Métricas de clasificación

En este reto, debes implementar un modelo de clasificación utilizando Scikit-Learn y evaluar su rendimiento utilizando métricas específicas para analizar su capacidad predictiva. Te enfocarás en la creación de una matriz de confusión y el cálculo de precisión, recall y F1-score para verificar la calidad del modelo.

Carga de Datos: Utiliza el conjunto de datos iris proporcionado por Scikit-Learn. Accede a él con la función load_iris que proporciona el dataset ya particionado en datos y etiquetas.

División del conjunto de fatos: Separa los datos en conjuntos de entrenamiento y prueba utilizando train_test_split. Utiliza un tamaño del 30% para el conjunto de prueba y asegúrate de reproducir los resultados con un random_state de 42.

Modelo de clasificación: Crea y entrena un modelo de clasificación utilizando RandomForestClassifier del módulo ensemble de Scikit-Learn. No realices modificaciones en el hiperparámetro estándar.

Predicciones: Usa el modelo entrenado para realizar predicciones en el conjunto de prueba.

Evaluación del modelo:

• Calcula la matriz de confusión para las etiquetas de prueba utilizando confusion_matrix.
• Evalúa las métricas de accuracy, precisión, recall y F1-Score para cada clase utilizando classification_report. Asegúrate de imprimir este reporte para una visualización clara.

Visualización: Realiza una visualización gráfica de la matriz de confusión utilizando ConfusionMatrixDisplay y matplotlib. Ajusta la visualización para que sea clara y legible, usando la colormap Blues o viridis.