Técnicas avanzadas de extracción de características

En este reto, aplicarás tus conocimientos sobre palabra embeddings y pipelines para integrarlos dentro de Scikit Learn. Vamos a utilizar los embeddings de GloVe para representar un conjunto de datos textuales, que luego se utilizarán para entrenar un modelo de clasificación binaria. Trabajarás con el conjunto de datos fetch_20newsgroups proporcionado por Scikit Learn, que contiene una colección de noticias agrupadas en 20 categorías diferentes.

Carga del dataset: Utiliza fetch_20newsgroups para cargar el conjunto de datos. Escoge las categorías comp.sys.mac.hardware y rec.motorcycles para ser tus etiquetas.

Carga de embeddings preentrenados: Descarga y carga los embeddings de GloVe preentrenados disponibles online en Kaggle (e.g., glove.6B.50d.txt) en un diccionario para su fácil manejo.

Creación de un transformador de embeddings: Implementa un transformador personalizado que convierta el texto del conjunto de datos en representaciones vectoriales usando los embeddings de GloVe cargados.

Definición del pipeline de Scikit Learn: Diseña un pipeline que incluya el transformador de embeddings y un clasificador como LogisticRegression.

Entrenamiento y evaluación del modelo: Entrena tu modelo con el conjunto de entrenamiento y evalúa su rendimiento en el conjunto de prueba mostrando la precisión del modelo.