MLP Rendimiento — PyTorch :8080

flowchart TD CSV["📄 Rendimiento.csv
600 filas
deporte 0-5h | sueno 3-9h
rendimiento 52-284"] DEF["🎯 Tipo: Regresion supervisada tabular
X 2 numericos -> y continua
NO encoder | NO refuerzo"] SPLIT["✂️ Split 70/15/15
train 420 | val 90 | test 90
stratified NO, shuffle SI"] SCALER["⚖️ StandardScaler
fit solo en train
z = x - mean / std"] TRAIN["🏋️ Train: X_train, y_train"] VAL["🔍 Val: tuning + EarlyStopping"] TEST["🧪 Test: MAE RMSE R2 final"] CSV --> DEF DEF --> SPLIT SPLIT --> SCALER SCALER --> TRAIN SCALER --> VAL SCALER --> TEST NOENC["❌ Encoder = compresion/embeddings
para texto/secuencias, NO 2 columnas"] NORL["❌ Refuerzo = agente + recompensa
sin y etiquetada, NO aplica"] DEF -.-> NOENC DEF -.-> NORL

flowchart TD IN["🟢 Input 2
deporte_norm, sueno_norm
Tensor float32 shape B,2"] L1["🔵 Linear 2->32
96 params: 2x32+32
nn.Linear + Kaiming init"] R1["🟡 ReLU 1
ReLU x = max 0,x
32 activaciones"] L2["🔵 Linear 32->16
528 params: 32x16+16
capa oculta 2"] R2["🟡 ReLU 2
ReLU x = max 0,x
16 activaciones"] OUT["🔴 Output Linear 16->1
17 params: 16x1+1
SIN activacion, y continua"] TOT["📦 Total 641 params
96+528+17
MLP regresion PyTorch"] LOSS["📉 Loss MSELoss
mean pred-real al cuadrado
reporte MAE RMSE R2"] OPT["⚙️ Optim AdamW
lr 1e-3, wd 1e-4
ReduceLROnPlateau"] IN --> L1 L1 --> R1 R1 --> L2 L2 --> R2 R2 --> OUT OUT --> TOT TOT --> LOSS LOSS --> OPT NOTE["💡 Sin ReLU colapsa a lineal
Final lineal porque rendimiento 50-284 no se recorta"] OUT -.-> NOTE

flowchart TD DL["📥 DataLoader batch 32
TensorDataset X_norm, y
shuffle train SI"] FWD["➡️ Forward
pred = MLP X
2->32 ReLU ->16 ReLU ->1"] MSE["📉 MSELoss train
loss = mean pred-real 2
gradiente prop al error"] BWD["⬅️ Backward + AdamW step
loss.backward + optimizer.step
zero_grad cada batch"] VALM["🔍 Val cada epoch
MAE puntos | RMSE | R2
SmoothL1 opcional si picos"] SCHED["⏳ Scheduler + EarlyStopping
ReduceLROnPlateau patience 20
stop patience 50, max 500 epochs"] TESTM["🧪 Test final
MAE RMSE R2 + scatter
real vs pred + curva loss"] SAVE["💾 Guardar model.pt + scaler.pt
para predecir nuevos casos"] BASE["📊 Baseline Ridge lineal
R2 aprox 0.92 esperado
MLP debe igualar o superar"] DL --> FWD FWD --> MSE MSE --> BWD BWD --> VALM VALM --> SCHED SCHED -->|mejora| DL SCHED -->|converge| TESTM TESTM --> SAVE TESTM --> BASE

flowchart TD CLI["👤 Cliente
POST predict | GET health metrics
JSON por HTTP :8000"] API["🌐 FastAPI api/main.py
uvicorn main:app --port 8000
schemas.py valida pydantic"] EP_PRED["➡️ POST /predict
body deporte 0-5, sueno 3-9
resp rendimiento 200 | 422"] EP_HEALTH["💚 GET /health
status ok + model_loaded
liveness del servicio"] EP_METRICS["📊 GET /metrics
MAE 4.33 RMSE 5.22 R2 0.9884
params 641 arch 2-32-16-1"] MOD["📦 models solo lectura
best_model.pt 5.6KB
scaler.pt 2.3KB"] MLP["🧠 MLPRegressor 2-32-16-1
cargado 1 vez en startup
eval + no_grad en inferencia"] NOTRAIN["❌ training fuera de inferencia
train.py dataset.py NO se importan
API nunca re-entrena"] CLI --> API API --> EP_PRED API --> EP_HEALTH API --> EP_METRICS EP_PRED --> MOD MOD --> MLP MLP --> EP_PRED API -.-> NOTRAIN

flowchart TD REQ["📥 POST /predict
deporte 3.0, sueno 6.0
JSON 2 campos float"] VAL["✅ Valida pydantic
deporte 0-5 | sueno 3-9
tipo float requerido"] ERR["❌ 422 Unprocessable
fuera de rango o tipo mal
ej deporte -1 o sueno texto"] NORM["⚖️ Normaliza
z = x - mean / std
con scaler.pt de train"] FWD["🧠 Forward MLP
2-32 ReLU -16 ReLU -1
torch.no_grad, CPU"] DENORM["📤 Desnormaliza
y = pred_zt * y_std + y_mean
rendimiento continuo"] RESP["📦 200 OK
rendimiento 171.9
ej 1h/4h 89.3 | 4.5h/8h 249.4"] REQ --> VAL VAL -->|ok| NORM VAL -->|falla| ERR NORM --> FWD FWD --> DENORM DENORM --> RESP

flowchart TD BOOT["🚀 Startup uvicorn
main:app puerto 8000
1 solo worker CPU"] LOAD["📂 Carga modelo 1 vez
load_state_dict best_model.pt
map_location cpu + eval"] FLAG["🚩 model_loaded bool
true si .pt ok
false si falta archivo"] H["💚 GET /health
status ok + model_loaded
200 siempre si API viva"] M["📊 GET /metrics fijo
MAE 4.33 RMSE 5.22 R2 0.9884
de training.evaluate en test"] SEQ["🔁 Secuencia por request
cliente -API -modelo
sin recargar .pt nunca"] BOOT --> LOAD LOAD --> FLAG FLAG --> H FLAG --> M H --> SEQ M --> SEQ NOTE["💡 metrics NO recalcula
son constantes del test 90 filas
predict usa no_grad siempre"] M -.-> NOTE