penguins-decision-tree

penguins-species-classifier — DecisionTreeClassifier

Modelo de clasificación multiclase para identificar especies de pingüinos (Adelie, Gentoo, Chinstrap) a partir de mediciones físicas observables en el campo.

Información del modelo

• Estimador: DecisionTreeClassifier (scikit-learn)
• Autor: gusdelact
• Fecha de entrenamiento: 2026-05-18T14:31:31.534278
• Formato: joblib
• Profundidad del árbol: 5
• Hojas: 10

Uso previsto

• Tarea: clasificación multiclase de especies de pingüinos.
• Variable target: Species (3 clases: Adelie Penguin (Pygoscelis adeliae), Chinstrap penguin (Pygoscelis antarctica), Gentoo penguin (Pygoscelis papua)).
• Caso de uso: identificación rápida de especies por biólogos de campo, sin necesidad de equipo de laboratorio.

Datos de entrenamiento

• Fuente original: gusdelact/penguins
• Dataset curado: gusdelact/penguins-species-curated
• Samples train: 258
• Features procesadas: 11

Hiperparámetros

{
  "criterion": "gini",
  "max_depth": 5,
  "min_samples_leaf": 1,
  "min_samples_split": 5
}

Búsqueda con GridSearchCV(cv=StratifiedKFold(5, shuffle=True, random_state=42), scoring="f1_weighted") sobre el grid:

{
  "max_depth": [
    3,
    4,
    5,
    6,
    8,
    10,
    null
  ],
  "min_samples_split": [
    2,
    5,
    10
  ],
  "min_samples_leaf": [
    1,
    2,
    5
  ],
  "criterion": [
    "gini",
    "entropy"
  ]
}

• CV F1 weighted (mejor combinación): 0.9730 ± 0.0197
• Tiempo de entrenamiento: 4.20s

Métricas en test (n=86)

Por clase

Cómo usar

import joblib
import pandas as pd
from huggingface_hub import hf_hub_download

REPO = "gusdelact/penguins-decision-tree"
model = joblib.load(hf_hub_download(REPO, "model.joblib"))
preprocessor = joblib.load(hf_hub_download(REPO, "preprocessor.joblib"))
label_encoder = joblib.load(hf_hub_download(REPO, "label_encoder.joblib"))

# Datos de un individuo (mediciones de campo)
sample = pd.DataFrame([{
    "Culmen Length (mm)": 50.0,
    "Culmen Depth (mm)": 16.3,
    "Flipper Length (mm)": 220.0,
    "Body Mass (g)": 5700.0,
    "Island": "Biscoe",
    "Sex": "MALE",
    "Clutch Completion": "Yes",
}])

X = preprocessor.transform(sample)
pred = model.predict(X)
print(label_encoder.inverse_transform(pred))  # -> ['Gentoo penguin (Pygoscelis papua)']

Fundamento teórico (resumen de los documentos de diseño)

Diseño documentado en notes/01_design_fe.md, notes/02_design_modeling.md, notes/03_design_validation.md. Decisiones clave:

• Sin StandardScaler ni IQR clipping porque los Decision Trees usan splits univariados invariantes a escala [ISLP §8.1; ESL §9.2].
• One-Hot encoding porque scikit-learn no soporta splits nativos sobre categóricas y trata one-hot como features separadas [ISLP §8 Tree-Based Methods].
• class_weight="balanced" para compensar el desbalance leve (Chinstrap ≈ 20%) operando dentro del criterio de Gini [ESL §9.2 Multiclass loss].
• GridSearchCV exhaustivo con criterion ∈ {gini, entropy} porque ambos son numéricamente similares pero no idénticos en presencia de desbalance [ISLP §8.1; ESL §9.2.4].
• F1 weighted como métrica primaria por ponderar por soporte de clase [FES §3.2.2].
• Permutation importance + Gini importance porque la primera es más confiable cuando hay features categóricas codificadas one-hot [ESL §15.3.2].

Limitaciones

• Dataset pequeño (344 individuos, 258 train). Reentrenar con datos nuevos si el caso de uso cambia de localización geográfica.
• Solo distingue Adelie / Gentoo / Chinstrap; no tiene fallback para otras especies.
• Las mediciones de isótopos del dataset original NO se usan; el modelo se diseñó explícitamente para identificación en el campo sin laboratorio.
• Inestabilidad inherente del Decision Tree [ESL §9.2.4]: pequeñas variaciones en los datos pueden alterar la estructura del árbol. Si la estabilidad es crítica, escalar a RandomForestClassifier.

Cita

@model{penguins-decision-tree,
  author = {gusdelact},
  title = {penguins-species-classifier — DecisionTreeClassifier},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/gusdelact/penguins-decision-tree}
}