import os
import time
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.metrics import (
classification_report,
confusion_matrix,
precision_recall_fscore_support,
)
import tensorflow as tf
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"
SEED = 42
tf.keras.utils.set_random_seed(SEED)
plt.style.use("seaborn-v0_8-whitegrid")
print("TensorFlow:", tf.__version__)
print("GPU:", tf.config.list_physical_devices("GPU") or "ninguna (CPU)")
def series_history(hist):
h = hist.history if hasattr(hist, "history") else hist
return {k: np.asarray(v, dtype=float) for k, v in h.items()}
def diagnostico_entrenamiento(hist, nombre="modelo"):
"""Resume un history como se leería en un informe técnico."""
s = series_history(hist)
loss = s["loss"]
n = len(loss)
tiene_val = "val_loss" in s
fila = {"modelo": nombre, "epocas_corridas": n}
if tiene_val:
i = int(np.argmin(s["val_loss"]))
fila.update({
"mejor_epoca_val_loss": i + 1,
"min_val_loss": float(s["val_loss"][i]),
"val_loss_final": float(s["val_loss"][-1]),
"train_loss_en_mejor": float(loss[i]),
"train_loss_final": float(loss[-1]),
"delta_val_tras_mejor": float(s["val_loss"][-1] - s["val_loss"][i]),
"gap_loss_mejor": float(s["val_loss"][i] - loss[i]),
"gap_loss_final": float(s["val_loss"][-1] - loss[-1]),
})
if "accuracy" in s and "val_accuracy" in s:
fila["train_acc_mejor"] = float(s["accuracy"][i])
fila["val_acc_mejor"] = float(s["val_accuracy"][i])
fila["train_acc_final"] = float(s["accuracy"][-1])
fila["val_acc_final"] = float(s["val_accuracy"][-1])
fila["gap_acc_mejor"] = float(s["accuracy"][i] - s["val_accuracy"][i])
fila["gap_acc_final"] = float(s["accuracy"][-1] - s["val_accuracy"][-1])
print(pd.Series(fila).to_string())
if tiene_val:
print()
print("LECTURA")
if fila["mejor_epoca_val_loss"] < n:
print(
f"La mejor val_loss no es la última época "
f"({fila['mejor_epoca_val_loss']} de {n}). "
"Si restore_best_weights=True, el modelo guardado no es el del último paso."
)
else:
print("La mejor val_loss coincide con la última época: no hay tramo posterior de deterioro.")
if fila.get("gap_acc_final", 0) > 0.08:
print("Gap train-val de accuracy notable: posible sobreajuste o desajuste de dificultad.")
elif fila.get("gap_acc_final", 0) < -0.02:
print("Val > train: regularización fuerte, aumento de datos o validación más fácil.")
if fila.get("delta_val_tras_mejor", 0) > 0.05:
print("val_loss subió tras el mínimo: el entrenamiento extra no estaba ayudando.")
return fila
def curvas_entrenamiento(hist, titulo):
s = series_history(hist)
ep = np.arange(1, len(s["loss"]) + 1)
fig, axes = plt.subplots(1, 2, figsize=(11, 3.6))
axes[0].plot(ep, s["loss"], marker="o", label="train")
if "val_loss" in s:
axes[0].plot(ep, s["val_loss"], marker="o", label="validación")
i = int(np.argmin(s["val_loss"]))
axes[0].axvline(i + 1, ls="--", color="0.4", label=f"mejor val_loss (ép. {i+1})")
axes[0].set_title(f"{titulo} — pérdida")
axes[0].set_xlabel("Época")
axes[0].legend()
if "accuracy" in s:
axes[1].plot(ep, s["accuracy"], marker="o", label="train")
if "val_accuracy" in s:
axes[1].plot(ep, s["val_accuracy"], marker="o", label="validación")
axes[1].set_title(f"{titulo} — accuracy")
axes[1].set_xlabel("Época")
axes[1].legend()
else:
axes[1].axis("off")
plt.tight_layout()
plt.show()
def informe_clasificacion(y_true, y_pred, nombres, titulo=""):
print(titulo)
print(classification_report(y_true, y_pred, target_names=nombres, digits=4, zero_division=0))
p, r, f1, sop = precision_recall_fscore_support(
y_true, y_pred, average=None, zero_division=0
)
df = pd.DataFrame({
"clase": nombres,
"precision": p,
"recall": r,
"f1": f1,
"soporte": sop,
}).sort_values("f1")
print("Clases ordenadas por F1 (las de abajo son las más débiles):")
print(df.to_string(index=False, float_format=lambda v: f"{v:.4f}"))
return df
def matriz_y_errores(y_true, y_pred, nombres, x=None, probs=None, k=8):
cm = confusion_matrix(y_true, y_pred)
fig, ax = plt.subplots(figsize=(6.2, 5.2))
im = ax.imshow(cm, cmap="Blues")
ax.set_xticks(range(len(nombres)), nombres, rotation=70, ha="right", fontsize=8)
ax.set_yticks(range(len(nombres)), nombres, fontsize=8)
ax.set_xlabel("Predicho")
ax.set_ylabel("Verdadero")
fig.colorbar(im, ax=ax, fraction=0.046)
plt.tight_layout()
plt.show()
if x is None:
return cm
conf = probs[np.arange(len(y_pred)), y_pred] if probs is not None else np.ones(len(y_pred))
err = np.where(y_true != y_pred)[0]
if len(err) == 0:
print("Cero errores en el recorte analizado.")
return cm
orden = err[np.argsort(-conf[err])]
n = min(k, len(orden))
cols = min(4, n)
rows = int(np.ceil(n / cols))
fig, axes = plt.subplots(rows, cols, figsize=(2.6 * cols, 2.6 * rows))
axes = np.atleast_1d(axes).ravel()
for ax, j in zip(axes, orden[:n]):
img = x[j]
if img.ndim == 3 and img.shape[-1] == 1:
img = img.squeeze()
ax.imshow(img, cmap="gray" if np.ndim(img) == 2 else None)
ax.set_title(
f"V:{nombres[int(y_true[j])]}\\nP:{nombres[int(y_pred[j])]} ({conf[j]:.2f})",
fontsize=8,
)
ax.axis("off")
for ax in axes[n:]:
ax.axis("off")
plt.suptitle("Errores de mayor confianza")
plt.tight_layout()
plt.show()
return cm
