PRUEBAS.txt

5 particiones (80/20)% y un conjunto fijo de parámetros

Más de 1 palabra (2 o más):
Acierto en el entrenamiento promedio: 0.8226332545280457
Acierto en la validación promedio: 0.6878281712532044
Error en el entrenamiento promedio: 0.49914984418554925
Error en la validación promedio: 1.425121567921688

Más de 2 palabras (3 o más):
Acierto en el entrenamiento promedio: 0.8283611893653869
Acierto en la validación promedio: 0.7126491665840149
Error en el entrenamiento promedio: 0.4848191244576598
Error en la validación promedio: 1.2699421169839402

Más de 3 palabras (4 o más):
Acierto en el entrenamiento promedio: 0.8902545690536499
Acierto en la validación promedio: 0.7747016787528992
Error en el entrenamiento promedio: 0.3008036646999007
Error en la validación promedio: 1.262020773980574

Más de 4 palabras (5 o más):
Acierto en el entrenamiento promedio: 0.872792375087738
Acierto en la validación promedio: 0.7896579146385193
Error en el entrenamiento promedio: 0.34632104810863706
Error en la validación promedio: 1.308707976900782

4 o más palabras parece la mejor opción, sin embargo sería interesante usar las palabras menos frecuentes.

Longitud de ejemplos 3000:
Acierto en el entrenamiento promedio: 0.8319809079170227
Acierto en la validación promedio: 0.7645187020301819
Error en el entrenamiento promedio: 0.4529724724155124
Error en la validación promedio: 1.1288550761168972

Longitud de ejemplos 2000:
Acierto en el entrenamiento promedio: 0.7601034045219421
Acierto en la validación promedio: 0.7524264097213745
Error en el entrenamiento promedio: 0.6324286699923334
Error en la validación promedio: 1.075911330991827

Top words 1000:
Acierto en el entrenamiento promedio: 0.6840493261814118
Acierto en la validación promedio: 0.6517104208469391
Error en el entrenamiento promedio: 0.9062937527829774
Error en la validación promedio: 1.4099468519503673

Neuronas ocultas 96:
Acierto en el entrenamiento promedio: 0.9165473341941833
Acierto en la validación promedio: 0.8076372504234314
Error en el entrenamiento promedio: 0.22094606372189554
Error en la validación promedio: 1.027354757368043

Cantidad de convoluciones 4:
Acierto en el entrenamiento promedio: 0.975377869606018
Acierto en la validación promedio: 0.87350834608078
Error en el entrenamiento promedio: 0.08146076898370049
Error en la validación promedio: 0.7575455623875944

Neuronas en la capa oculta 50:
Acierto en el entrenamiento promedio: 0.8953062891960144
Acierto en la validación promedio: 0.8517104148864746
Error en el entrenamiento promedio: 0.2936036574589822
Error en la validación promedio: 0.7429977326376057

Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0.3
        Cantidad de convoluciones y poolings: 5
        Cantidad de filtros: 16
        Dimensión de los filtros: 1x3
        Dimensión del pooling: 1x2
        Neuronas en la capa oculta: 96
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 10
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9147175908088684
        Acierto en la validación promedio: 0.8902148008346558
        Error en el entrenamiento promedio: 0.26238385983109297
        Error en la validación promedio: 0.6284145584728572
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0.3
        Cantidad de convoluciones y poolings: 5
        Cantidad de filtros: 32
        Dimensión de los filtros: 1x3
        Dimensión del pooling: 1x2
        Neuronas en la capa oculta: 96
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 10
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9341288924217224
        Acierto en la validación promedio: 0.8879872798919678
        Error en el entrenamiento promedio: 0.20361184944787558
        Error en la validación promedio: 0.6662730028898547
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0.4
        Cantidad de convoluciones y poolings: 5
        Cantidad de filtros: 32
        Dimensión de los filtros: 1x3
        Dimensión del pooling: 1x2
        Neuronas en la capa oculta: 96
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 10
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.898886239528656
        Acierto en la validación promedio: 0.8902148008346558
        Error en el entrenamiento promedio: 0.3001942511595335
        Error en la validación promedio: 0.5520517302785949
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 5
        Cantidad de filtros: 32
        Dimensión de los filtros: 1x3
        Dimensión del pooling: 1x2
        Neuronas en la capa oculta: 96
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 10
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.8326571106910705
        Acierto en la validación promedio: 0.8821002602577209
        Error en el entrenamiento promedio: 0.4969421165559217
        Error en la validación promedio: 0.5341547227180847

Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 102
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 5
        Cantidad de filtros: 32
        Dimensión de los filtros: 1x3
        Dimensión del pooling: 1x2
        Neuronas en la capa oculta: 96
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 10
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.8800716161727905
        Acierto en la validación promedio: 0.8851233124732971
        Error en el entrenamiento promedio: 0.35781664717927664
        Error en la validación promedio: 0.5499938253073248

Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 302
        Longitud de los ejemplos: 300
        Top de palabras frecuentes utilizadas: 64
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 16
        Dimensión de los filtros: 1x3
        Dimensión del pooling: 1x2
        Neuronas en la capa oculta: 20
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.3473746955394745
        Acierto en la validación promedio: 0.3910899043083191
        Error en el entrenamiento promedio: 1.9086272449178552
        Error en la validación promedio: 1.9696263050786444
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 300
        Top de palabras frecuentes utilizadas: 64
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 16
        Dimensión de los filtros: 1x3
        Dimensión del pooling: 1x2
        Neuronas en la capa oculta: 20
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.470326179265976
        Acierto en la validación promedio: 0.4518695294857025
        Error en el entrenamiento promedio: 1.4995433787647086
        Error en la validación promedio: 1.5908757271800804
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 300
        Top de palabras frecuentes utilizadas: 64
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: 1x3
        Dimensión del pooling: 1x2
        Neuronas en la capa oculta: 20
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.447772479057312
        Acierto en la validación promedio: 0.4254574358463287
        Error en el entrenamiento promedio: 1.556993713868262
        Error en la validación promedio: 1.534515559891433
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 300
        Top de palabras frecuentes utilizadas: 64
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: 1x3
        Dimensión del pooling: 1x2
        Neuronas en la capa oculta: 20
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.4642800271511078
        Acierto en la validación promedio: 0.45473349690437315
        Error en el entrenamiento promedio: 1.5258184314627636
        Error en la validación promedio: 1.571281751034842
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 3000
        Top de palabras frecuentes utilizadas: 1500
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: 1x3
        Dimensión del pooling: 1x2
        Neuronas en la capa oculta: 20
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.43317422866821287
        Acierto en la validación promedio: 0.456165486574173
        Error en el entrenamiento promedio: 1.6328743228859242
        Error en la validación promedio: 1.7356177970921132
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 20
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.47036594748497007
        Acierto en la validación promedio: 0.5249005675315856
        Error en el entrenamiento promedio: 1.4704402604459674
        Error en la validación promedio: 1.3992074688749836
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: (3, 3)
        Dimensión del pooling: (2, 2)
        Neuronas en la capa oculta: 20
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.4719968199729919
        Acierto en la validación promedio: 0.5032617330551148
        Error en el entrenamiento promedio: 1.4937168691778524
        Error en la validación promedio: 1.4088671837046494
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6144
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros: (sin dropouts)
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 20
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.8144544005393982
        Acierto en la validación promedio: 0.7079804539680481
        Error en el entrenamiento promedio: 0.5870705904663579
        Error en la validación promedio: 1.5758467780602095
		
Características de los datos de entrada:
        Cantidad de ejemplos: 3144
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 20
        Neuronas en la capa de salida: 20
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.6039012730121612
        Acierto en la validación promedio: 0.4901273846626282
        Error en el entrenamiento promedio: 1.025952261534466
        Error en la validación promedio: 1.632422042956018
		
Características de los datos de entrada:
        Cantidad de ejemplos: 3144
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 12
        Neuronas en la capa de salida: 12
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.47141720056533815
        Acierto en la validación promedio: 0.4222929835319519
        Error en el entrenamiento promedio: 1.3903996254987776
        Error en la validación promedio: 1.6906046326752684

Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 30
        Neuronas en la capa de salida: 30
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9236276865005493
        Acierto en la validación promedio: 0.7922036528587342
        Error en el entrenamiento promedio: 0.26206360705324294
        Error en la validación promedio: 1.5100039358746464
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 2
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 30
        Neuronas en la capa de salida: 30
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9440731883049012
        Acierto en la validación promedio: 0.7984089136123658
        Error en el entrenamiento promedio: 0.20662380573965827
        Error en la validación promedio: 1.3686400526676654
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 2
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 90
        Neuronas en la capa de salida: 30
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9847653150558472
        Acierto en la validación promedio: 0.8284805059432984
        Error en el entrenamiento promedio: 0.06789735203894862
        Error en la validación promedio: 1.3158979760692584
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 2
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 120
        Neuronas en la capa de salida: 30
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9858392953872681
        Acierto en la validación promedio: 0.8243436694145203
        Error en el entrenamiento promedio: 0.0630145729329291
        Error en la validación promedio: 1.351629829428669
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 2
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 60
        Neuronas en la capa de salida: 30
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9854017496109009
        Acierto en la validación promedio: 0.8217979311943054
        Error en el entrenamiento promedio: 0.06798133847474838
        Error en la validación promedio: 1.319229131932285
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 2
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 90
        Neuronas en la capa de salida: 30
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9863961815834046
        Acierto en la validación promedio: 0.8233890175819397
        Error en el entrenamiento promedio: 0.05329862114326552
        Error en la validación promedio: 1.44472636384156
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.5
        Cantidad de convoluciones y poolings: 2
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 90
        Neuronas en la capa de salida: 30
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9725536942481995
        Acierto en la validación promedio: 0.8254574418067933
        Error en el entrenamiento promedio: 0.10349380477105971
        Error en la validación promedio: 1.172367307034009
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.2
        Cantidad de convoluciones y poolings: 2
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 90
        Neuronas en la capa de salida: 30
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9828162312507629
        Acierto en la validación promedio: 0.8248210072517395
        Error en el entrenamiento promedio: 0.07277279715276011
        Error en la validación promedio: 1.2843703346112085
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.2
        Cantidad de convoluciones y poolings: 2
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 90
        Neuronas en la capa de salida: 30
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9778838515281677
        Acierto en la validación promedio: 0.8167064309120178
        Error en el entrenamiento promedio: 0.09249318662827853
        Error en la validación promedio: 1.3642459097393183
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.2
        Cantidad de convoluciones y poolings: 2
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 90
        Neuronas en la capa de salida: 30
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9679793238639831
        Acierto en la validación promedio: 0.8098647475242615
        Error en el entrenamiento promedio: 0.11784288646288768
        Error en la validación promedio: 1.3796148964194264
		
