user@devops:~$ cat README.md
Conformal Prediction -- cobertura con garantias
# Descripción
Conformal Prediction (Vovk / Romano / Candes) implementada desde cero en Python + scikit-learn (sin MAPIE). Parte 1: Split Conformal Regression sobre California Housing (train 10.836 / cal 4.644 / test 5.160) con GradientBoosting y scores de residuo absoluto -- qhat(alpha=0.10)=0.790, cobertura empirica 88.68% (target 90%), anchura constante 1.58. Parte 2: curva de calibracion multi-alpha (0.50 a 0.02) con error medio |cov-target| de solo 0.79 pp -- la correccion +1 de Vovk sostiene la garantia de muestra finita. Parte 3: Conformalized Quantile Regression (CQR) con GBR quantile alpha/2 y 1-alpha/2; anchura adaptativa (media 1.86) que nivela la cobertura condicional por quintiles de yhat (~89-91% en todos) frente al fallo condicional de Split (Q5 solo 73.8%). Parte 4: clasificacion conforme en Wine -- LAC (1-p_y) y APS (masa acumulada) con cobertura 100% y tamano medio de set 1.13 (93% singletons). Parte 5: CV+/Jackknife+ 10-fold vs Split en submuestra n=400 -- cobertura 92.3% sin hold-out de calibracion. Parte 6: dashboard de cobertura condicional y resumen de 5 metodos. 6 visualizaciones.
# Características principales
$ Split Conformal Regression con correccion +1 (Vovk): qhat finito-muestra y cobertura marginal ~1-alpha
$ Curva de calibracion multi-alpha: error medio |cov-target| = 0.79 pp en California Housing
$ CQR (Romano et al.): intervalos de anchura adaptativa que corrigen la cobertura condicional
$ Hallazgo: Split CP Q1=97% vs Q5=74% condicional; CQR nivela a ~89-91% en todos los quintiles
$ Clasificacion conforme LAC + APS en Wine: cobertura 100%, size medio 1.13 (93% sets unitarios)
$ CV+/Jackknife+ (Barber et al.): cobertura 92.3% sin desperdiciar bloque de calibracion
$ 6 visualizaciones: intervalos, calibracion, CQR adaptativo, sets LAC/APS, CV+ vs Split, dashboard
# Galería
# Tecnologías utilizadas
