synaptix 0.3.0__tar.gz → 0.3.2__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 (87) hide show
  1. {synaptix-0.3.0 → synaptix-0.3.2}/PKG-INFO +94 -2
  2. {synaptix-0.3.0 → synaptix-0.3.2}/README.md +93 -1
  3. {synaptix-0.3.0 → synaptix-0.3.2}/pyproject.toml +1 -1
  4. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/__init__.py +2 -1
  5. synaptix-0.3.2/synaptix/automl/data_quality.py +860 -0
  6. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/experiments.py +1 -0
  7. synaptix-0.3.2/synaptix/automl/feature_engineering.py +421 -0
  8. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/pipeline.py +1699 -1003
  9. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/reporting.py +98 -1
  10. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/selection/__init__.py +3 -0
  11. synaptix-0.3.2/synaptix/automl/selection/feature_subset_search.py +545 -0
  12. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix.egg-info/PKG-INFO +94 -2
  13. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix.egg-info/SOURCES.txt +3 -0
  14. {synaptix-0.3.0 → synaptix-0.3.2}/tests/test_smoke.py +2 -1
  15. {synaptix-0.3.0 → synaptix-0.3.2}/setup.cfg +0 -0
  16. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/__init__.py +0 -0
  17. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/budget.py +0 -0
  18. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/config.py +0 -0
  19. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/data/__init__.py +0 -0
  20. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/data/adapters.py +0 -0
  21. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/data/detection.py +0 -0
  22. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/data/intelligence.py +0 -0
  23. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/ensemble.py +0 -0
  24. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/evaluation/__init__.py +0 -0
  25. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/evaluation/cross_validation.py +0 -0
  26. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/evaluation/metrics.py +0 -0
  27. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/exceptions.py +0 -0
  28. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/explain.py +0 -0
  29. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/features.py +0 -0
  30. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/parallel.py +0 -0
  31. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/profiling.py +0 -0
  32. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/selection/ranking.py +0 -0
  33. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/selection/registry.py +0 -0
  34. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/tuning/__init__.py +0 -0
  35. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/tuning/search.py +0 -0
  36. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/automl/tuning/spaces.py +0 -0
  37. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/base.py +0 -0
  38. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/datasets/__init__.py +0 -0
  39. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/datasets/course_completion.csv +0 -0
  40. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/datasets/iris.csv +0 -0
  41. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/datasets/penguins.csv +0 -0
  42. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/datasets/sp500_companies.csv +0 -0
  43. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/datasets/titanic.csv +0 -0
  44. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/legacy/__init__.py +0 -0
  45. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/legacy/deepLearning.py +0 -0
  46. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/legacy/intelligenceartificial.py +0 -0
  47. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/legacy/machineLearning.py +0 -0
  48. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/legacy/naturalLanguageProcessing.py +0 -0
  49. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/metrics/__init__.py +0 -0
  50. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/model_selection/__init__.py +0 -0
  51. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/neural/__init__.py +0 -0
  52. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/neural/networks.py +0 -0
  53. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/pipeline/__init__.py +0 -0
  54. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/pipeline/auto.py +0 -0
  55. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/pipeline/declarative.py +0 -0
  56. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/pipeline/grids.py +0 -0
  57. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/preprocessing/__init__.py +0 -0
  58. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/preprocessing/_dtypes.py +0 -0
  59. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/preprocessing/cleaner.py +0 -0
  60. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/preprocessing/outliers.py +0 -0
  61. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/preprocessing/transformers.py +0 -0
  62. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/py.typed +0 -0
  63. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/reinforcement/__init__.py +0 -0
  64. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/reinforcement/agents.py +0 -0
  65. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/reinforcement/environments.py +0 -0
  66. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/results.py +0 -0
  67. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/supervised/__init__.py +0 -0
  68. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/supervised/bayesian.py +0 -0
  69. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/supervised/classification.py +0 -0
  70. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/supervised/regression.py +0 -0
  71. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/unsupervised/__init__.py +0 -0
  72. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/unsupervised/clustering.py +0 -0
  73. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/unsupervised/decomposition.py +0 -0
  74. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/viewx/__init__.py +0 -0
  75. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/viewx/_availability.py +0 -0
  76. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/viewx/adapters.py +0 -0
  77. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/viewx/export.py +0 -0
  78. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/viewx/renderers.py +0 -0
  79. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/visualization/__init__.py +0 -0
  80. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/visualization/eda.py +0 -0
  81. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/visualization/model_plots.py +0 -0
  82. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/viz/__init__.py +0 -0
  83. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix/viz/figures.py +0 -0
  84. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix.egg-info/dependency_links.txt +0 -0
  85. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix.egg-info/requires.txt +0 -0
  86. {synaptix-0.3.0 → synaptix-0.3.2}/synaptix.egg-info/top_level.txt +0 -0
  87. {synaptix-0.3.0 → synaptix-0.3.2}/tests/test_integration_bridge.py +0 -0
@@ -1,6 +1,6 @@
1
1
  Metadata-Version: 2.4
2
2
  Name: synaptix
3
- Version: 0.3.0
3
+ Version: 0.3.2
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
@@ -106,6 +106,16 @@ print(resultado.to_frame()) # métrica | train | test | diferenci
106
106
 