Acierto en el entrenamiento promedio: 0.9779634118080139
        Acierto en la validación promedio: 0.8197295069694519
        Error en el entrenamiento promedio: 0.07826277768612519
        Error en la validación promedio: 1.169252456617953
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.2
        Cantidad de convoluciones y poolings: 2
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 90
        Neuronas en la capa de salida: 30
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.961933183670044
        Acierto en la validación promedio: 0.820525062084198
        Error en el entrenamiento promedio: 0.11884791923069313
        Error en la validación promedio: 1.1718253386060966
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.7
        Cantidad de convoluciones y poolings: 2
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 90
        Neuronas en la capa de salida: 30
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.5988066911697387
        Acierto en la validación promedio: 0.6397772431373596
        Error en el entrenamiento promedio: 1.2003979569498093
        Error en la validación promedio: 1.1544174982805335
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.4
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 30
        Neuronas en la capa de salida: 30
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.5500000059604645
        Acierto en la validación promedio: 0.5925159186124802
        Error en el entrenamiento promedio: 1.605037543694347
        Error en la validación promedio: 1.6229247526758037
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.4
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: (3, 3)
        Dimensión del pooling: (2, 2)
        Neuronas en la capa oculta: 30
        Neuronas en la capa de salida: 30
        Velocidad de aprendizaje: 1e-05
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
        Particiones con superposición: False
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.42136038541793824
        Acierto en la validación promedio: 0.551471757888794
        Error en el entrenamiento promedio: 2.0248103711940795
        Error en la validación promedio: 1.706677534718692
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.4
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 30
        Neuronas en la capa de salida: 30
        Velocidad de aprendizaje: 1e-05
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
        Particiones con superposición: False
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.41288782954216
        Acierto en la validación promedio: 0.47159904837608335
        Error en el entrenamiento promedio: 2.0161096477280935
        Error en la validación promedio: 1.7853107650600546
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.4
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 30
        Neuronas en la capa de salida: 30
        Velocidad de aprendizaje: 1e-05
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
        Particiones con superposición: False
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.40163086652755736
        Acierto en la validación promedio: 0.4793953776359558
        Error en el entrenamiento promedio: 2.060181221169143
        Error en la validación promedio: 1.7955559197265
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.4
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 30
        Neuronas en la capa de salida: 30
        Velocidad de aprendizaje: 1e-05
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
        Particiones con superposición: False
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.5062450289726257
        Acierto en la validación promedio: 0.6092283248901367
        Error en el entrenamiento promedio: 1.7341144904885486
        Error en la validación promedio: 1.5508169067977626
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.4
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 90
        Neuronas en la capa de salida: 30
        Velocidad de aprendizaje: 1e-05
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
        Particiones con superposición: False
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.7070803642272949
        Acierto en la validación promedio: 0.7035799503326416
        Error en el entrenamiento promedio: 0.9966762969013994
        Error en la validación promedio: 1.0176743728733288
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.4
        Cantidad de convoluciones y poolings: 2
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 90
        Neuronas en la capa de salida: 30
        Velocidad de aprendizaje: 1e-05
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
        Particiones con superposición: False
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.5784009456634521
        Acierto en la validación promedio: 0.6042959332466126
        Error en el entrenamiento promedio: 1.4246384573343167
        Error en la validación promedio: 1.3631483444355743
		
Características de los datos de entrada:
        Cantidad de ejemplos: 6288
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 103
Parámetros:
        Dropout: 0.4
        Cantidad de convoluciones y poolings: 3
        Cantidad de filtros: 8
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 90
        Neuronas en la capa de salida: 30
        Velocidad de aprendizaje: 1e-06
        Cantidad de épocas: 15
        Dimensión batch: 32
        Cantidad de particiones: 5
        Particiones con superposición: False
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.39140811562538147
        Acierto en la validación promedio: 0.4416865587234497
        Error en el entrenamiento promedio: 2.207411382647858
        Error en la validación promedio: 2.1547689770172775
		
Características de los datos de entrada:
        Cantidad de ejemplos: 4275
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 1
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 20
        Dimensión batch: 32
        Cantidad de particiones: 5
        Particiones con superposición: False
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9842690110206604
                Acierto en el entrenamiento en la partición 1: 0.9865497350692749
                Acierto en el entrenamiento en la partición 2: 0.9526315927505493
                Acierto en el entrenamiento en la partición 3: 0.9944444298744202
                Acierto en el entrenamiento en la partición 4: 0.9915204644203186
                Acierto en el entrenamiento en la partición 5: 0.996198832988739
        Acierto en la validación promedio: 0.8070175409317016
                Acierto en la validación en la partición 1: 0.9228070378303528
                Acierto en la validación en la partición 2: 0.832748532295227
                Acierto en la validación en la partición 3: 0.7602339386940002
                Acierto en la validación en la partición 4: 0.722806990146637
                Acierto en la validación en la partición 5: 0.7964912056922913
        Error en el entrenamiento promedio: 0.0509917220270686
                Error en el entrenamiento en la partición 1: 0.04669141495567665
                Error en el entrenamiento en la partición 2: 0.14568204440786475
                Error en el entrenamiento en la partición 3: 0.020348259541941315
                Error en el entrenamiento en la partición 4: 0.02491646330988808
                Error en el entrenamiento en la partición 5: 0.017320427919972188
        Error en la validación promedio: 1.1423830416662433
                Error en la validación en la partición 1: 0.44873387154071914
                Error en la validación en la partición 2: 0.8136311558254978
                Error en la validación en la partición 3: 1.3129654774888915
                Error en la validación en la partición 4: 1.810087832233362
                Error en la validación en la partición 5: 1.3264968712427463
				
Características de los datos de entrada:
        Cantidad de ejemplos: 4275
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 1
        Dimensión de los filtros: (1, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 10
        Dimensión batch: 16
        Cantidad de particiones: 5
        Particiones con superposición: False
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.940175449848175
                Acierto en el entrenamiento en la partición 1: 0.9783625602722168
                Acierto en el entrenamiento en la partición 2: 0.9786549806594849
                Acierto en el entrenamiento en la partición 3: 0.9459064602851868
                Acierto en el entrenamiento en la partición 4: 0.8160818815231323
                Acierto en el entrenamiento en la partición 5: 0.9818713665008545
        Acierto en la validación promedio: 0.7819883227348328
                Acierto en la validación en la partición 1: 0.871345043182373
                Acierto en la validación en la partición 2: 0.8292397856712341
                Acierto en la validación en la partición 3: 0.7801169753074646
                Acierto en la validación en la partición 4: 0.6467836499214172
                Acierto en la validación en la partición 5: 0.7824561595916748
        Error en el entrenamiento promedio: 0.22788735579459635
                Error en el entrenamiento en la partición 1: 0.10622602555007614
                Error en el entrenamiento en la partición 2: 0.09404932704498196
                Error en el entrenamiento en la partición 3: 0.20109707141044544
                Error en el entrenamiento en la partición 4: 0.6399866734331812
                Error en el entrenamiento en la partición 5: 0.09807768153429729
        Error en la validación promedio: 1.0072720966143913
                Error en la validación en la partición 1: 0.6593153798789309
                Error en la validación en la partición 2: 0.8486717586628875
                Error en la validación en la partición 3: 1.1377123666785613
                Error en la validación en la partición 4: 1.4350996513812864
                Error en la validación en la partición 5: 0.9555613264702914
				
