Tres modelos que puedes rehacer

El ciclo entero con las cuatro etapas de verificación en PASS. Es el caso que no admite discusión: si el paquete devuelve 273,15 para 0 °C, funciona; y si devolviera otra cosa, se vería sin saber nada de aprendizaje automático. EN TU MÁQUINA la cuarta etapa dirá INCOMPARABLE y la orden saldrá con código 3, y ésa es la respuesta CORRECTA: la tolerancia se midió en el entorno del paquete y el tuyo es otro, así que una diferencia ahí no probaría nada. Las tres primeras sí salen PASS.

predicted_kelvin = 1*celsius + 273.15

La receta es el dato, no un adorno: los datos se generan a partir de ella, viaja dentro del paquete como `data_recipe.txt` y `verify` la usa para REGENERAR el dataset y comparar su huella.

Cópialos tal cual en un directorio vacío junto a la receta. Son todo lo que hace falta: el resto lo generan los comandos de arriba.

PROJECT CelsiusToKelvin

VECTOR Reading[1]
  celsius: Scalar[-50, 150]
END

PARAM W1 Vector[1]
END

PARAM b1 Scalar
END

FUNCTION PredictedKelvinModel
  predicted_kelvin: Scalar = linear(W1 * Reading + b1)
END

GRAPH
  Reading -> PredictedKelvinModel
END

MODEL kelvin.mxai

DATASET KelvinData
  SOURCE csv("datos/celsiustokelvin-synthetic-train.csv")
  INPUT Reading FROM COLUMNS [celsius]
  TARGET predicted_kelvin: Scalar[200, 450]
  SPLIT train=0.8 validation=0.2 seed=42
  BATCH size=8
END

LOSS KelvinLoss
  TYPE mse
  PREDICTION predicted_kelvin
  TARGET predicted_kelvin
END

OPTIMIZER KelvinOptimizer
  TYPE sgd
  LEARNING_RATE 0.5
  UPDATE W1, b1
END

RUN
  EPOCHS 200
END

• paquete.zip — EL PAQUETE ENTERO: model.onnx + predict.py + inference_spec.json + reproduce.json. Predice con `pip install onnxruntime` y nada más
• kelvin.mxai — el modelo
• kelvin.mxtrain — el contrato de entrenamiento
• receta.txt — la receta de datos
• entrada.json — la entrada del ejemplo (0 °C); las otras dos son entrada_100.json y entrada_-40.json
• reproduce.json — el manifiesto del paquete, para comparar huellas
• salida.txt — la salida literal de los cinco pasos

matrixai generate-dataset kelvin.mxai --training kelvin.mxtrain \
  --rows 300 --seed 20260825 --mode coherent --recipe receta.txt -o datos
matrixai train kelvin.mxai --training kelvin.mxtrain --output runs/v1 \
  --recipe receta.txt --dataset-manifest datos/celsiustokelvin-synthetic-manifest.json
matrixai export-bundle kelvin.mxai --params runs/v1/params.best.json \
  --outdir paquete --training kelvin.mxtrain --data-recipe receta.txt --from-run runs/v1
cd paquete && python3 predict.py --input ../entrada.json
cd .. && matrixai verify paquete.zip --retrain

R2: 1.000000
MAE: 6.50521e-17
Equivalence PASS: max_abs_diff=3.57e-08

  0 °C   -> 273.15000146627426
  100 °C -> 373.1500029563904
  -40 °C -> 233.15000236034393

manifest  PASS
R1        PASS
training  PASS
R3        PASS

Lo mismo que el anterior más el documento que pide una revista para publicar un modelo de predicción clínica — escrito desde lo que el run guardó, y diciendo qué casillas NO puede rellenar.

alto: edad > 75 OR reingreso_previo > 0.5
DEFAULT: bajo

Los datos son SINTÉTICOS y la ficha lo dice en su primera línea. Un modelo entrenado así no está validado clínicamente, y publicar el caso sin esa frase sería el problema, no la solución.

Cópialos tal cual en un directorio vacío junto a la receta. Son todo lo que hace falta: el resto lo generan los comandos de arriba.

PROJECT ClassifierProject

VECTOR Input[4]
  edad: Scalar[18, 100]
  dias_ingresado: Scalar[0, 60]
  num_diagnosticos: Scalar[0, 15]
  reingreso_previo: Scalar[0, 1]
END

NETWORK Classifier
  INPUT Input
  LAYER Dense units=32 activation=relu
  LAYER Dense units=16 activation=relu
  LAYER Dense units=2 activation=softmax
  OUTPUT predicted_class: ProbabilityMap[alto, bajo]
END

GRAPH
  Input -> Classifier
END

AUDIT
  EXPLAIN Input -> Classifier
END

MODEL modelo.mxai

DATASET Reingreso
  SOURCE csv("datos/classifierproject-synthetic-train.csv")
  INPUT Input FROM COLUMNS [edad, dias_ingresado, num_diagnosticos, reingreso_previo]
  TARGET predicted_class: Label[alto, bajo]
  SPLIT train=0.8 validation=0.2 seed=42
  BATCH size=16
END

LOSS Perdida
  TYPE cross_entropy
  PREDICTION Classifier
  TARGET predicted_class
END