107
107
  `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).
108
108
 
109
+ ## Novedades en v0.3.1 — Feature Engineering, Calidad de Datos y Explicabilidad
110
+
111
+ - **Variables derivadas** (`associations`) evaluadas con un AST seguro (sin `eval()`): aritmética, `log`, `sqrt`, `exp`, `abs`, potencias y `where`. Las correcciones que estiman parámetros se ajustan **solo con las filas de entrenamiento** y se aplican después a train y test.
112
+ - **`fe_handle_div_zero`** corregido: `nan`, `inf`, `zero` y `error` funcionan ahora igual en `fit` y en `predict`.
113
+ - **`AutoPipeline.explain(df=None)`**: importancias (permutación en test, nativas y coeficientes), diagnósticos de error, calibración (Brier + curva de fiabilidad en binario) y SHAP local opcional. No reentrena nada.
114
+ - **`selected_features_`, `removed_features_`, `feature_selection_info_`** y **`feature_importance_` / `feature_importance_source_`** para auditar la selección de variables del modelo final.
115
+ - **`warning_report=True`** añade la sección `13_calidad_datos` a `report_dict()`; **`data_quality_report_`** con resumen estructurado de problemas detectados.
116
+ - Corrección metodológica: `warning_strategy` ya no analiza ni imputa con el dataset completo antes del holdout.
117
+ - Guía: [`docs/AUTOML.md`](docs/AUTOML.md) · Cambios: [`CHANGELOG.md`](CHANGELOG.md).
118
+
109
119
  ## Novedades en v0.3.0 — AutoML Engine 2.0
110
120
 
111
121
  - `AutoPipeline` reescrito sobre el nuevo subpaquete `synaptix.automl`, **sin fuga de datos**: el test se separa sobre los datos crudos y el preprocesamiento se reajusta en cada fold (la versión anterior ajustaba la limpieza con todo el dataset).
@@ -177,6 +187,62 @@ pipe.experiment_.to_json("experimento.json")
177
187
 
178
188
  Guía completa (arquitectura, garantías metodológicas, motores de datos y benchmarks): [`docs/AUTOML.md`](docs/AUTOML.md).
179
189
 
190
+ ### Feature Subset Search: Búsqueda sistemática de subconjuntos de variables por modelo
191
+
192
+ `AutoPipeline` permite evaluar y optimizar sistemáticamente combinaciones de variables de forma independiente para cada algoritmo candidato:
193
+
194
+ ```python
195
+ import synaptix as sx
196
+
197
+ pipe = sx.AutoPipeline(
198
+ mode="balanced",
199
+ feature_search="exhaustive", # "exhaustive", "random", "forward", "backward" o "auto"
200
+ feature_search_min_features=1, # tamaño mínimo de subconjunto
201
+ feature_search_max_features=5, # tamaño máximo (o None para todas)
202
+ feature_search_strategy="auto",
203
+ cv=5,
204
+ scoring="auto",
205
+ n_jobs=-1,
206
+ random_state=42,
207
+ )
208
+
209
+ pipe.fit(df, target="target")
210
+
211
+ print("Mejor modelo:", pipe.best_name_)
212
+ print("Mejor subconjunto:", pipe.best_features_)
213
+ print("Mejor puntuación CV:", pipe.best_score_)
214
+
215
+ # Consultar rankings y resultados completos
216
+ print(pipe.feature_search_ranking_.head(10))
217
+ print(pipe.feature_search_summary_)
218
+
219
+ # En inferencia, solo requiere las columnas ganadoras (compatible con pandas y polars)
220
+ predicciones = pipe.predict(df_nuevo)
221
+ ```
222
+
223
+ ### Acceso a los datos usados en el entrenamiento
224
+
225
+ `AutoPipeline` expone los datos exactos del `fit` con sus índices originales,
226
+ incluidas las variables derivadas y las correcciones de `warning_strategy`,
227
+ pero sin las matrices one-hot, escaladas o imputadas del preprocesador:
228
+
229
+ ```python
230
+ pipe = sx.AutoPipeline().fit(df, target="target")
231
+
232
+ data_train, data_test = pipe.data_ # features + target
233
+ best_train, best_test = pipe.best_data_ # solo best_features_ + target
234
+ data_train, data_test = pipe.data # alias de data_
235
+
236
+ pipe.X_train_, pipe.X_test_ # features
237
+ pipe.y_train_, pipe.y_test_ # target alineado
238
+ pipe.data_train_, pipe.data_test_ # DataFrames completos
239
+ pipe.best_data_train_, pipe.best_data_test_ # subconjunto ganador + target
240
+ ```
241
+
242
+ Si `test_size=None`, `data_test_` y `best_data_test_` son DataFrames vacíos
243
+ con las columnas correspondientes. `data_`/`best_data_` requieren haber
244
+ llamado a `fit`.
245
+
180
246
  También hay un `Pipeline` declarativo por pasos, donde el sistema rellena los parámetros de cada paso:
181
247
 