Características de los datos de entrada:
        Cantidad de ejemplos: 4275
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0
        Cantidad de convoluciones y poolings: 1
        Cantidad de filtros: 34
        Dimensión de los filtros: (52, 3)
        Dimensión del pooling: (1, 2)
        Neuronas en la capa oculta: 90
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 10
        Dimensión batch: 32
        Cantidad de particiones: 5
        Particiones con superposición: False
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9909356713294983
                Acierto en el entrenamiento en la partición 1: 0.9859648942947388
                Acierto en el entrenamiento en la partición 2: 0.9944444298744202
                Acierto en el entrenamiento en la partición 3: 0.9903509020805359
                Acierto en el entrenamiento en la partición 4: 0.9918128848075867
                Acierto en el entrenamiento en la partición 5: 0.99210524559021
        Acierto en la validación promedio: 0.8093567371368409
                Acierto en la validación en la partición 1: 0.8959064483642578
                Acierto en la validación en la partición 2: 0.8315789699554443
                Acierto en la validación en la partición 3: 0.8023391962051392
                Acierto en la validación en la partición 4: 0.75789475440979
                Acierto en la validación en la partición 5: 0.7590643167495728
        Error en el entrenamiento promedio: 0.05663200675558887
                Error en el entrenamiento en la partición 1: 0.07558622789182509
                Error en el entrenamiento en la partición 2: 0.0505946960594309
                Error en el entrenamiento en la partición 3: 0.06276144120101518
                Error en el entrenamiento en la partición 4: 0.04155269654641985
                Error en el entrenamiento en la partición 5: 0.05266497207925334
        Error en la validación promedio: 1.1572881511707753
                Error en la validación en la partición 1: 0.6500139835982295
                Error en la validación en la partición 2: 1.1791066606839498
                Error en la validación en la partición 3: 1.1069643483524434
                Error en la validación en la partición 4: 1.4007949260243198
                Error en la validación en la partición 5: 1.4495608371949336
				
Características de los datos de entrada:
        Cantidad de ejemplos: 3144
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0.2
        Cantidad de convoluciones: 1
        Cantidad de filtros: 100
        Dimensión de los kernels: 3
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
        Particiones con superposición: False
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9220541477203369
                Acierto en el entrenamiento en la partición 1: 0.9148089289665222
                Acierto en el entrenamiento en la partición 2: 0.9231687784194946
                Acierto en el entrenamiento en la partición 3: 0.912420392036438
                Acierto en el entrenamiento en la partición 4: 0.9243630766868591
                Acierto en el entrenamiento en la partición 5: 0.9355095624923706
        Acierto en la validación promedio: 0.8105095386505127
                Acierto en la validación en la partición 1: 0.941082775592804
                Acierto en la validación en la partición 2: 0.8646496534347534
                Acierto en la validación en la partición 3: 0.8025477528572083
                Acierto en la validación en la partición 4: 0.7531847357749939
                Acierto en la validación en la partición 5: 0.691082775592804
        Error en el entrenamiento promedio: 0.2191023795990048
                Error en el entrenamiento en la partición 1: 0.2440921114223778
                Error en el entrenamiento en la partición 2: 0.22196128608504678
                Error en el entrenamiento en la partición 3: 0.2319533880681369
                Error en el entrenamiento en la partición 4: 0.21187372031105553
                Error en el entrenamiento en la partición 5: 0.18563139210840698
        Error en la validación promedio: 1.0836648964768003
                Error en la validación en la partición 1: 0.3099375022634579
                Error en la validación en la partición 2: 0.7362341138587636
                Error en la validación en la partición 3: 1.1017877465220773
                Error en la validación en la partición 4: 1.4311874550618944
                Error en la validación en la partición 5: 1.8391776646778082
				
Características de los datos de entrada:
        Cantidad de ejemplos: 4701
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 150
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 200
        Dimensión de los kernels: 3
        Neuronas en la capa oculta: 256
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 20
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.511752188205719
                Acierto en el entrenamiento en la partición 1: 0.5283169150352478
                Acierto en el entrenamiento en la partición 2: 0.5107684135437012
                Acierto en el entrenamiento en la partición 3: 0.5147567391395569
                Acierto en el entrenamiento en la partición 4: 0.49215632677078247
                Acierto en el entrenamiento en la partición 5: 0.4953469932079315
                Acierto en el entrenamiento en la partición 6: 0.5150225758552551
                Acierto en el entrenamiento en la partición 7: 0.5299122333526611
                Acierto en el entrenamiento en la partición 8: 0.4902951419353485
                Acierto en el entrenamiento en la partición 9: 0.5416112542152405
                Acierto en el entrenamiento en la partición 10: 0.49933528900146484
        Acierto en la validación promedio: 0.524042546749115
                Acierto en la validación en la partición 1: 0.5021276473999023
                Acierto en la validación en la partición 2: 0.5117021203041077
                Acierto en la validación en la partición 3: 0.5106382966041565
                Acierto en la validación en la partición 4: 0.5127659440040588
                Acierto en la validación en la partición 5: 0.5372340679168701
                Acierto en la validación en la partición 6: 0.535106360912323
                Acierto en la validación en la partición 7: 0.5553191304206848
                Acierto en la validación en la partición 8: 0.5414893627166748
                Acierto en la validación en la partición 9: 0.5319148898124695
                Acierto en la validación en la partición 10: 0.5021276473999023
        Acierto en la prueba promedio: 0.520977258682251
                Acierto en la prueba en la partición 1: 0.5122156739234924
                Acierto en la prueba en la partición 2: 0.5189553499221802
                Acierto en la prueba en la partición 3: 0.5054759979248047
                Acierto en la prueba en la partición 4: 0.5164279937744141
                Acierto en la prueba en la partición 5: 0.5223252177238464
                Acierto en la prueba en la partición 6: 0.5214827060699463
                Acierto en la prueba en la partición 7: 0.5299073457717896
                Acierto en la prueba en la partición 8: 0.5223252177238464
                Acierto en la prueba en la partición 9: 0.5467565059661865
                Acierto en la prueba en la partición 10: 0.5139005780220032
				
