Ejercicio de programación con ScikitLearn: Clasificación con regresión logística en Scikit Learn

Utilizando la biblioteca Seaborn para cargar el conjunto de datos titanic, implementar un modelo de regresión logística que prediga si un pasajero sobrevivió o no basado en ciertas características. Este ejercicio evaluará tu capacidad para realizar un preprocesado básico de datos y entrenar un modelo con Scikit-Learn.

Carga de datos: Utiliza la función load_dataset() de Seaborn para cargar el dataset titanic.

Preprocesado:

• Elimina las columnas que no sean útiles para la predicción (deck, embark_town, class).
• Maneja los valores faltantes (age, embarked).
• Codifica las variables categóricas (sex, embarked) usando One-Hot Encoding, eliminando una de las categorías para evitar multicolinealidad.
• Estandariza las variables numéricas (age, fare).

División de Datos:

• Divide las características y la etiqueta (survived).
• Separa los datos en conjuntos de entrenamiento y prueba.

Entrenamiento del Modelo:

• Entrena un modelo de LogisticRegression con los datos preprocesados.
• Usa class_weight='balanced' para manejar el desbalanceo de clases.

Evaluación:

• Evalúa la precisión de tu modelo con el conjunto de prueba.
• Presenta los coeficientes obtenidos.

Consideraciones:

• No olvides fijar la semilla aleatoria para garantizar la reproducibilidad.
• Asegúrate de seguir las mejores prácticas de preprocesamiento antes del entrenamiento del modelo.
• La precisión puede no ser la mejor métrica cuando hay clases desbalanceadas. Considera también inspeccionar la matriz de confusión y classification report.