Proyecto
Un informe reproducible para predecir ventas y juzgar si el modelo se acerca a la realidad.
ML Retail Sales Predictor es un proyecto de Machine Learning orientado a predecir ventas de tiendas y a materializar esa evaluación en un informe con métricas, tablas y gráficas. El objetivo no es solo entrenar un modelo: es dejar visible cómo se comportan las predicciones frente a las ventas reales.
Predicción y evaluación
El flujo parte de predicciones ya generadas y de las ventas reales correspondientes. El script principal las alinea por índice, calcula el error y produce un informe HTML y PDF. En ese recorrido aparecen R², RMSE, MAE, los casos con mayor error absoluto, un scatter de predicciones frente a ventas reales, la distribución del error, una vista de correlación y, cuando el artefacto del modelo lo permite, la importancia de características.
Las tecnologías comprobables en el repositorio incluyen Python, XGBoost, Scikit-learn, Pandas, NumPy, Matplotlib, Seaborn, Jinja2 y WeasyPrint. El informe generado y las imágenes de img/ son los artefactos públicos más útiles para leer el resultado sin volver a ejecutar todo el pipeline.
Relación con el artículo
El análisis conceptual de la gráfica Predicted vs Actual Sales —qué significa la diagonal, cómo leer la nube de puntos y en qué se parece y se diferencia de una gráfica clásica de la ley de Hubble— vive en el artículo Predicho frente a real. Esta página del proyecto se queda en el propósito, el flujo de evaluación y los artefactos.