Características de los datos de entrada:
        Cantidad de ejemplos: 2501
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (3, 4, 5)
        Neuronas en la capa oculta: 100
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 500
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.4521239370107651
                Acierto en el entrenamiento en la partición 1: 0.4792603552341461
                Acierto en el entrenamiento en la partición 2: 0.4127936065196991
                Acierto en el entrenamiento en la partición 3: 0.48025986552238464
                Acierto en el entrenamiento en la partición 4: 0.4512743651866913
                Acierto en el entrenamiento en la partición 5: 0.3278360962867737
                Acierto en el entrenamiento en la partición 6: 0.48575711250305176
                Acierto en el entrenamiento en la partición 7: 0.4722638726234436
                Acierto en el entrenamiento en la partición 8: 0.4797601103782654
                Acierto en el entrenamiento en la partición 9: 0.4342828691005707
                Acierto en el entrenamiento en la partición 10: 0.4977511167526245
        Acierto en la validación promedio: 0.4717999964952469
                Acierto en la validación en la partición 1: 0.5199999809265137
                Acierto en la validación en la partición 2: 0.46399998664855957
                Acierto en la validación en la partición 3: 0.5040000081062317
                Acierto en la validación en la partición 4: 0.48399999737739563
                Acierto en la validación en la partición 5: 0.3799999952316284
                Acierto en la validación en la partición 6: 0.5019999742507935
                Acierto en la validación en la partición 7: 0.49000000953674316
                Acierto en la validación en la partición 8: 0.492000013589859
                Acierto en la validación en la partición 9: 0.4000000059604645
                Acierto en la validación en la partición 10: 0.4819999933242798
        Acierto en la prueba promedio: 0.4642301708459854
                Acierto en la prueba en la partición 1: 0.4805598855018616
                Acierto en la prueba en la partición 2: 0.44012442231178284
                Acierto en la prueba en la partición 3: 0.47122862935066223
                Acierto en la prueba en la partición 4: 0.4432348310947418
                Acierto en la prueba en la partición 5: 0.4152410626411438
                Acierto en la prueba en la partición 6: 0.5194401144981384
                Acierto en la prueba en la partición 7: 0.48522549867630005
                Acierto en la prueba en la partición 8: 0.46656298637390137
                Acierto en la prueba en la partición 9: 0.45412129163742065
                Acierto en la prueba en la partición 10: 0.46656298637390137

Características de los datos de entrada:
        Cantidad de ejemplos: 2501
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0.2
        Cantidad de filtros: 100
        Dimensión de los kernels: 3
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.7066466808319092
                Acierto en el entrenamiento en la partición 1: 0.7176411747932434
                Acierto en el entrenamiento en la partición 2: 0.7041479349136353
                Acierto en el entrenamiento en la partición 3: 0.7246376872062683
                Acierto en el entrenamiento en la partición 4: 0.6836581826210022
                Acierto en el entrenamiento en la partición 5: 0.7031484246253967
        Acierto en la validación promedio: 0.5392000079154968
                Acierto en la validación en la partición 1: 0.5680000185966492
                Acierto en la validación en la partición 2: 0.5339999794960022
                Acierto en la validación en la partición 3: 0.5440000295639038
                Acierto en la validación en la partición 4: 0.5440000295639038
                Acierto en la validación en la partición 5: 0.5059999823570251
        Acierto en la prueba promedio: 0.5222395181655883
                Acierto en la prueba en la partición 1: 0.5194401144981384
                Acierto en la prueba en la partición 2: 0.5256609916687012
                Acierto en la prueba en la partición 3: 0.5427682995796204
                Acierto en la prueba en la partición 4: 0.5132192969322205
                Acierto en la prueba en la partición 5: 0.5101088881492615
				
Características de los datos de entrada:
        Cantidad de ejemplos: 2501
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0.2
        Cantidad de filtros: 100
        Dimensión de los kernels: 3
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.7562218904495239
                Acierto en el entrenamiento en la partición 1: 0.7396301627159119
                Acierto en el entrenamiento en la partición 2: 0.7271364331245422
                Acierto en el entrenamiento en la partición 3: 0.7881059646606445
                Acierto en el entrenamiento en la partición 4: 0.7791104316711426
                Acierto en el entrenamiento en la partición 5: 0.7471264600753784
        Acierto en la validación promedio: 0.6004000067710876
                Acierto en la validación en la partición 1: 0.5799999833106995
                Acierto en la validación en la partición 2: 0.5860000252723694
                Acierto en la validación en la partición 3: 0.6159999966621399
                Acierto en la validación en la partición 4: 0.6200000047683716
                Acierto en la validación en la partición 5: 0.6000000238418579
        Acierto en la prueba promedio: 0.5919129252433777
                Acierto en la prueba en la partición 1: 0.5925350189208984
                Acierto en la prueba en la partición 2: 0.5925350189208984
                Acierto en la prueba en la partición 3: 0.5940902233123779
                Acierto en la prueba en la partición 4: 0.5972006320953369
                Acierto en la prueba en la partición 5: 0.5832037329673767

Características de los datos de entrada:
        Cantidad de ejemplos: 2501
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0.2
        Cantidad de filtros: 100
        Dimensión de los kernels: 3
        Neuronas en la capa oculta: 30
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.7605197548866272
                Acierto en el entrenamiento en la partición 1: 0.7616192102432251
                Acierto en el entrenamiento en la partición 2: 0.7211394309997559
                Acierto en el entrenamiento en la partición 3: 0.7616192102432251
                Acierto en el entrenamiento en la partición 4: 0.7856072187423706
                Acierto en el entrenamiento en la partición 5: 0.7726137042045593
        Acierto en la validación promedio: 0.6251999974250794
                Acierto en la validación en la partición 1: 0.6200000047683716
                Acierto en la validación en la partición 2: 0.6340000033378601
                Acierto en la validación en la partición 3: 0.6200000047683716
                Acierto en la validación en la partición 4: 0.6259999871253967
                Acierto en la validación en la partición 5: 0.6259999871253967
        Acierto en la prueba promedio: 0.5822706103324891
                Acierto en la prueba en la partición 1: 0.5754277110099792
                Acierto en la prueba en la partición 2: 0.5878693461418152
                Acierto en la prueba en la partición 3: 0.5847589373588562
                Acierto en la prueba en la partición 4: 0.5878693461418152
                Acierto en la prueba en la partición 5: 0.5754277110099792
				
