# Leandrobenjaminl Lend AI Ml Modeling > Skill: ml-modeling - Skill: `tomevault-io/leandrobenjaminl-lend-ai-ml-modeling` (Agent Skill, multi-file: 2 files) - Install (CLI): `npx skillmds@latest add tomevault-io/leandrobenjaminl-lend-ai-ml-modeling` - Raw SKILL.md: https://api.skillmd.com/api/skills/tomevault-io/leandrobenjaminl-lend-ai-ml-modeling/raw - Safety review: pending (external: skill-scanner PASS, skillspector PASS) - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: tomevault-io (https://skillmd.com/u/tomevault-io) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/tomevault-io/leandrobenjaminl-lend-ai-ml-modeling --- # Skill: ml-modeling Machine learning con generalización, no memorización. ## Trigger - Tenés datos limpios y querés entrenar un modelo - Necesitás comparar múltiples algoritmos y elegir el mejor - Te pidieron explicar por qué el modelo predice lo que predice - Hay que optimizar hiperparámetros ## Workflow LEND ``` 1. ANALIZAR ├── Baseline First: modelo simple (regresión lineal / dummy classifier) │ → Si XGBoost no le gana al baseline, no vale la complejidad ├── Validación: Stratified K-Fold Cross Validation │ → Nada de un solo train_test_split si los datos son chicos o desbalanceados ├── Desbalanceo: ¿hay 95% clase A y 5% clase B? │ → Accuracy miente. Usá F1-Score, Precision-Recall, AUC-ROC └── Feature leakage: ¿alguna feature usa información del futuro? 2. OFRECER (Menú del Senior) ├── A) Modelos interpretables — regresión logística, árboles chicos, explicables ├── B) Ensembles — Random Forest, XGBoost, LightGBM, máxima performance └── C) Auto-tuning — Optuna/Hyperopt para exprimir el rendimiento 3. ELEGIR → el usuario confirma 4. HACER ├── Split: train_test_split con stratify si es clasificación ├── Escalar: StandardScaler para modelos basados en distancias │ Tree-based (RF, LGBM) NO necesitan escalado ├── Entrenar baseline y modelo elegido ├── Evaluar: métrica correcta según el problema │ Clasificación balanceada → Accuracy │ Clasificación desbalanceada → F1, Precision-Recall, AUC-ROC │ Regresión → RMSE, MAE, R2 ├── Feature importance: SHAP values (direccionalidad + magnitud) │ feature_importances_ dice qué, SHAP dice cómo └── Guardar modelo con joblib + documentar métricas 5. VERIFICAR ├── El modelo generaliza (CV score ≈ test score) ├── No hay overfitting (train >> test) └── Las predicciones tienen sentido de negocio ``` ## Patrones - **Baseline siempre**: un modelo simple primero te da un piso. Si lo complejo no mejora, no vale la pena. - **Stratified K-Fold**: preserva proporciones de clases en cada fold. Esencial en datos desbalanceados. - **SHAP > feature_importances_**: SHAP te dice dirección + magnitud por predicción individual. - **Escalar después del split**: nunca `fit_transform` en el set completo — filtra información del test al train. - **Optuna > GridSearch**: búsqueda inteligente, no fuerza bruta. 50 trials bien orientados > 10k combinaciones al pedo. ## Anti-patrones - ❌ No hacer train/test split — evaluar en los mismos datos que entrenaste es hacer trampa - ❌ Feature selection antes del split — perdés información de la distribución del test - ❌ Usar Accuracy con clases desbalanceadas — 95% accuracy no es bueno si una clase tiene 5% - ❌ GridSearch con 10^4 combinaciones — 50 búsquedas inteligentes con Optuna rinden más - ❌ Ignorar overfitting — si train >> test, el modelo memorizó, no aprendió - ❌ No explicar el modelo — "porque el modelo lo dice" no es una respuesta válida --- > Source: [LeandroBenjaminL/lend-ai](https://github.com/LeandroBenjaminL/lend-ai) — distributed by [TomeVault](https://tomevault.io).