TFG — Imbalanced Datasets

Repositorio que agrupa código, datos y configuraciones para evaluar métodos de balanceo y clasificación sobre datasets desbalanceados. Incluye utilidades para extraer metadatos, generar JSONs por artículo, wrappers para balanceadores y clasificadores, y pipelines reproducibles. El punto de entrada principal es main.py.

Estructura principal

/TFG-imbalanced-datasets
├── README.md
├── requirements.txt
├── config/parameters.py
├── data/
├── img/
├── json/
├── src/
└── main.py

Los módulos clave están en src/ (ingestión, balanceo, clasificadores, core, visualización, utilidades). El fichero de parámetros globales es config/parameters.py.

Requisitos

1. Dependencias listadas en requirements.txt.

Instalación rápida:

python -m venv .venv
source .venv/bin/activate    # o .venv\Scripts\activate en Windows
pip install -r requirements.txt

Configuración

Parámetros globales (rutas, métricas por defecto, métodos, opciones de análisis, etc.) están centralizados en config/parameters.py. Modifique ahí índices, rutas y flags (por ejemplo EXTENDED_ANALYSIS, JSON_PATH, PATH_ARTICLES_XLSX, RESULTS_OUTPUT_CSV) para reconfigurar la ejecución sin tocar la lógica fuente.

Uso

Ejecutar el menú interactivo:

python main.py

El programa muestra un menú con las opciones principales (1–9). Las acciones implementadas en main.py son, de forma concisa:

1. Registro manual de artículos (GUI).
2. Ingestión automática de artículos desde PATH_ARTICLES_XLSX.
3. Cargar JSONs y listar técnicas por artículo.
4. Resumen de métricas extraídas.
5. Análisis/validación de JSONs.
6. Construcción del meta-dataset y exportación a CSV (TRAIN_CSV_OUTPUT, TEST_CSV_OUTPUT).
7. Métodos para selección del número de clústeres (Elbow, Silhouette).
8. Evaluación de modelos de clustering (configurable mediante MODELS).
9. Ejecución de experimentos de balanceo y clasificación.

Rutas y ficheros relevantes

• JSONs generados: JSON_PATH (por defecto json/).
• XLSX artículos: PATH_ARTICLES_XLSX.
• CSVs meta-dataset: TRAIN_CSV_OUTPUT, TEST_CSV_OUTPUT.
• Resultados de experimentos: RESULTS_OUTPUT_CSV.

Reproducibilidad

• Todas las constantes y rutas se gestionan desde config/parameters.py para facilitar la re-ejecución controlada.
• Las pipelines del experimento se coordinan desde src/core.py y main.py.
• Los JSONs normalizados actúan como fuente para construir el meta-dataset.

Notas rápidas de desarrollo

• Para añadir un balanceador o clasificador, implemente el wrapper en src/balance_methods.py o src/classification_methods.py respectivamente, respetando la interfaz usada por el pipeline.
• src/visualization.py genera las figuras de clústeres.