Defensa promedio

Llegaste al final de Unova. 🦾 Ahora armás un clasificador que, dadas las stats de un Pokémon, predice si es de Fuego o de Agua. Vas a recorrer los 4 pasos de todo proyecto de Machine Learning.

🗺️ Los 4 pasos del ML

1. Preparar los datos (features X y etiquetas y).
2. Dividir en entrenamiento y prueba.
3. Entrenar un modelo.
4. Evaluar y usar para predecir.

🤖 El proyecto completo

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 1) DATOS: [ataque, defensa, tipo]  (0 = Fuego, 1 = Agua)
datos = np.array([
    [90, 40, 0], [88, 42, 0], [86, 44, 0], [92, 38, 0],
    [40, 90, 1], [42, 88, 1], [44, 86, 1], [38, 92, 1],
])
X = datos[:, :-1]
y = datos[:, -1]

# 2) DIVIDIR
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.5, random_state=0)

# 3) ENTRENAR
modelo = KNeighborsClassifier(n_neighbors=3).fit(X_tr, y_tr)

# 4) EVALUAR
print("exactitud:", accuracy_score(y_te, modelo.predict(X_te)))

# 5) USAR: predecir un Pokémon nuevo
stats = [87, 43]   # mucho ataque, poca defensa
tipo = modelo.predict([stats])[0]
print("Predicción:", "Fuego" if tipo == 0 else "Agua")

P: ¿En qué orden correcto se aplican los 4 pasos de un proyecto de ML?
- Entrenar → dividir → preparar → evaluar
- Dividir → preparar → entrenar → evaluar
+ Preparar datos → dividir train/test → entrenar → evaluar
> Primero separás features de etiquetas (preparar), después dividís en train/test para no hacer trampa, luego entrenás el modelo y finalmente evaluás con el test set.

🧠 Lo que aprendiste en Unova

1. ML = aprender de ejemplos (fit / predict).
2. Preparar datos — features/etiquetas, train/test, escalar.
3. Clasificación — predecir categorías (KNN).
4. Evaluación — accuracy, evitar overfitting.
5. Regresión — predecir números (recta).
6. Árboles — modelos que se entienden + importancia de features.
7. Clustering — agrupar sin etiquetas (KMeans).

Con esto entendés la base de la IA moderna. Las redes neuronales y los modelos gigantes (como los que generan texto) son la misma idea, a lo grande: aprender de un montón de ejemplos. 🚀

P: En el pipeline del proyecto, `X = datos[:, :-1]` hace ¿qué?
- Selecciona solo la última columna del arreglo
+ Selecciona todas las columnas menos la última (las features)
- Selecciona las primeras dos columnas
> `[:, :-1]` significa "todas las filas, todas las columnas excepto la última". La última columna es la etiqueta `y`; el resto son las features `X`.

➡️ ¿Y ahora qué?

Cerrá Unova con los ejercicios de este tema. Al completarlos ganás la medalla Leyenda y sos Campeón de Unova. 🦾🏆