# Kit F1 C11: baseline clásico antes de usar un LLM Este kit acompaña el capítulo 11 del facsímil 1. Construye un clasificador tabular mínimo sin dependencias externas y lo compara con una mayoría trivial. El objetivo es que el alumno practique lo que casi siempre se olvida: separar datos, crear una baseline, calcular matriz de confusión, mirar precision/recall/F1 y decidir si el modelo aporta algo antes de complicar la arquitectura. ## Ejecutar Desde esta carpeta: ```bash python3 ops/run_ml_classic_baseline.py --write cat output/ml_classic_decision.md ``` Como gate: ```bash python3 ops/run_ml_classic_baseline.py --write --fail-on-invalid ``` ## Archivos | Archivo | Papel | |---|---| | `data/support_tickets.csv` | Dataset tabular pequeño de tickets con etiqueta de prioridad. | | `contracts/ml_classic_policy.json` | Umbrales mínimos de recall, F1 y mejora frente a baseline. | | `ops/run_ml_classic_baseline.py` | Entrena una regresión logística desde cero y calcula métricas. | | `output/ml_classic_report.json` | Métricas, matriz de confusión y predicciones. | | `output/ml_classic_decision.md` | Decisión legible: seguir, recoger datos o cambiar enfoque. | ## Qué deberías mirar 1. Qué hace una baseline de mayoría y por qué puede engañar. 2. Cómo cambia la decisión al mirar falsos negativos. 3. Por qué normalizar features ayuda a un modelo lineal. 4. Qué significa que un modelo sea simple pero útil. 5. Qué pedirías antes de llevar esto a producción: más datos, validación temporal, explicación y monitorización. ## Qué entregaría un alumno 1. El Markdown generado. 2. Cinco tickets propios añadidos al CSV. 3. Una matriz de confusión explicada en lenguaje de negocio. 4. Una decisión: usar baseline, probar otro modelo, recoger más datos o no automatizar. ## Qué te llevas Te llevas una práctica ejecutable sobre baseline clásico antes de usar un LLM, con datos editables, contratos y umbrales, plantillas de entrega, código ejecutable y tests reproducibles. Trabajas con `data/support_tickets.csv`, contrastas la decisión contra `contracts/ml_classic_policy.json` y ejecutas `ops/run_ml_classic_baseline.py` para generar `output/ml_classic_decision.md`. La idea no es mirar una solución cerrada: es cambiar una entrada, volver a ejecutar, comparar la salida y poder defender qué harías en una revisión técnica, una asignatura o un piloto real. ## Variantes para hacerlo tuyo - Ejecuta `make run` sin tocar nada y usa `output/ml_classic_decision.md` como línea base. - Cambia o añade un caso en `data/support_tickets.csv` para representar un problema de tu trabajo, clase o producto. - Endurece una regla, umbral o campo obligatorio en `contracts/ml_classic_policy.json` y explica por qué el resultado debería cambiar o bloquearse. - Compara antes/después en `output/ml_classic_decision.md` y `output/ml_classic_report.json` y escribe una decisión de una página: seguir, bloquear, medir más o cambiar el diseño. - Completa `templates/entrega.md` con contexto, cambio, evidencia, decisión y límite; no la dejes como checklist vacía. ## Rúbrica rápida | Nivel | Qué demuestra | |---|---| | Mínimo | Ejecuta `make run` y `make test`, localiza `ops/run_ml_classic_baseline.py`, abre `output/ml_classic_decision.md` y explica qué decisión o señal produce. | | Bueno | Cambia `data/support_tickets.csv`, compara antes/después y justifica la diferencia con una evidencia concreta del output. | | Excelente | Convierte el kit en un mini caso profesional: añade un caso propio, ajusta una regla o test, documenta el límite principal y deja una recomendación accionable para un equipo. | ## Guía operativa del ZIP Esta sección audita el ZIP como lo recibirá un alumno. Todo lo citado aquí debe estar dentro de este archivo descargable de `Kit F1 C11: baseline clásico antes de usar un LLM`, no escondido en una ruta del repositorio. ### Qué contiene - `README.md`: esta guía y la explicación del ejercicio. - `Makefile`: entrada única para ejecutar y validar el kit con `make run` y `make test`. - `requirements.txt`: dependencias declaradas; muchos kits solo usan la biblioteca estándar de Python. - `data/`: datos de entrada o casos de prueba realistas. Ejemplos dentro del ZIP: `data/support_tickets.csv`. - `contracts/`: contratos de datos, salida, política o validación. Ejemplos dentro del ZIP: `contracts/ml_classic_policy.json`. - `templates/`: plantillas editables para la entrega. Ejemplos dentro del ZIP: `templates/entrega.md`. - `ops/`: código ejecutable del laboratorio. Ejemplos dentro del ZIP: `ops/run_ml_classic_baseline.py`. - `tests/`: tests que comprueban que el ejercicio sigue siendo reproducible. Ejemplos dentro del ZIP: `tests/test_ml_classic_baseline.py`. - `output/`: salidas generadas o esperadas que debes revisar. Ejemplos dentro del ZIP: `output/ml_classic_decision.md`, `output/ml_classic_report.json`. ### Ejecutar desde cero Desde la carpeta extraída del ZIP: ```bash make run make test ``` `make run` construye las evidencias del ejercicio. `make test` comprueba que el kit sigue siendo ejecutable después de descargarlo, extraerlo y tocarlo. ### Qué mirar antes de entregar - `output/ml_classic_decision.md`: lectura humana de la decisión, informe o runbook. - `output/ml_classic_report.json`: evidencia estructurada para validar o automatizar. ### Qué entregar Una entrega útil no es una captura de pantalla. Debe incluir los artefactos generados, la modificación razonada que hayas hecho y una decisión escrita que explique qué harías en un sistema real. Como mínimo: 1. Resultado de `make test`. 2. Artefactos de `output/` que sostienen tu decisión. 3. Cambio propio en datos, contrato, política, plantilla o código, según el objetivo del kit. 4. Nota técnica breve: qué has probado, qué ha fallado o pasado, y qué decisión tomarías. ### Cómo adaptarlo a tu caso 1. Ejecuta primero `make run` sin tocar nada para obtener la línea base reproducible. 2. Ejecuta `make test` antes de cambiar el ejercicio; así sabes que el ZIP llegó completo. 3. Sustituye o amplía los archivos de `data/` con casos de tu dominio manteniendo el mismo contrato de campos. 4. Ajusta `contracts/` cuando cambien tipos, campos obligatorios, umbrales o catálogos permitidos. 5. Usa `templates/` como base documental; no entregues una plantilla sin completar. 6. Guarda los outputs finales y una nota breve con la decisión técnica que tomarías en un proyecto real. ### Criterio de validación El kit está completo cuando se puede descargar, extraer, ejecutar con `make run`, validar con `make test` y explicar sin depender de ninguna carpeta externa. Si una práctica menciona código, datos, contrato, CSV, SQL, política o plantilla, ese contenido debe venir dentro del ZIP.