Editing Openai/6907fa8a-e344-8008-8a25-8d456370c8d6 (section)

=== Assistant: ¡Genial! ===
¡Genial! Te voy a generar un notebook completo en Python que puedes abrir en Jupyter o Google Colab. Este notebook:
* Carga el dataset Wine Quality desde UCI.
* Divide los datos en entrenamiento y prueba.
* Normaliza las características.
* Entrena un MLPRegressor (red neuronal multicapa).
* Entrena un RandomForestRegressor como segunda técnica de ML.
* Evalúa ambos modelos con MSE y R².
* Muestra una gráfica de caja-bigote comparando los errores.

Aquí tienes el código listo para notebook:

<syntaxhighlight lang="python"># Wine_Quality_Regresion.ipynb

=== ========================== ===
=== 1️⃣ Librerías ===
=== ========================== ===
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neural_network import MLPRegressor
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error, r2_score
import matplotlib.pyplot as plt
import seaborn as sns

=== ========================== ===
=== 2️⃣ Cargar dataset ===
=== ========================== ===
=== URL del dataset Wine Quality (vino tinto) ===
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv"
df = pd.read_csv(url, sep=';')

=== Verificar datos ===
print("Primeras filas del dataset:")
print(df.head())
print("\nInformación del dataset:")
print(df.info())
print("\nEstadísticas descriptivas:")
print(df.describe())

=== ========================== ===
=== 3️⃣ Separar features y target ===
=== ========================== ===
X = df.drop("quality", axis=1)
y = df["quality"]

=== ========================== ===
=== 4️⃣ Dividir en entrenamiento y prueba ===
=== ========================== ===
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

=== ========================== ===
=== 5️⃣ Normalización / estandarización ===
=== ========================== ===
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

=== ========================== ===
=== 6️⃣ Entrenar MLPRegressor ===
=== ========================== ===
mlp = MLPRegressor(hidden_layer_sizes=(50, 30),
                   activation='relu',
                   solver='adam',
                   max_iter=1000,
                   random_state=42)
mlp.fit(X_train_scaled, y_train)

=== Predicciones ===
y_pred_mlp = mlp.predict(X_test_scaled)

=== Evaluación ===
mse_mlp = mean_squared_error(y_test, y_pred_mlp)
r2_mlp = r2_score(y_test, y_pred_mlp)

print("\n--- MLPRegressor ---")
print(f"MSE: {mse_mlp:.4f}")
print(f"R²: {r2_mlp:.4f}")

=== ========================== ===
=== 7️⃣ Entrenar RandomForestRegressor ===
=== ========================== ===
rf = RandomForestRegressor(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)

=== Predicciones ===
y_pred_rf = rf.predict(X_test)

=== Evaluación ===
mse_rf = mean_squared_error(y_test, y_pred_rf)
r2_rf = r2_score(y_test, y_pred_rf)

print("\n--- RandomForestRegressor ---")
print(f"MSE: {mse_rf:.4f}")
print(f"R²: {r2_rf:.4f}")

=== ========================== ===
=== 8️⃣ Gráfica comparativa de errores ===
=== ========================== ===
errors = pd.DataFrame({
    "MLPRegressor": np.abs(y_test - y_pred_mlp),
    "RandomForest": np.abs(y_test - y_pred_rf)
})

plt.figure(figsize=(8,6))
sns.boxplot(data=errors)
plt.title("Comparación de errores absolutos entre modelos")
plt.ylabel("Error absoluto")
plt.show()

</syntaxhighlight>

✅ Detalles importantes:
* La columna quality es la variable continua que queremos predecir.
* Para la red neuronal usamos MLPRegressor con 2 capas ocultas (50 y 30 neuronas).
* Como segunda técnica elegí RandomForestRegressor porque funciona bien para regresión y es fácil de interpretar.
* La gráfica boxplot compara el error absoluto de cada modelo sobre el conjunto de prueba.

Si quieres, puedo hacer otra versión optimizando los hiperparámetros del MLP para que la red neuronal tenga mejor desempeño y luego actualizar la gráfica comparativa.

¿Quieres que haga eso?