182
248
  ```python
@@ -194,7 +260,33 @@ pipe.model_, pipe.results_, pipe.best_params_ # modelo, métricas de test, par
194
260
  pipe.predict(df_nuevo)
195
261
  ```
196
262
 
197
- Atributos de `AutoPipeline` tras `fit`: `task_`, `profile_`, `ranking_`, `best_model_`, `best_name_`, `best_params_`, `pipeline_`, `cv_score_`, `results_`, `feature_importances_`, `diagnostics_`, `timings_`, `experiment_`, `warnings_` y `cleaner_` (compatibilidad); métodos `predict`, `predict_proba`, `report(plot=True, save=None)`, `report_dict()`, `explain_shap(df)`, `save(path)` y `AutoPipeline.load(path)`.
263
+ Atributos de `AutoPipeline` tras `fit`: `task_`, `profile_`, `ranking_`, `best_model_`, `best_name_`, `best_params_`, `pipeline_`, `cv_score_`, `results_`, `feature_importances_` (permutación en el holdout), `feature_importance_` (importancia preferida: permutación si existe, si no la nativa), `feature_importance_source_`, `selected_features_`, `removed_features_`, `feature_selection_info_`, `diagnostics_`, `data_quality_report_`, `timings_`, `experiment_`, `warnings_` y `cleaner_` (compatibilidad); métodos `predict`, `predict_proba`, `report(plot=True, save=None)`, `report_dict()`, `explain(df=None)`, `explain_shap(df)`, `save(path)` y `AutoPipeline.load(path)`.
264
+
265
+ ### Variables derivadas y calidad de datos
266
+
267
+ ```python
268
+ pipe = sx.AutoPipeline(
269
+ associations={
270
+ "balance": "ingresos - gastos",
271
+ "ratio_gastos": "gastos / ingresos",
272
+ "edad_cuadratica": "edad ** 2",
273
+ },
274
+ fe_handle_div_zero="nan", # "nan" | "inf" | "zero" | "error"
275
+ warning_strategy="safe", # "none" (solo diagnostica) | "safe" | "aggressive"
276
+ warning_report=True, # añade `13_calidad_datos` a report_dict()
277
+ )
278
+ pipe.fit(df, target="resultado") # usa solo filas originales
279
+ pipe.predict(df_nuevo) # reconstruye las derivadas automáticamente
280
+ pipe.selected_features_ # columnas que recibe el modelo (one-hot incluido)
281
+ pipe.removed_features_ # columnas descartadas y por qué (feature_selection_info_)
282
+ pipe.explain() # importancias, diagnósticos y calibración
283
+ pipe.data_quality_report_.to_dict()
284
+ ```
285
+
286
+ Las expresiones se evalúan sobre un AST (sin `eval()`) y admiten aritmética,
287
+ `log`, `sqrt`, `exp`, `abs`, potencias y `where`. La imputación y demás
288
+ correcciones que estiman parámetros se ajustan **solo con las filas de
289
+ entrenamiento**; el conjunto de prueba nunca interviene.
198
290
 
199
291
  ### Modelos bayesianos (con incertidumbre)
200
292
 
@@ -42,6 +42,16 @@ print(resultado.to_frame()) # métrica | train | test | diferenci
42
42
 
