+ def _print_train_test(result) -> None:
166
+ print(f"\n=== Train vs. test: {result.model_name} ===")
167
+ if result.test_size is not None:
168
+ print(
169
+ f" test_size : {result.test_size} "
170
+ f"({result.n_train} train / {result.n_test} test)"
171
+ )
172
+ if result.fit_time is not None:
173
+ print(f" Tiempo : {result.fit_time:.3f} s")
174
+ print(result.to_frame().to_string(float_format=lambda v: f"{v:.4f}"))
175
+
176
+
177
+ class TrainTestMixin:
178
+ """Agrega ``fit_evaluate`` a modelos supervisados con ``fit``/``evaluate``."""
179
+
180
+ _default_fit_params: dict = {}
181
+
182
+ def fit_evaluate(
183
+ self,
184
+ X: ArrayLike,
185
+ y: ArrayLike,
186
+ test_size: TestSize = 0.2,
187
+ metrics: Optional[Sequence[str]] = None,
188
+ random_state: Optional[int] = 42,
189
+ stratify: Optional[bool] = None,
190
+ plot: bool = False,
191
+ verbose: bool = True,
192
+ fit_params: Optional[dict] = None,
193
+ ):
194
+ """Divide en train/test, entrena y devuelve las métricas de ambos conjuntos.
195
+
196
+ Parameters
197
+ ----------
198
+ X : DataFrame, ndarray o lista
199
+ Features completas.
200
+ y : Series, ndarray o lista
201
+ Variable objetivo completa.
202
+ test_size : float, int o None, default=0.2
203
+ Proporción (float en (0, 1)) o cantidad (int) de muestras de
204
+ prueba. Con ``None`` entrena con todo y solo reporta train.
205
+ metrics : sequence of str, optional
206
+ Métricas a calcular (ver ``synaptix.metrics.available_metrics``).
207
+ Por defecto las de :meth:`evaluate`.
208
+ random_state : int, optional, default=42
209
+ Semilla del split.
210
+ stratify : bool, optional
211
+ Estratificar por ``y``. Por defecto True en clasificación.
212
+ plot : bool, default=False
213
+ Gráficos de evaluación sobre el conjunto de prueba.
214
+ verbose : bool, default=True
215
+ Imprime la tabla train vs. test.
216
+ fit_params : dict, optional
217
+ Argumentos extra para ``fit`` (por ejemplo
218
+ ``{"epochs": 50, "batch_size": 16}`` en redes neuronales).
219
+
220
+ Returns
221
+ -------
222
+ TrainTestResult
223
+ ``{"train": métricas, "test": métricas}``. ``.to_frame()``
224
+ devuelve la tabla con la diferencia test - train (útil para
225
+ detectar sobreajuste).
226
+ """
227
+ from .results import TrainTestResult
228
+
229
+ task = getattr(self, "task", None)
230
+ if stratify is None:
231
+ stratify = task == "classification"
232
+
233
+ if test_size is None:
234
+ X_train, y_train, X_test, y_test = X, y, None, None
235
+ else:
236
+ X_train, X_test, y_train, y_test = split_data(
237
+ X, y, test_size=test_size, random_state=random_state, stratify=stratify
238
+ )
239
+
240
+ start = time.perf_counter()
241
+ self.fit(X_train, y_train, **{**self._default_fit_params, **(fit_params or {})})
242
+ fit_time = time.perf_counter() - start
243
+
244
+ train_metrics = self.evaluate(X_train, y_train, verbose=False, metrics=metrics)
245
+ test_metrics = None
246
+ if X_test is not None:
247
+ test_metrics = self.evaluate(X_test, y_test, verbose=False, metrics=metrics)
248
+
249
+ shape = np.shape(_from_polars(X_train))
250
+ if len(shape) > 2:
251
+ info: dict = {"input_shape": tuple(shape[1:])}
252
+ else:
253
+ info = {"n_features": shape[1] if len(shape) == 2 else 1}
254
+ estimator = getattr(self, "model", None)
255
+ if hasattr(estimator, "get_params"):
256
+ info["params"] = estimator.get_params()
257
+ if task == "classification":
258
+ info["clases"] = np.unique(to_vector(y)).tolist()
259
+
260
+ result = TrainTestResult(
261
+ train_metrics,
262
+ test_metrics,
263
+ model_name=getattr(self, "name", type(self).__name__),
264
+ task=task,
265
+ test_size=test_size,
266
+ n_train=len(to_vector(y_train)),
267
+ n_test=None if y_test is None else len(to_vector(y_test)),
268
+ fit_time=round(fit_time, 4),
269
+ info=info,
270
+ )
271
+
272
+ if verbose:
273
+ _print_train_test(result)
274
+ if plot and X_test is not None and hasattr(self, "_plot_evaluation"):
275
+ self._plot_evaluation(to_vector(y_test), self.predict(X_test))
276
+ return result
277
+
278
+
279
+ class SynaptixModel(TrainTestMixin):
93
280
  """Clase base para todos los modelos supervisados de SynaptIX.
94
281
 
