🌟 Director General Multi-Mission - Sistema de Clasificación de Exoplanetas

Sistema inteligente para la clasificación automática de candidatos a exoplanetas Combinando Random Forest y TensorFlow mediante Soft Voting adaptativo

🚀 Descripción General

El Director General es un sistema avanzado de Machine Learning diseñado para la clasificación automática de candidatos a exoplanetas provenientes de múltiples misiones espaciales (KOI, TOI, K2). Utiliza una estrategia de ensemble inteligente que combina Random Forest y TensorFlow para maximizar la precisión en la detección.

🝆 Resultados Principales

• 🎯 Accuracy del Director: 85.39%
• 🌲 Random Forest individual: 85.33%
• 🧠 TensorFlow individual: 82.24%
• ⚡ Tiempo de entrenamiento: < 5 minutos
• 📊 Evaluado en: 1,841 candidatos reales de Kepler

🔬 Arquitectura del Sistema

🎯 Director General

El componente central que toma decisiones inteligentes sobre qué modelo usar para cada predicción:

Input Data → Feature Analysis → Model Selection → Prediction
                    ↓
            [RF: 72.46%]  [TF: 27.54%]
                    ↓
            Soft Voting (Weighted Ensemble)
                    ↓
              Final Prediction

🌝 Sistemas Multi-Misión

1. 🔭 KOI System (Kepler Objects of Interest)

   • Dataset: 9,564 muestras
   • Features: 64 parámetros físicos y orbitales
   • Estado: ✅ Completamente entrenado

2. 🛰︝ TOI System (TESS Objects of Interest)

   • Modelos: RF + TF wrapper
   • Estado: ✅ Modelos base entrenados

3. 🌝 K2 System (Kepler Extended Mission)

   • Modelo: Random Forest especializado
   • Estado: ✅ Modelo disponible

📝 Estructura del Proyecto

modelTemplate/
├── 📂 src/                          # Código fuente principal
│   ├── models/
│   │   ├── general_director.py      # 🎯 Director General
│   │   ├── koi_randomforest.py     # 🌲 RF para KOI
│   │   └── koi_tensorflow.py       # 🧠 TF para KOI
│   └── utils/                       # Utilidades
├── 📂 koi_system/                   # Sistema KOI completo
│   ├── saved_models/               # ✅ Modelos entrenados
│   ├── config/                     # Configuraciones
│   └── utils/                      # Utilidades específicas
├── 📂 toi_system/                   # Sistema TOI
├── 📂 k2_system/                    # Sistema K2
├── 📂 data/                         # Datasets
│   └── clean/                      # Datos procesados
└── 📂 scripts/                      # Scripts de entrenamiento

🚀 Instalación y Uso

1. Requisitos

pip install -r requirements.txt

Dependencias principales:

• Python 3.8+
• TensorFlow 2.x
• scikit-learn 1.x
• pandas, numpy
• joblib

2. Entrenamiento Rápido

🔭 Sistema KOI (Principal)

cd koi_system
python train_koi_system.py

🛰︝ Sistema TOI

cd toi_system
python train_toi_system.py

🌝 Sistema K2

cd k2_system
python train_k2_system.py

3. Predicción con Director General

from src.models.general_director import GeneralDirector

# Inicializar Director
director = GeneralDirector()

# Predicción automática
predictions, mission_used = director.predict(data, mission='KOI')

# Estadísticas del ensemble
stats = director.get_stats()
print(f"RF usado: {stats['rf_usage']:.1%}")
print(f"TF usado: {stats['tf_usage']:.1%}")

📊 Métricas de Rendimiento

🝆 Comparación de Modelos (Sistema KOI)

Modelo	Accuracy	Precision	Recall	F1-Score
🌲 Random Forest	85.33%	85.1%	85.6%	85.3%
🧠 TensorFlow	82.24%	82.8%	81.7%	82.2%
🎯 Director General	85.39%	85.2%	85.8%	85.5%

🔀 Estrategia del Director

• Selección inteligente: El Director elige automáticamente el mejor modelo para cada caso
• RF predominante: Usado en 72.46% de casos (alta confianza)
• TF especializado: Usado en 27.54% de casos (casos complejos)
• Accuracy cuando RF elegido: 86.96%
• Accuracy cuando TF elegido: 81.26%

🎯 Características Principales

🧠 Soft Voting Inteligente

• Combina probabilidades de RF y TF de forma adaptativa
• Pesos dinámicos basados en confianza de predicción
• Optimización automática de umbrales

⚡ Rendimiento

• Entrenamiento rápido: < 5 minutos para dataset completo
• Predicción eficiente: Miles de candidatos por segundo
• Escalabilidad: Fácil extensión a nuevas misiones

🔧 Robustez

• Early stopping: Previene overfitting automáticamente
• Validación cruzada: Evaluación rigurosa en datos no vistos
• Manejo de datos faltantes: Preprocessamiento robusto

🌟 Casos de Uso

🔬 Investigación Científica

• Análisis automatizado de datos de Kepler/TESS
• Clasificación de candidatos a exoplanetas
• Reducción de falsos positivos

🝭 Aplicaciones Operacionales

• Pipeline automatizado para nuevas observaciones
• Soporte a decisiones en misiones espaciales
• Análisis en tiempo real de datos astronómicos

Mantenimiento y limpieza segura

• clean_project.py ahora funciona como auditor: lista placeholders conocidos y solo elimina caches si se ejecuta con python clean_project.py --delete-temp. No borra código ni modelos por defecto.
• Los siguientes archivos bajo src/ siguen siendo plantillas vacías y deben documentarse o completarse antes de usarlos en producción: mission_models.py, mission_models_fixed.py, partial_coverage.py, total_coverage.py, tensorflow_hybrid.py, trainers/multi_mission_trainer.py, trainers/partial_trainer.py, trainers/total_trainer.py, evaluators/model_evaluators.py.
• Si necesitas remover artefactos temporales (por ejemplo __pycache__ o *.pyc), usa la bandera --delete-temp en el script; cualquier otra limpieza debe hacerse manualmente revisando la lista que imprime el auditor.

📈 Roadmap Futuro

🎯 Mejoras Inmediatas

• Optimización de umbrales del Director
• Integración completa de sistemas TOI y K2
• Dashboard de monitoreo en tiempo real

🚀 Funcionalidades Avanzadas

• Modelos de deep learning más sofisticados
• Explicabilidad de predicciones (SHAP/LIME)
• API REST para integración externa
• Soporte para nuevas misiones espaciales

🤝 Contribuciones

Este proyecto está abierto a contribuciones. Areas de interés:

• 🔬 Nuevos algoritmos de ML
• 📊 Mejoras en visualización
• 🛰︝ Soporte para nuevas misiones
• 📚 Documentación y tutoriales

📄 Licencia

Este proyecto utiliza datos públicos de NASA/Kepler y está disponible para fines de investigación y educación.

🝅 Reconocimientos

• NASA Kepler Mission por los datos de alta calidad
• TESS Mission por los datos de TOI
• Comunidad científica por metodologías validadas

---

🌟 Director General Multi-Mission v1.0 Automatizando el descubrimiento de exoplanetas con IA

🚀 Demo | 📖 Docs | 🝛 Issues | 💬 Discussions