43
43
  `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).
44
44
 
45
+ ## Novedades en v0.3.1 — Feature Engineering, Calidad de Datos y Explicabilidad
46
+
47
+ - **Variables derivadas** (`associations`) evaluadas con un AST seguro (sin `eval()`): aritmética, `log`, `sqrt`, `exp`, `abs`, potencias y `where`. Las correcciones que estiman parámetros se ajustan **solo con las filas de entrenamiento** y se aplican después a train y test.
48
+ - **`fe_handle_div_zero`** corregido: `nan`, `inf`, `zero` y `error` funcionan ahora igual en `fit` y en `predict`.
49
+ - **`AutoPipeline.explain(df=None)`**: importancias (permutación en test, nativas y coeficientes), diagnósticos de error, calibración (Brier + curva de fiabilidad en binario) y SHAP local opcional. No reentrena nada.
50
+ - **`selected_features_`, `removed_features_`, `feature_selection_info_`** y **`feature_importance_` / `feature_importance_source_`** para auditar la selección de variables del modelo final.
51
+ - **`warning_report=True`** añade la sección `13_calidad_datos` a `report_dict()`; **`data_quality_report_`** con resumen estructurado de problemas detectados.
52
+ - Corrección metodológica: `warning_strategy` ya no analiza ni imputa con el dataset completo antes del holdout.
53
+ - Guía: [`docs/AUTOML.md`](docs/AUTOML.md) · Cambios: [`CHANGELOG.md`](CHANGELOG.md).
54
+
45
55
  ## Novedades en v0.3.0 — AutoML Engine 2.0
46
56
 
47
57
  - `AutoPipeline` reescrito sobre el nuevo subpaquete `synaptix.automl`, **sin fuga de datos**: el test se separa sobre los datos crudos y el preprocesamiento se reajusta en cada fold (la versión anterior ajustaba la limpieza con todo el dataset).
@@ -113,6 +123,62 @@ pipe.experiment_.to_json("experimento.json")
113
123
 
114
124
  Guía completa (arquitectura, garantías metodológicas, motores de datos y benchmarks): [`docs/AUTOML.md`](docs/AUTOML.md).
115
125
 
126
+ ### Feature Subset Search: Búsqueda sistemática de subconjuntos de variables por modelo
127
+
128
+ `AutoPipeline` permite evaluar y optimizar sistemáticamente combinaciones de variables de forma independiente para cada algoritmo candidato:
129
+
130
+ ```python
131
+ import synaptix as sx
132
+
133
+ pipe = sx.AutoPipeline(
134
+ mode="balanced",
135
+ feature_search="exhaustive", # "exhaustive", "random", "forward", "backward" o "auto"
136
+ feature_search_min_features=1, # tamaño mínimo de subconjunto
137
+ feature_search_max_features=5, # tamaño máximo (o None para todas)
138
+ feature_search_strategy="auto",
139
+ cv=5,
140
+ scoring="auto",
141
+ n_jobs=-1,
142
+ random_state=42,
143
+ )
144
+
145
+ pipe.fit(df, target="target")
146
+
147
+ print("Mejor modelo:", pipe.best_name_)
148
+ print("Mejor subconjunto:", pipe.best_features_)
149
+ print("Mejor puntuación CV:", pipe.best_score_)
150
+
151
+ # Consultar rankings y resultados completos
152
+ print(pipe.feature_search_ranking_.head(10))
153
+ print(pipe.feature_search_summary_)
154
+
155
+ # En inferencia, solo requiere las columnas ganadoras (compatible con pandas y polars)
156
+ predicciones = pipe.predict(df_nuevo)
157
+ ```
158
+
159
+ ### Acceso a los datos usados en el entrenamiento
160
+
161
+ `AutoPipeline` expone los datos exactos del `fit` con sus índices originales,
162
+ incluidas las variables derivadas y las correcciones de `warning_strategy`,
163
+ pero sin las matrices one-hot, escaladas o imputadas del preprocesador:
164
+
165
+ ```python
166
+ pipe = sx.AutoPipeline().fit(df, target="target")
167
+
168
+ data_train, data_test = pipe.data_ # features + target
169
+ best_train, best_test = pipe.best_data_ # solo best_features_ + target
170
+ data_train, data_test = pipe.data # alias de data_
171
+
172
+ pipe.X_train_, pipe.X_test_ # features
173
+ pipe.y_train_, pipe.y_test_ # target alineado
174
+ pipe.data_train_, pipe.data_test_ # DataFrames completos
175
+ pipe.best_data_train_, pipe.best_data_test_ # subconjunto ganador + target
176
+ ```
177
+
178
+ Si `test_size=None`, `data_test_` y `best_data_test_` son DataFrames vacíos
179
+ con las columnas correspondientes. `data_`/`best_data_` requieren haber
180
+ llamado a `fit`.
181
+
116
182
  También hay un `Pipeline` declarativo por pasos, donde el sistema rellena los parámetros de cada paso:
117
183
 