Características de los datos de entrada:
        Cantidad de ejemplos: 4856
        Dimension del embedding: 52
        Longitud de los ejemplos: 500
        Top de palabras frecuentes utilizadas: 100
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: 3
        Neuronas en la capa oculta: 256
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 29
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 1000
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.4854054093360901
                Acierto en el entrenamiento en la partición 1: 0.4823680818080902
                Acierto en el entrenamiento en la partición 2: 0.48494207859039307
                Acierto en el entrenamiento en la partición 3: 0.48082369565963745
                Acierto en el entrenamiento en la partición 4: 0.48365509510040283
                Acierto en el entrenamiento en la partición 5: 0.4952380955219269
        Acierto en la validación promedio: 0.5040164709091186
                Acierto en la validación en la partición 1: 0.503604531288147
                Acierto en la validación en la partición 2: 0.5139032006263733
                Acierto en la validación en la partición 3: 0.49536558985710144
                Acierto en la validación en la partición 4: 0.5303810238838196
                Acierto en la validación en la partición 5: 0.476828008890152
        Acierto en la prueba promedio: 0.5056818068027497
                Acierto en la prueba en la partición 1: 0.5097402334213257
                Acierto en la prueba en la partición 2: 0.4975649416446686
                Acierto en la prueba en la partición 3: 0.49918830394744873
                Acierto en la prueba en la partición 4: 0.5170454382896423
                Acierto en la prueba en la partición 5: 0.5048701167106628
				
Características de los datos de entrada:
        Cantidad de ejemplos cargados: 5888
        Cantidad de ejemplos con la etiqueta sin_interacción: 2944
        Cantidad de ejemplos utilizados para entrenar: 3768
        Cantidad de ejemplos utilizados para validar: 942
        Cantidad de ejemplos utilizados para probar: 1178
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 90
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 5
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.9996284425258637
                Acierto en el entrenamiento en la partición 1: 0.9997345805168152
                Acierto en el entrenamiento en la partición 2: 0.9989384412765503
                Acierto en el entrenamiento en la partición 3: 0.9997345805168152
                Acierto en el entrenamiento en la partición 4: 0.9994692206382751
                Acierto en el entrenamiento en la partición 5: 0.9994692206382751
                Acierto en el entrenamiento en la partición 6: 1.0
                Acierto en el entrenamiento en la partición 7: 0.9994692206382751
                Acierto en el entrenamiento en la partición 8: 1.0
                Acierto en el entrenamiento en la partición 9: 0.9997345805168152
                Acierto en el entrenamiento en la partición 10: 0.9997345805168152
        Acierto en la validación promedio: 1.0
                Acierto en la validación en la partición 1: 1.0
                Acierto en la validación en la partición 2: 1.0
                Acierto en la validación en la partición 3: 1.0
                Acierto en la validación en la partición 4: 1.0
                Acierto en la validación en la partición 5: 1.0
                Acierto en la validación en la partición 6: 1.0
                Acierto en la validación en la partición 7: 1.0
                Acierto en la validación en la partición 8: 1.0
                Acierto en la validación en la partición 9: 1.0
                Acierto en la validación en la partición 10: 1.0
        Acierto en la prueba promedio: 1.0
                Acierto en la prueba en la partición 1: 1.0
                Acierto en la prueba en la partición 2: 1.0
                Acierto en la prueba en la partición 3: 1.0
                Acierto en la prueba en la partición 4: 1.0
                Acierto en la prueba en la partición 5: 1.0
                Acierto en la prueba en la partición 6: 1.0
                Acierto en la prueba en la partición 7: 1.0
                Acierto en la prueba en la partición 8: 1.0
                Acierto en la prueba en la partición 9: 1.0
                Acierto en la prueba en la partición 10: 1.0

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3180
        Cantidad de ejemplos utilizados para validar: 794
        Cantidad de ejemplos utilizados para probar: 0
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16)
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 20
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.6636163651943207
                Acierto en el entrenamiento en la partición 1: 0.6603773832321167
                Acierto en el entrenamiento en la partición 2: 0.694654107093811
                Acierto en el entrenamiento en la partición 3: 0.7292453050613403
                Acierto en el entrenamiento en la partición 4: 0.6440251469612122
                Acierto en el entrenamiento en la partición 5: 0.6553459167480469
                Acierto en el entrenamiento en la partición 6: 0.6531446576118469
                Acierto en el entrenamiento en la partición 7: 0.647484302520752
                Acierto en el entrenamiento en la partición 8: 0.6682389974594116
                Acierto en el entrenamiento en la partición 9: 0.6361635327339172
                Acierto en el entrenamiento en la partición 10: 0.647484302520752
        Acierto en la validación promedio: 0.6317380368709564
                Acierto en la validación en la partición 1: 0.6070529222488403
                Acierto en la validación en la partición 2: 0.6473551392555237
                Acierto en la validación en la partición 3: 0.6536523699760437
                Acierto en la validación en la partición 4: 0.6246851682662964
                Acierto en la validación en la partición 5: 0.6196473836898804
                Acierto en la validación en la partición 6: 0.6826196312904358
                Acierto en la validación en la partición 7: 0.6272040009498596
                Acierto en la validación en la partición 8: 0.6347606778144836
                Acierto en la validación en la partición 9: 0.6108312606811523
                Acierto en la validación en la partición 10: 0.6095718145370483

