Hacktoberfest 2026: los issues que los mantenedores marcaron para octubre, abiertos y aptos para principiantes. Explorar issues de Hacktoberfest

Machine learning

Abierto
  • ¿Algo no está bien?
#2 0 comentarios 0 reacciones 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
5/5
Tiempo estimado
Más de una semana
Aptitud para principiantes
15/100
Tipo de issue
Nueva funcionalidad
Claridad
Necesita aclaración
Estado de actividad
Estancado
Stack tecnológico
pandas, python, scikit-learn
Área
machine-learning

Línea de trabajo

El cuerpo contiene únicamente un ejemplo de Python en línea que usa spam.csv, pandas, TfidfVectorizer y MultinomialNB; no menciona ningún archivo del repositorio, prueba ni cambio solicitado. Empieza comprobando cómo organiza este repositorio las implementaciones de aprendizaje automático y aclara el conjunto de datos previsto, el alcance del modelo y el objetivo de evaluación antes de comenzar el trabajo.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

Step 1: Import libraries

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

Step 2: Load dataset

Example: SMS Spam Collection dataset (you can download as spam.csv)

data = pd.read_csv("spam.csv", encoding="latin-1")[["v1", "v2"]]
data.columns = ["label", "message"]

Step 3: Encode labels (ham = 0, spam = 1)

data["label"] = data["label"].map({"ham": 0, "spam": 1})

Step 4: Split dataset

X_train, X_test, y_train, y_test = train_test_split(
data["message"], data["label"], test_size=0.2, random_state=42
)

Step 5: Convert text to numerical features using TF-IDF

vectorizer = TfidfVectorizer(stop_words="english")
X_train_tfidf = vectorizer.fit_transform(X_train)
X_test_tfidf = vectorizer.transform(X_test)

Step 6: Train model (Naive Bayes)

model = MultinomialNB()
model.fit(X_train_tfidf, y_train)

Step 7: Predict

y_pred = model.predict(X_test_tfidf)

Step 8: Evaluate

print("✅ Accuracy:", accuracy_score(y_test, y_pred))
print("\nConfusion Matrix:\n", confusion_matrix(y_test, y_pred))
print("\nClassification Report:\n", classification_report(y_test, y_pred))

Lenguaje dominante
Jupyter Notebook
Estrellas
17
Forks
14
Sin PR fusionados en 30 d

Preparar el entorno

Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de AIAnytime/Machine-Learning-Models-Implementation

Todos los issues de AIAnytime/Machine-Learning-Models-Implementation

Issues similares

Más issues de Machine Learning

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.