Ejercicio de programación con ScikitLearn: Pipelines con ColumnTransformer

En este reto, aplicarás tus habilidades en el manejo de datos heterogéneos mediante la creación de un pipeline completo utilizando ColumnTransformer en Scikit-Learn. Trabajarás con el dataset de Titanic proporcionado por seaborn, donde tendrás que preparar los datos para predecir la supervivencia de los pasajeros.

El conjunto de datos de Titanic contiene variables numéricas, categóricas y de texto que deberás preprocesar de manera adecuada antes de pasar al modelo de clasificación.

Carga del dataset: Utiliza la librería seaborn para cargar el conjunto de datos titanic.

Definición de columnas: Identifica y divide las columnas en: numéricas (age, fare), categóricas (sex, class, embarked) y de texto (who).

Preprocesamiento de datos:

• Crea un Pipeline para las columnas numéricas que incluya:
  • Imputar valores faltantes con la mediana con SimpleImputer.
  • Escalar los datos utilizando StandardScaler.
  • Transformar distribuciones con QuantileTransfomer.
• Crea un Pipeline para las columnas categóricas que incluya:
  • Imputar valores faltantes con la categoría más frecuente con SimpleImputer.
  • Codificar las columnas utilizando OneHotEncoder.
• Para la columna de texto who, utiliza TfidfVectorizer para convertirla en características numéricas.

Creación de ColumnTransformer: Integra los pipelines anteriores en un ColumnTransformer que aplique las transformaciones adecuadas a cada subconjunto de columnas.

Integración del modelo:

• Carga un modelo de clasificación, como LogisticRegression.
• Crea un Pipeline completo que incluya el ColumnTransformer seguido por el modelo.

Entrenamiento y evaluación del modelo:

• Divide los datos en conjuntos de entrenamiento y prueba.
• Entrena el pipeline en los datos de entrenamiento.
• Evalúa la exactitud del modelo en los datos de prueba.