Proyecto de Clasificación de Texto

Descripción General

Este proyecto consiste en la implementación de un modelo de clasificación de texto que predice si un mensaje está preguntando por la dirección del centro médico o no. Utiliza tecnicas de NLP para preparar los datos y modelos de ML para realizar las predicciones.

Implementación

Preprocesamiento de Datos

• Limpieza de Texto: Se realizó una limpieza inicial del texto, eliminando stop words.
• Tokenización y Lemmatización: Se tokenizó el texto en palabras individuales y se aplicó lemmatización para reducir las palabras a su forma base, usando la biblioteca spaCy para soportar el texto en español.
• Vectorización: Se transformó el texto en vectores numéricos utilizando TfidfVectorizer de scikit-learn
• Se aplicó Oversampling a la clase minoritaria para abordar el desequilibrio de clases en el conjunto de datos.

Modelado

• Se experimentó con varios modelos, incluyendo Regresión Logística y Random Forest

Evaluación

• Se utilizaron métricas como precisión, recall y F1 score para evaluar los modelos, dada la naturaleza desequilibrada del conjunto de datos.

Suposiciones

• Calidad de los Datos: Se asumió que los datos estaban relativamente limpios y que la etiqueta proporcionada era precisa.
• Representatividad: Se supuso que el conjunto de datos era representativo

Mejoras Futuras

• Optimización de Hiperparámetros
• Explorar mensajes predecidos incorrectamente
• Expansión del Conjunto de Datos
• Técnicas Avanzadas de NLP