zeros as a problem

DIARIO.txt

@@ -0,0 +1,8 @@
+Problema: desbalanceo de resultados debido a muchos ceros en algunas variables
+
+1. Probamos sklearn.RF con dataset urineFlav con dropna, que es el que menos afectado se ve
+
+2. Probamos XGBRF para manejar NAs sin necesidad de imputarlos a cero. 
+
+Posibles soluciones: 
+Hay que ver si hay implementación de MLP que maneje NAs

pendientes.md

@@ -0,0 +1,10 @@
+# Pendientes
+- ajustar nombre modelo -> refinar
+- probar 50/50, 60/40 train
+- modulos evalScore, plots, RF_fit, XGB_fit, NN_fit (quizá NN_eval)
+- gestionar dependencias
+
+## ideas NAs
+- usar los voluntarios con ceros como training
+- probar todas las posibles combinaciones de retirar NAs en train
+

recursosMetab.md

@@ -0,0 +1,14 @@
+# Recursos metabolómica
+
+## General
+- http://internationalmetabolomicssociety.org/resources
+
+## DDBB
+- https://mona.fiehnlab.ucdavis.edu/
+- http://bigg.ucsd.edu/
+- https://bmrb.io/metabolomics/
+- https://www.ebi.ac.uk/metabolights
+
+## DDBB adicionales
+- https://www.genome.jp/kegg/pathway.html
+-