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3180
        Cantidad de ejemplos utilizados para validar: 794
        Cantidad de ejemplos utilizados para probar: 0
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16)
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 19
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento promedio: 0.6393396198749542
                Acierto en el entrenamiento en la partición 1: 0.6198112964630127
                Acierto en el entrenamiento en la partición 2: 0.6811320781707764
                Acierto en el entrenamiento en la partición 3: 0.6034591197967529
                Acierto en el entrenamiento en la partición 4: 0.597169816493988
                Acierto en el entrenamiento en la partición 5: 0.6113207340240479
                Acierto en el entrenamiento en la partición 6: 0.6732704639434814
                Acierto en el entrenamiento en la partición 7: 0.6283018589019775
                Acierto en el entrenamiento en la partición 8: 0.7075471878051758
                Acierto en el entrenamiento en la partición 9: 0.6261005997657776
                Acierto en el entrenamiento en la partición 10: 0.645283043384552
        Acierto en la validación promedio: 0.6196473479270935
                Acierto en la validación en la partición 1: 0.6448362469673157
                Acierto en la validación en la partición 2: 0.6322417855262756
                Acierto en la validación en la partición 3: 0.5743073225021362
                Acierto en la validación en la partición 4: 0.5894206762313843
                Acierto en la validación en la partición 5: 0.6511334776878357
                Acierto en la validación en la partición 6: 0.6637279391288757
                Acierto en la validación en la partición 7: 0.6360201239585876
                Acierto en la validación en la partición 8: 0.6498740315437317
                Acierto en la validación en la partición 9: 0.5793451070785522
                Acierto en la validación en la partición 10: 0.5755667686462402

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3180
        Cantidad de ejemplos utilizados para validar: 794
        Cantidad de ejemplos utilizados para probar: 0
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16)
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 18
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.653364771604538
        Acierto en el entrenamiento - desvío: 0.04599373968701741
                Acierto en el entrenamiento en la partición 1: 0.6283018589019775
                Acierto en el entrenamiento en la partición 2: 0.7188678979873657
                Acierto en el entrenamiento en la partición 3: 0.6182389855384827
                Acierto en el entrenamiento en la partición 4: 0.650628924369812
                Acierto en el entrenamiento en la partición 5: 0.5959119200706482
                Acierto en el entrenamiento en la partición 6: 0.6606917977333069
                Acierto en el entrenamiento en la partición 7: 0.7245283126831055
                Acierto en el entrenamiento en la partición 8: 0.6232704520225525
                Acierto en el entrenamiento en la partición 9: 0.6034591197967529
                Acierto en el entrenamiento en la partición 10: 0.7097484469413757
        Acierto en la validación - media: 0.6134760737419128
        Acierto en el validación - desvío: 0.028611586927311226
                Acierto en la validación en la partición 1: 0.6007556915283203
                Acierto en la validación en la partición 2: 0.6624684929847717
                Acierto en la validación en la partición 3: 0.5843828916549683
                Acierto en la validación en la partición 4: 0.6284634470939636
                Acierto en la validación en la partición 5: 0.5730478763580322
                Acierto en la validación en la partición 6: 0.6360201239585876
                Acierto en la validación en la partición 7: 0.6460956931114197
                Acierto en la validación en la partición 8: 0.6146095991134644
                Acierto en la validación en la partición 9: 0.5768262147903442
                Acierto en la validación en la partición 10: 0.6120907068252563

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3180
        Cantidad de ejemplos utilizados para validar: 794
        Cantidad de ejemplos utilizados para probar: 0
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16)
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.6481760919094086
        Acierto en el entrenamiento - desvío: 0.02243343886146766
                Acierto en el entrenamiento en la partición 1: 0.6669811606407166
                Acierto en el entrenamiento en la partición 2: 0.6569182276725769
                Acierto en el entrenamiento en la partición 3: 0.6566037535667419
                Acierto en el entrenamiento en la partición 4: 0.6355345845222473
                Acierto en el entrenamiento en la partición 5: 0.647169828414917
                Acierto en el entrenamiento en la partición 6: 0.6691823601722717
                Acierto en el entrenamiento en la partición 7: 0.601257860660553
                Acierto en el entrenamiento en la partición 8: 0.6713836193084717
                Acierto en el entrenamiento en la partición 9: 0.6606917977333069
                Acierto en el entrenamiento en la partición 10: 0.6160377264022827
        Acierto en la validación - media: 0.6210327506065368
        Acierto en el validación - desvío: 0.01900426539814407
                Acierto en la validación en la partición 1: 0.6196473836898804
                Acierto en la validación en la partición 2: 0.6234257221221924
                Acierto en la validación en la partición 3: 0.6083123683929443
                Acierto en la validación en la partición 4: 0.6146095991134644
                Acierto en la validación en la partición 5: 0.6335012316703796
                Acierto en la validación en la partición 6: 0.6347606778144836
                Acierto en la validación en la partición 7: 0.6146095991134644
                Acierto en la validación en la partición 8: 0.6335012316703796
                Acierto en la validación en la partición 9: 0.6511334776878357
                Acierto en la validación en la partición 10: 0.5768262147903442

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3180
        Cantidad de ejemplos utilizados para validar: 794
        Cantidad de ejemplos utilizados para probar: 0
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16)
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 16
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.6540251612663269
        Acierto en el entrenamiento - desvío: 0.046073157910225794
                Acierto en el entrenamiento en la partición 1: 0.6150943636894226
                Acierto en el entrenamiento en la partición 2: 0.6125786304473877
                Acierto en el entrenamiento en la partición 3: 0.6858490705490112
                Acierto en el entrenamiento en la partición 4: 0.6801886558532715
                Acierto en el entrenamiento en la partición 5: 0.6147798895835876
                Acierto en el entrenamiento en la partición 6: 0.7261006236076355
                Acierto en el entrenamiento en la partición 7: 0.6399371027946472
                Acierto en el entrenamiento en la partición 8: 0.5877358317375183
                Acierto en el entrenamiento en la partición 9: 0.7031446695327759
                Acierto en el entrenamiento en la partición 10: 0.6748427748680115
        Acierto en la validación - media: 0.6186398088932037
        Acierto en el validación - desvío: 0.014624989556348398
                Acierto en la validación en la partición 1: 0.6234257221221924
                Acierto en la validación en la partición 2: 0.5843828916549683
                Acierto en la validación en la partición 3: 0.6309823393821716
                Acierto en la validación en la partición 4: 0.6196473836898804
                Acierto en la validación en la partición 5: 0.6171284914016724
                Acierto en la validación en la partición 6: 0.6158690452575684
                Acierto en la validación en la partición 7: 0.6272040009498596
                Acierto en la validación en la partición 8: 0.6146095991134644
                Acierto en la validación en la partición 9: 0.6397984623908997
                Acierto en la validación en la partición 10: 0.6133501529693604

