Clasificación multi-etiqueta de posts de StackOverflow

Problema

Clasificar automáticamente preguntas de StackOverflow con múltiples etiquetas (Python, JavaScript, CSS, etc.) a partir del texto de la pregunta. Con 100 etiquetas posibles y la posibilidad de que una pregunta tenga varias simultáneamente, es un problema de clasificación multi-etiqueta no trivial.

Solución

Sistema de clasificación multi-etiqueta en dos partes: preprocesamiento del texto (tokenización, eliminación de stopwords, TF-IDF) y entrenamiento de modelos scikit-learn configurados para multi-etiqueta. Evaluación con métricas apropiadas para clasificación multi-etiqueta.

Preprocesamiento para clasificación multi-etiqueta

Limpieza de texto de StackOverflow: HTML, código, stopwords en inglés con NLTK
Tokenización y normalización para construir features de texto limpios
TF-IDF con vocabulario limitado a los términos más relevantes para las 100 etiquetas
Representación multi-etiqueta: matriz binaria de etiquetas (n_muestras × 100_etiquetas)

Modelos y evaluación multi-etiqueta

Clasificadores scikit-learn configurados para predicción multi-etiqueta (OneVsRest)
Dataset con 100 etiquetas distintas — cada pregunta puede tener múltiples etiquetas simultáneas
Métricas multi-etiqueta: Hamming Loss, Jaccard Score, F1 micro/macro
Análisis de rendimiento por etiqueta: algunas etiquetas tienen más datos y predicen mejor

Clasificación multi-etiqueta de posts de StackOverflow

Problema

Solución

Preprocesamiento para clasificación multi-etiqueta

Modelos y evaluación multi-etiqueta

Transcripción Whisper y clasificación zero-shot

Chatbot conversacional con OpenAI API