Predicción del Rendimiento Académico de Estudiantes de Madrid

Este proyecto tiene como objetivo predecir la nota final de estudiantes de secundaria en Madrid utilizando modelos de aprendizaje supervisado. Se construyen y comparan dos modelos predictivos: uno que utiliza las notas previas (T1 y T2) y otro que no, permitiendo evaluar el desempeño en ambos escenarios. Además, se incluye una parte creativa de análisis no supervisado (PCA y clustering) para extraer patrones ocultos en los datos.

Autor

Santiago Córdoba Artieda
Ingeniería Matemática e Inteligencia Artificial
Universidad Pontificia de Comillas de Madrid - ICAI

Estructura del proyecto

.
├── config
│   └── hyperparams.json            # Hiperparámetros seleccionados vía GridSearch
│
├── data
│   ├── rendimiento_estudiantes_train.csv     # Dataset original de entrenamiento
│   ├── rendimiento_estudiantes_test_vacio.csv# Test sin variable objetivo (T3)
│   ├── re_train_preprocessed_modelo1.csv     # Train preprocesado para modelo i (con T1 y T2)
│   └── re_train_preprocessed_modelo2.csv     # Train preprocesado para modelo ii (sin T1 y T2)
│
├── notebooks
│   ├── exploratory_data_analysis.ipynb       # Análisis exploratorio y visualización inicial
│   ├── modelo1.ipynb                         # Entrenamiento y evaluación de modelo i
│   ├── modelo2.ipynb                         # Entrenamiento y evaluación de modelo ii
│   └── exploracion_adicional.ipynb          # PCA y clustering (análisis no supervisado)
│
├── src
│   ├── preprocess_data.py                   # Funciones de preprocesado para ambos modelos
│   ├── model_train.py                       # Funciones para entrenar modelo i y ii
│   └── generar_predicciones.py              # Pipeline completo: preprocesa, entrena, predice
│
├── predictions
│   └── predicciones_finales.csv             # Predicciones para el conjunto de test entregable
│
├── reports
│   └── MemoriaML.pdf                        # Informe final en formato NeurIPS
│
└── README.md

Cómo reproducir los resultados

1. Requisitos previos

Asegurarse de tener Python 3.8+ y las siguientes librerías instaladas:

pip install pandas numpy scikit-learn matplotlib seaborn

2. Ejecución del pipeline completo

Desde la raíz del proyecto, ejecutar:

python src/generar_predicciones.py

Este script:

• Preprocesa los datos originales para ambos modelos.
• Entrena ElasticNet para el modelo (i) y RandomForest para el modelo (ii) con los hipérparametros encontrados en los notebooks guaradados en config/hyperparams.json.
• Preprocesa el conjunto de test vacío.
• Genera las predicciones para ambos modelos.
• Guarda el archivo data/predicciones_finales.csv en el formato requerido.

Descripción de modelos

• Modelo i: ElasticNet con T1, T2. Alto rendimiento predictivo (R² ≈ 0.91).
• Modelo ii: RandomForest sin T1, T2. Mejor desempeño entre los no lineales (R² ≈ 0.41).

Exploración adicional

En notebooks/exploracion_adicional.ipynb se encuentra un análisis no supervisado:

• PCA: Reducción de dimensionalidad para visualizar patrones.
• Clustering (KMeans y jerárquico): Identificación de subgrupos de estudiantes según características comunes.

El objetivo fue explorar estructuras latentes en el conjunto de datos y descubrir agrupaciones naturales entre los estudiantes.

Licencia

Este proyecto se entrega como parte del curso de Aprendizaje Automático, Universidad Pontificia de Comillas de Madrid - ICAI. Uso académico únicamente.