95
282
  Envuelve un estimador de scikit-learn y expone una API unificada.
@@ -175,6 +362,7 @@ class SynaptixModel:
175
362
  y: ArrayLike,
176
363
  plot: bool = False,
177
364
  verbose: bool = True,
365
+ metrics: Optional[Sequence[str]] = None,
178
366
  ) -> dict:
179
367
  """Evalúa el modelo e imprime un reporte de métricas.
180
368
 
@@ -189,6 +377,11 @@ class SynaptixModel:
189
377
  en clasificación, real vs. predicho en regresión).
190
378
  verbose : bool, default=True
191
379
  Si es True, imprime las métricas en consola.
380
+ metrics : sequence of str, optional
381
+ Métricas a calcular (sin distinguir mayúsculas). Por defecto:
382
+ accuracy/precision/recall/f1 en clasificación y
383
+ MAE/MSE/RMSE/R2/MAPE en regresión. Ver
384
+ ``synaptix.metrics.available_metrics(task)``.
192
385
 
193
386
  Returns
194
387
  -------
@@ -204,15 +397,22 @@ class SynaptixModel:
204
397
  y_pred = self.predict(X)
205
398
 
206
399
  if self.task == "classification":
207
- results = sx_metrics.classification_metrics(y_true, y_pred)
400
+ proba = None
401
+ if hasattr(self.model, "predict_proba"):
402
+ proba = self.model.predict_proba(to_matrix(X))
403
+ results = sx_metrics.classification_metrics(
404
+ y_true,
405
+ y_pred,
406
+ metrics=metrics,
407
+ y_proba=proba,
408
+ labels=getattr(self.model, "classes_", None),
409
+ )
410
+ if proba is not None and proba.ndim == 2 and proba.shape[1] == 2:
411
+ results.y_proba = proba[:, 1]
208
412
  else:
209
- results = sx_metrics.regression_metrics(y_true, y_pred)
413
+ results = sx_metrics.regression_metrics(y_true, y_pred, metrics=metrics)
210
414
 
211
415
  results.model_name = self.name
212
- if self.task == "classification" and hasattr(self.model, "predict_proba"):
213
- proba = self.model.predict_proba(to_matrix(X))
214
- if proba.ndim == 2 and proba.shape[1] == 2:
215
- results.y_proba = proba[:, 1]
216
416
 
217
417
  if verbose:
218
418
  print(f"\n=== Evaluación: {self.name} ===")
@@ -220,15 +420,18 @@ class SynaptixModel:
220
420
  print(f" {key:<12}: {value:.4f}")
221
421
 
222
422
  if plot:
223
- from . import visualization as sx_viz
224
-
225
- if self.task == "classification":
226
- sx_viz.plot_confusion_matrix(y_true, y_pred)
227
- else:
228
- sx_viz.plot_predictions(y_true, y_pred)
423
+ self._plot_evaluation(y_true, y_pred)
229
424
 
230
425
  return results
231
426
 
427
+ def _plot_evaluation(self, y_true: np.ndarray, y_pred: np.ndarray) -> None:
428
+ from . import visualization as sx_viz
429
+
430
+ if self.task == "classification":
431
+ sx_viz.plot_confusion_matrix(y_true, y_pred)
432
+ else:
433
+ sx_viz.plot_predictions(y_true, y_pred)
434
+
232
435
  def diagnostics(
233
436
  self,
234
437
  X: ArrayLike,