OPTIMIZER Optimizador
  TYPE sgd
  LEARNING_RATE 0.05
  UPDATE Classifier.*
END

RUN
  EPOCHS 60
END

• paquete.zip — EL PAQUETE ENTERO: model.onnx + predict.py + inference_spec.json + reproduce.json. Predice con `pip install onnxruntime` y nada más
• modelo.mxai — el modelo
• modelo.mxtrain — el contrato de entrenamiento
• receta.txt — la receta de datos
• entrada.json — la entrada del ejemplo (92 años); la otra es entrada_joven.json
• ficha_tripod.md — la ficha TRIPOD+AI ENTERA, generada por el comando
• reproduce.json — el manifiesto del paquete
• salida.txt — la salida literal de los seis pasos

matrixai generate-dataset modelo.mxai --training modelo.mxtrain \
  --rows 400 --seed 20260825 --mode coherent --recipe receta.txt -o datos
matrixai train modelo.mxai --training modelo.mxtrain --output runs/v1 \
  --recipe receta.txt --dataset-manifest datos/classifierproject-synthetic-manifest.json
matrixai export-bundle modelo.mxai --params runs/v1/params.best.json \
  --outdir paquete --training modelo.mxtrain --data-recipe receta.txt --from-run runs/v1
matrixai verify paquete.zip --retrain
matrixai report paquete --tripod --locale es -o ficha_tripod.md

Accuracy: 0.968750

  92 años, reingreso 0,9 -> {"alto": 1.0,    "bajo": 9.9e-11}
  25 años, sin reingreso -> {"alto": 0.0002, "bajo": 0.9998}

# Ficha TRIPOD+AI
> AVISO: los datos de entrenamiento son SINTÉTICOS…
- Predictores: edad (18–100), dias_ingresado (0–60),
  num_diagnosticos (0–15), reingreso_previo (0–1)
## Lo que esta ficha NO puede rellenar
- Datos ausentes · Calibración · Equidad por subgrupos
- Financiación · Conflictos · Aprobación ética

manifest  PASS
R1        PASS
training  PASS
R3        PASS

2.189 días de observaciones meteorológicas reales. No hay receta que regenere esos datos, así que `verify` deja dos etapas en INCOMPARABLE y lo dice con las palabras del propio paquete. Esto es lo que distingue a este producto: lo que no se ha comprobado se declara.

Aquí no hay receta y no se ha inventado ninguna. Inventarla para que las cuatro etapas salieran verdes habría sido exactamente la mentira que estas páginas dicen evitar.

Cópialos tal cual en un directorio vacío junto a la receta. Son todo lo que hace falta: el resto lo generan los comandos de arriba.

PROJECT LluviaManana

VECTOR Parte[6]
  temp_max: Scalar[0, 45]
  humidity: Scalar[30, 100]
  pressure: Scalar[980, 1040]
  pressure_delta: Scalar[-20, 20]
  cloud_cover: Scalar[0, 100]
  precip_hours: Scalar[0, 24]
END

NETWORK Pronostico
  INPUT Parte
  LAYER Dense units=16 activation=relu
  LAYER Dense units=2 activation=softmax
  OUTPUT llueve_manana: ProbabilityMap[no, si]
END

GRAPH
  Parte -> Pronostico
END

MODEL lluvia.mxai

DATASET Observaciones
  SOURCE csv("datos/lluvia_nombrada.csv")
  INPUT Parte FROM COLUMNS [temp_max, humidity, pressure, pressure_delta, cloud_cover, precip_hours]
  TARGET llueve_manana: Label[no, si]
  SPLIT train=0.8 validation=0.2 seed=42
  BATCH size=32
END

LOSS Perdida
  TYPE cross_entropy
  PREDICTION Pronostico
  TARGET llueve_manana
END

OPTIMIZER Optimizador
  TYPE sgd
  LEARNING_RATE 0.1
  UPDATE Pronostico.*
END

RUN
  EPOCHS 40
END

• paquete.zip — EL PAQUETE ENTERO: model.onnx + predict.py + inference_spec.json + reproduce.json. Predice con `pip install onnxruntime` y nada más
• lluvia.mxai — el modelo
• lluvia.mxtrain — el contrato de entrenamiento
• lluvia_nombrada.csv — los 2.189 días REALES, con las clases nombradas
• dia.json — el día húmedo del ejemplo; el seco es dia_seco.json
• reproduce.json — el manifiesto del paquete
• salida.txt — la salida literal de los cinco pasos

Observaciones diarias de Open-Meteo (open-meteo.com), reanálisis ERA5. Su API es de uso libre para fines no comerciales y sus datos derivan de ERA5 (Copernicus/ECMWF), publicado bajo licencia CC BY 4.0. El CSV que se descarga aquí es una selección de columnas y una etiqueta derivada —«llueve mañana»— calculada por nosotros; no es el dato original.

matrixai train lluvia.mxai --training lluvia.mxtrain --output runs/v1
matrixai export-bundle lluvia.mxai --params runs/v1/params.best.json \
  --outdir paquete --training lluvia.mxtrain --from-run runs/v1
cd paquete && python3 predict.py --input ../dia.json
matrixai verify paquete.zip --retrain

Accuracy: 0.762557   (2.189 días reales)

  día húmedo, presión cayendo -> {"si": 0.943, "no": 0.057}
  día seco, anticiclónico     -> {"si": 0.260, "no": 0.740}

manifest  PASS
R1        INCOMPARABLE — «this model has no data recipe, so its dataset
          cannot be regenerated and compared; why there is none is not
          recorded in the package; the dataset generation seed is unknown»
training  INCOMPARABLE — no hay dataset que regenerar
R3        NOT_RUN

El motivo va en inglés porque es lo que el PAQUETE escribió de sí mismo, y aquí se cita en vez de traducirse: esos bytes están cubiertos por su huella, y traducirlos sería ponerle en la boca algo que no dijo.