amandaodoo/regresion-casas-keras

Regresión lineal con Keras: precio de una casa

Descripción del modelo

Este modelo es un ejemplo pedagógico del Seminario de Actualización (IFTS N.º 18). Muestra cómo se entrena una regresión lineal con Keras y cómo se exporta en el formato nativo .keras.

Predice el precio de una casa, en miles de US$, a partir de su superficie y de si tiene balcón y ascensor. Resuelve el mismo problema que los ejemplos de scikit-learn y PyTorch.

Objetivo

Predecir una variable numérica continua: el precio estimado de una casa.

Datos de entrenamiento

• Dataset: sintético, generado en train.py. Es el mismo de la Clase 10, con la misma semilla, y no son casas reales.
• Cantidad de registros: 200. Se usan 160 para entrenar y 40 para evaluar.
• Variables de entrada (X): m2 (de 35 a 120), balcon (0 o 1), ascensor (0 o 1).
• Variable objetivo (y): precio, en miles de US$.

Entrenamiento

• Tipo de aprendizaje: supervisado.
• Problema: regresión.
• Arquitectura: Sequential con una capa Normalization y una capa Dense(1), es decir, tres pesos y un bias.
• Función de pérdida: error cuadrático medio (mse).
• Optimizador: SGD, con tasa de aprendizaje 0,1.
• Épocas: 200.
• Biblioteca: Keras 3, con backend PyTorch. También funciona con TensorFlow.

La capa Normalization aprende la media y el desvío de los datos de entrenamiento con adapt(). Como es una capa del modelo, se guarda adentro de model.keras y no hace falta normalizar a mano al predecir. En el ejemplo de PyTorch, en cambio, la normalización se guarda aparte.

Evaluación

Se evaluó sobre 40 casas que el modelo no vio durante el entrenamiento.

Métrica	Resultado
MAE	3,10 miles de US$
R²	0,989

Archivos

Archivo	Qué es
model.keras	arquitectura, pesos, normalización y configuración de entrenamiento, en un solo archivo
train.py	el código que lo entrenó
predict.py	cómo cargarlo y usarlo
requirements.txt	las dependencias
README.md	esta Model Card

Cómo utilizar el modelo

import os
os.environ["KERAS_BACKEND"] = "torch"   # o "tensorflow"

import keras
import numpy as np

modelo = keras.saving.load_model("model.keras")
print(modelo.predict(np.array([[80, 1, 0]], dtype="float32")))  # [[148.6]]

Limitaciones

• Tiene fines exclusivamente educativos. Los datos son sintéticos y no representan precios reales.
• Solo conoce casas de 35 a 120 m².
• Las columnas tienen que ir en este orden: m2, balcon, ascensor. El modelo recibe un arreglo, no una tabla con nombres de columnas.
• Necesita Keras 3. El formato .keras no se abre con versiones viejas de TensorFlow/Keras 2.

Autoría

Modelo desarrollado con fines educativos para el IFTS N.º 18. Docente: Cynthia M. Villagra.