##Clasificación de Emociones en Textos en Español Este proyecto implementa un sistema de clasificación de emociones basado en aprendizaje automático. Utiliza un modelo SVM con kernel RBF entrenado sobre representaciones vectoriales (embeddings) obtenidas mediante el modelo RoBERTuito, combinando técnicas de procesamiento de lenguaje natural con modelos modernos de lenguaje preentrenados.

##Lista e instalación de dependencias Instrucciones:

-Abrir Visual Studio Code -Abrir la pestaña terminal de Visual Studio Code en la parte superior del programa. -Seleccionar "New Terminal". -Escribir la entrada textual de "Instalación" del apartado siguiente en la terminal (Nota: Una por una). -Ejemplo: Escribir en la terminal (pip install pandas) y dar Enter.

Para la instalación de todas las dependencias ingresar en la terminal: pip install pandas numpy matplotlib seaborn scikit-learn nltk transformers torch sentence-transformers joblib tqdm langdetect spacy

##Ejecución del modelo y reproducción de experimentos

Sigue los siguientes pasos en orden para reproducir todo el pipeline:

1. Instalación de dependencias

   pip install pandas numpy matplotlib seaborn scikit-learn nltk transformers torch sentence-transformers joblib tqdm langdetect spacy
   python -m spacy download es_core_news_sm
   
   

2. Reestructuración del dataset -Ejecuta 1.Reestrucutración.py para transformar el CSV original en un DataFrame limpio con columnas respuesta, emoción y pregunta. -Salida: dataset_emociones_transformado.csv

   	python 1.Reestrucutración.py
   
   
   

3. Análisis exploratorio de datos -Ejecuta 2.EDA.py para generar estadísticas y gráficas (distribución, longitud, nubes de palabras). -Salidas: Gráficos en pantalla y resultados de análisis en terminal.

   	python 2.EDA.py
   
   
   

4. Preprocesamiento y guardado -Ejecuta 3.Preprocesamiento.py para tokenizar, limpiar, eliminar stopwords y lematizar. -Salida: dataset_emociones_preprocesado.csv

   	python 3.Preprocesamiento.py
   
   
   

5. Vectorización TF-IDF -Descomentar al final de 3.Preprocesamiento.py el código "CODIGO DE VECTORIZACIÓN TF-IDF" y comentar los demás códigos del archivo. -Ejecuta 3.Preprocesamiento.py para ajustar el TfidfVectorizer y guardar el modelo. -Salida: tfidf_vectorizer.pkl

   	python 3.Preprocesamiento.py
   
   
   

6. Generación de embeddings con RoBERTuito -Ejecuta 4.Embeddings.py para producir un archivo NumPy con embeddings. -Salidas: embeddings.npy, labels.csv

   	python 4.Embeddings.py
   
   
   

7. División del dataset -Ejecuta 5.División Dataset.py para crear particiones de entrenamiento y prueba 80/20 (estratificado). -Salidas: X_train.npy, X_test.npy, y_train.csv, y_test.csv, comparacion_modelos_completa.png

   	python 5.División Dataset.py
   
   
   

8. Entrenamiento -Ejecuta 6.Algortimos_PY.py para entrenar KNN, NB, árboles, SVM y RF. -Salidas: Matriz de confusión en formato .png y gráficos de barras.

   	python 6.Algoritmos_PY.py
   
   
   

9. Visualización -Ejecuta 6.1 Visualización ROC_AUC.py para crear una tabla con los valores AUC-ROC por clase para cada modelo. -Salidas: auc_roc_por_clase.csv, modelos de curvas .png

   	python 6.1 Visualización ROC_AUC.py
   
   
   

10. Validación de modelos -Ejecuta 7.Validacion_de_modelos.py para evalúar la robustez del modelo SVM (kernel RBF) usando validación estratificada en k-folds (5 y 10 pliegues). -Salidas: validacion_cruzada_resultados_paso_7.csv, tabla con Precision, Recall y F1-Score para 5-fold y 10-fold CV.

    	python 7.Validacion_de_modelos.py
    
    
    

11. Ejemplos de predicciones -Ejecuta 8.Ejemplos de predicciones.py para entrenar SVM final y probar oraciones de ejemplo o modo interactivo (para el modo interactivo descomente su sección). -Salida: ejemplos_predicciones_svm.csv, resultados de predicciones en la consola.

    	python 8.Ejemplos de predicciones.py