gusdelact/penguins-species-curated

penguins-species-classifier — dataset curado

Versión preprocesada del dataset gusdelact/penguins lista para entrenar modelos tabulares de clasificación multiclase de especies de pingüinos (Adelie, Gentoo, Chinstrap).

Información general

• —Autor: gusdelact
• —Fecha de creación: 2026-05-18
• —Fuente original: gusdelact/penguins
• —Licencia: Apache-2.0

Composición

• —Filas (raw): 344
• —Train / Test: [258, 12] / [86, 12] (split estratificado, test_size=0.25)
• —Variable objetivo: Species (3 clases)
• —Distribución de clases (raw):
• —Adelie Penguin (Pygoscelis adeliae): 152
• —Gentoo penguin (Pygoscelis papua): 124
• —Chinstrap penguin (Pygoscelis antarctica): 68

Features procesadas

• —Numéricas (sin escalar — DecisionTree es invariante a escala): Culmen Length (mm), Culmen Depth (mm), Flipper Length (mm), Body Mass (g)
• —Categóricas (One-Hot Encoded): Island, Sex, Clutch Completion
• —Total de columnas tras one-hot: 11

Preprocesamiento aplicado

• —Drop de columnas no observables en campo o sin varianza: studyName, Sample Number, Region, Stage, Individual ID, Date Egg, Comments, Delta 15 N (o/oo), Delta 13 C (o/oo)
• —Reemplazo de valores inválidos: Sex == "." → NaN.
• —Imputación: mediana en numéricas, moda en categóricas (fit en train, transform en test).
• —One-Hot Encoding con handle_unknown="ignore" para Island, Sex, Clutch Completion.
• —Sin StandardScaler (innecesario para árboles).
• —Sin clipping de outliers (DecisionTree usa splits univariados).
• —Encoding del target con LabelEncoder. El encoder se publica junto al modelo.

Archivos

• —train.csv: features procesadas + columna target codificada (Species int).
• —test.csv: idem.

Uso previsto

Entrenamiento de clasificadores tabulares para identificación de especies de pingüinos a partir de mediciones físicas (sin laboratorio). Útil para investigación en biología de campo y como dataset didáctico de scikit-learn.

Limitaciones y sesgos

• —Solo cubre la región Anvers (Palmer Station, Antártida). No generaliza a pingüinos de otras localizaciones sin reentrenamiento.
• —Las mediciones de isótopos (Delta 15 N, Delta 13 C) del dataset original fueron excluidas intencionalmente para reflejar el caso de uso de identificación en el campo sin equipo de laboratorio.
• —Tamaño pequeño (344 individuos). Estimaciones de error con varianza alta.

Cita

@dataset{penguins-species-curated,
  author = {gusdelact},
  title = {penguins-species-classifier — dataset curado},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/datasets/gusdelact/penguins-species-curated}
}

Dataset original: Palmer Station Antarctica LTER, K. Gorman et al. (2014).