Pipeline · 6 de 10

Modelo definitivo

Zoom sobre Entrenamiento y Export ONNX, leyendo desde Feast y registrando en MLflow — Con la infraestructura y el feature store ya construidos, Entrenamiento deja de ser un script aislado: lee de Feast, registra en MLflow, exporta a ONNX.

Con Feast y MLflow ya en pie, el modelo se reentrena leyendo district/surface/property_type/operation_type desde el offline store (get_historical_features) — verificado sobre las 6,811 filas completas, cero discrepancias contra los valores de features.parquet.

El hallazgo central del proyecto

La quinta feature, district_avg_price_per_m2, ya no se lee del valor estático de Feast — se recalcula por fold de train, de forma honesta. Y ahí apareció el problema: la versión honesta de esa feature rompía el modelo, no lo mejoraba.

Modelado

El leakage real en district_avg_price_per_m2

Con los mismos hiperparámetros del baseline, el modelo de Venta pasó de test R²=0.76 a R²=-0.61. No era un bug: se confirmó con 5 splits distintos y re-tuneo de hiperparámetros por CV, y ninguno hizo que la feature honesta superara simplemente no tenerla. La señal aparente del baseline era la fuga — el modelo definitivo la elimina.

Comparación de R² de test antes y después de eliminar el leakage de district_avg_price_per_m2, para Venta y Alquiler — Menos R² de test, pero también mucho menos gap train-test — el costo honesto de sacar una fuga real, no una regresión a esconder.

La feature se eliminó del modelo y los hiperparámetros se re-tunearon por CV contra el set de 3 features (max_depth=2, min_child_weight=20). El modelo definitivo es menos preciso que el baseline pero notablemente menos sobreajustado — y ambos modelos siguen superando ampliamente el baseline trivial.

Registro en MLflow

Infra

MLflow Model Registry

Cada corrida se trackea en el experiment arequipa-housing-price (un run por operation_type: parámetros, métricas train/test/gap, el modelo como artifact) y se registra como dos modelos separados — arequipa-price-venta y arequipa-price-alquiler — no dos versiones del mismo nombre, porque son dos modelos con targets distintos, no la misma cosa versionada.

Export a ONNX

Formato

ONNX

Formato de despliegue elegido para que el modelo entrenado en Python se sirva desde onnxruntime-node sin depender de un runtime de Python en producción. Categóricas nativas de XGBoost exportan directo — la suposición inicial de necesitar un fallback a one-hot resultó incorrecta. Validado contra el test set completo de cada modelo: diferencia absoluta máxima de 8.58e-06 (Venta) y 3.81e-06 (Alquiler), muy por debajo de la tolerancia elegida (1e-3).

El mapeo exacto de categorías a códigos se exporta aparte, como JSON — es lo que la API en Node.js usa para codificar un request sin depender de Python (ver API de inferencia).

Artefactos de este paso

Artefacto	Tipo	Qué es
`ml/training/train.py (versión definitiva)`	Script	Ahora lee de Feast (get_historical_features), recalcula district_avg_price_per_m2 por fold, y ya no la usa. Trackea en MLflow.
`ml/training/export_onnx.py`	Script	to_onnx, to_onnx_input, validate_onnx, save_category_mapping — export + validación contra el test set completo.
`data/processed/models/{venta,alquiler}_xgb.onnx`	Modelo	Formato ONNX, el que sirve la API de inferencia.
`data/processed/models/{venta,alquiler}_categories.json`	Mapeo	Lista ordenada de categorías por columna — posición = código. Lo consume encode.js en Node.
`MLflow — experiment arequipa-housing-price`	Tracking	Un run por operation_type: parámetros, métricas train/test/gap, modelo como artifact.
`MLflow Model Registry`	Registry	Dos modelos registrados: arequipa-price-venta, arequipa-price-alquiler.