Despliegue de Modelos de Machine Learning - Predicción de Videojuegos con Streamlit

Descripción del Proyecto

Este proyecto implementa el despliegue de un modelo de regresión entrenado para hacer predicciones relacionadas con videojuegos. Utiliza Streamlit como framework para crear una aplicación web interactiva que permite visualizar predicciones basadas en características de videojuegos y datos del consumidor.

Características Principales

• 🎮 Análisis de Videojuegos: Predicción basada en información de videojuegos
• 🔧 Modelo Persistente: Carga de modelos guardados en formato pickle
• 📊 Visualización Interactiva: Interfaz web amigable con Streamlit
• 🎯 Normalización de Datos: Aplicación consistente de escalado Min-Max

Estructura del Proyecto

.
├── 7_Despliegue_Videojuegos_con_Streamlit_ipybn.py  # Notebook con lógica de despliegue
├── requirements.txt                                   # Dependencias del proyecto
├── README.md                                          # Este archivo
└── modelo-reg.pkl                                     # Modelo entrenado (no incluido)

Requisitos

Dependencias

Las siguientes librerías son necesarias para ejecutar el proyecto:

• pandas - Manipulación y análisis de datos
• numpy - Computación numérica
• matplotlib - Visualización de datos
• scikit-learn - Algoritmos de machine learning y preprocessing

Instalación

1. Clonar el repositorio

git clone https://github.com/alejo86a/machine-learning-class.git
cd machine-learning-class

2. Crear un entorno virtual (recomendado)

python3 -m venv venv
source venv/bin/activate  # En Windows: venv\Scripts\activate

3. Instalar las dependencias

pip install -r requirements.txt

4. Instalar Streamlit (si deseas ejecutar la aplicación web)

pip install streamlit

Uso

Ejecutar el Notebook

jupyter notebook 7_Despliegue_Videojuegos_con_Streamlit_ipybn.py

Ejecutar con Streamlit

streamlit run 7_Despliegue_Videojuegos_con_Streamlit_ipybn.py

Flujo de Trabajo

El proyecto sigue el siguiente flujo para realizar predicciones:

1. Cargar el Modelo: Lectura del modelo entrenado desde el archivo modelo-reg.pkl
2. Cargar Datos Futuros: Importación de datos nuevos para predicción
3. Preparar Datos: Aplicación de transformaciones (dummificación, normalización)
4. Realizar Predicciones: Uso del modelo para obtener predicciones

Datos de Entrada

El modelo espera datos con las siguientes características:

Variable	Tipo	Descripción
videojuego	string	Nombre del videojuego
Edad	integer	Edad del consumidor
Sexo	string	Género (Hombre/Mujer)
Plataforma	string	Plataforma (PC, Xbox, PlayStation, Otros)
Consumidor_habitual	boolean	Si es consumidor habitual

Ejemplo de Datos

videojuego,Edad,Sexo,Plataforma,Consumidor_habitual
Mass Effect,33,Hombre,Otros,False
KOA: Reckoning,30,Mujer,PC,True
Dead Space,22,Hombre,Xbox,False

Consideraciones Técnicas

• Normalización: Se utiliza MinMaxScaler para normalizar los datos de entrada
• Dummificación: Las variables categóricas deben transformarse en variables dummy antes de la predicción
• Formato de Datos: Los datos de entrada deben procesarse de la misma manera que los datos de entrenamiento

Archivos Necesarios

Para ejecutar el proyecto completamente, se requiere:

• ✅ 7_Despliegue_Videojuegos_con_Streamlit_ipybn.py - Incluido
• ✅ requirements.txt - Incluido
• ⚠️ modelo-reg.pkl - No incluido (debe ser generado en el entrenamiento)
• ⚠️ videojuegos-datosFuturos.csv - Opcional (datos para predicción)

Autor

Alejandro - alejo86a

Licencia

Este proyecto es parte del curso de Machine Learning.

Notas

• El modelo necesita ser entrenado previamente y guardado como modelo-reg.pkl
• Los datos futuros deben seguir la misma estructura y preparación que los datos de entrenamiento
• Se recomienda usar un entorno virtual para evitar conflictos de dependencias