118
184
  ```python
@@ -130,7 +196,33 @@ pipe.model_, pipe.results_, pipe.best_params_ # modelo, métricas de test, par
130
196
  pipe.predict(df_nuevo)
131
197
  ```
132
198
 
133
- Atributos de `AutoPipeline` tras `fit`: `task_`, `profile_`, `ranking_`, `best_model_`, `best_name_`, `best_params_`, `pipeline_`, `cv_score_`, `results_`, `feature_importances_`, `diagnostics_`, `timings_`, `experiment_`, `warnings_` y `cleaner_` (compatibilidad); métodos `predict`, `predict_proba`, `report(plot=True, save=None)`, `report_dict()`, `explain_shap(df)`, `save(path)` y `AutoPipeline.load(path)`.
199
+ Atributos de `AutoPipeline` tras `fit`: `task_`, `profile_`, `ranking_`, `best_model_`, `best_name_`, `best_params_`, `pipeline_`, `cv_score_`, `results_`, `feature_importances_` (permutación en el holdout), `feature_importance_` (importancia preferida: permutación si existe, si no la nativa), `feature_importance_source_`, `selected_features_`, `removed_features_`, `feature_selection_info_`, `diagnostics_`, `data_quality_report_`, `timings_`, `experiment_`, `warnings_` y `cleaner_` (compatibilidad); métodos `predict`, `predict_proba`, `report(plot=True, save=None)`, `report_dict()`, `explain(df=None)`, `explain_shap(df)`, `save(path)` y `AutoPipeline.load(path)`.
200
+
201
+ ### Variables derivadas y calidad de datos
202
+
203
+ ```python
204
+ pipe = sx.AutoPipeline(
205
+ associations={
206
+ "balance": "ingresos - gastos",
207
+ "ratio_gastos": "gastos / ingresos",
208
+ "edad_cuadratica": "edad ** 2",
209
+ },
210
+ fe_handle_div_zero="nan", # "nan" | "inf" | "zero" | "error"
211
+ warning_strategy="safe", # "none" (solo diagnostica) | "safe" | "aggressive"
212
+ warning_report=True, # añade `13_calidad_datos` a report_dict()
213
+ )
214
+ pipe.fit(df, target="resultado") # usa solo filas originales
215
+ pipe.predict(df_nuevo) # reconstruye las derivadas automáticamente
216
+ pipe.selected_features_ # columnas que recibe el modelo (one-hot incluido)
217
+ pipe.removed_features_ # columnas descartadas y por qué (feature_selection_info_)
218
+ pipe.explain() # importancias, diagnósticos y calibración
219
+ pipe.data_quality_report_.to_dict()
220
+ ```
221
+
222
+ Las expresiones se evalúan sobre un AST (sin `eval()`) y admiten aritmética,
223
+ `log`, `sqrt`, `exp`, `abs`, potencias y `where`. La imputación y demás
224
+ correcciones que estiman parámetros se ajustan **solo con las filas de
225
+ entrenamiento**; el conjunto de prueba nunca interviene.
134
226
 
135
227
  ### Modelos bayesianos (con incertidumbre)
136
228
 
@@ -4,7 +4,7 @@ build-backend = "setuptools.build_meta"
4
4
 
5
5
  [project]
6
6
  name = "synaptix"
7
- version = "0.3.0"
7
+ version = "0.3.2"
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"
@@ -35,7 +35,7 @@ Ejemplo rápido
35
35
  >>> model.evaluate(X_test, y_test)
36
36
  """
37
37
 
38
- __version__ = "0.3.0"
38
+ __version__ = "0.3.2"
39
39
  __author__ = "Emmanuel Ascendra"
40
40
 
41
41
  from . import (
@@ -155,3 +155,4 @@ def welcome():
155
155
  print(" - synaptix.visualization : gráficos de análisis")
156
156
  print(" - synaptix.datasets : datasets de ejemplo\n")
157
157
  print("Repositorio: https://github.com/GhostAnalyst30/SynaptIX")
158
+