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3180
        Cantidad de ejemplos utilizados para validar: 794
        Cantidad de ejemplos utilizados para probar: 0
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16)
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 15
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.679308170080185
        Acierto en el entrenamiento - desvío: 0.04860698731364065
                Acierto en el entrenamiento en la partición 1: 0.6616352200508118
                Acierto en el entrenamiento en la partición 2: 0.6066038012504578
                Acierto en el entrenamiento en la partición 3: 0.705974817276001
                Acierto en el entrenamiento en la partición 4: 0.6198112964630127
                Acierto en el entrenamiento en la partición 5: 0.649056613445282
                Acierto en el entrenamiento en la partición 6: 0.7616352438926697
                Acierto en el entrenamiento en la partición 7: 0.6823899149894714
                Acierto en el entrenamiento en la partición 8: 0.6933962106704712
                Acierto en el entrenamiento en la partición 9: 0.6742138266563416
                Acierto en el entrenamiento en la partición 10: 0.7383647561073303
        Acierto en la validación - media: 0.6251889169216156
        Acierto en el validación - desvío: 0.028031576606790853
                Acierto en la validación en la partición 1: 0.6120907068252563
                Acierto en la validación en la partición 2: 0.6158690452575684
                Acierto en la validación en la partición 3: 0.6574307084083557
                Acierto en la validación en la partición 4: 0.6523929238319397
                Acierto en la validación en la partición 5: 0.6397984623908997
                Acierto en la validación en la partición 6: 0.6259445548057556
                Acierto en la validación en la partición 7: 0.6246851682662964
                Acierto en la validación en la partición 8: 0.6234257221221924
                Acierto en la validación en la partición 9: 0.5579345226287842
                Acierto en la validación en la partición 10: 0.6423173546791077

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3180
        Cantidad de ejemplos utilizados para validar: 794
        Cantidad de ejemplos utilizados para probar: 0
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16)
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 14
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.6497169733047485
        Acierto en el entrenamiento - desvío: 0.02960746043197591
                Acierto en el entrenamiento en la partición 1: 0.6716980934143066
                Acierto en el entrenamiento en la partición 2: 0.6672955751419067
                Acierto en el entrenamiento en la partición 3: 0.6682389974594116
                Acierto en el entrenamiento en la partición 4: 0.649056613445282
                Acierto en el entrenamiento en la partición 5: 0.6433961987495422
                Acierto en el entrenamiento en la partición 6: 0.6166666746139526
                Acierto en el entrenamiento en la partición 7: 0.606918215751648
                Acierto en el entrenamiento en la partición 8: 0.6676100492477417
                Acierto en el entrenamiento en la partición 9: 0.694654107093811
                Acierto en el entrenamiento en la partición 10: 0.6116352081298828
        Acierto en la validación - media: 0.6127204060554504
        Acierto en el validación - desvío: 0.0298585643917406
                Acierto en la validación en la partición 1: 0.6297228932380676
                Acierto en la validación en la partición 2: 0.6007556915283203
                Acierto en la validación en la partición 3: 0.6221662759780884
                Acierto en la validación en la partición 4: 0.6360201239585876
                Acierto en la validación en la partición 5: 0.5982367992401123
                Acierto en la validación en la partición 6: 0.6246851682662964
                Acierto en la validación en la partición 7: 0.5906801223754883
                Acierto en la validación en la partición 8: 0.6523929238319397
                Acierto en la validación en la partición 9: 0.6259445548057556
                Acierto en la validación en la partición 10: 0.5465995073318481

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3180
        Cantidad de ejemplos utilizados para validar: 794
        Cantidad de ejemplos utilizados para probar: 0
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16)
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 13
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.6541509449481964
        Acierto en el entrenamiento - desvío: 0.03340735133542255
                Acierto en el entrenamiento en la partición 1: 0.6462264060974121
                Acierto en el entrenamiento en la partición 2: 0.6059748530387878
                Acierto en el entrenamiento en la partición 3: 0.6232704520225525
                Acierto en el entrenamiento en la partición 4: 0.6610062718391418
                Acierto en el entrenamiento en la partición 5: 0.6977987289428711
                Acierto en el entrenamiento en la partición 6: 0.6783018708229065
                Acierto en el entrenamiento en la partición 7: 0.6289308071136475
                Acierto en el entrenamiento en la partición 8: 0.7056604027748108
                Acierto en el entrenamiento en la partición 9: 0.6669811606407166
                Acierto en el entrenamiento en la partición 10: 0.6273584961891174
        Acierto en la validación - media: 0.6158690273761749
        Acierto en el validación - desvío: 0.026571339252598174
                Acierto en la validación en la partición 1: 0.6234257221221924
                Acierto en la validación en la partición 2: 0.6007556915283203
                Acierto en la validación en la partición 3: 0.6020151376724243
                Acierto en la validación en la partición 4: 0.6196473836898804
                Acierto en la validación en la partición 5: 0.5717884302139282
                Acierto en la validación en la partición 6: 0.6020151376724243
                Acierto en la validación en la partición 7: 0.6549118161201477
                Acierto en la validación en la partición 8: 0.6586901545524597
                Acierto en la validación en la partición 9: 0.6259445548057556
                Acierto en la validación en la partición 10: 0.5994962453842163

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3180
        Cantidad de ejemplos utilizados para validar: 794
        Cantidad de ejemplos utilizados para probar: 0
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16)
        Neuronas en la capa oculta: 512
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 12
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.6479559659957885
        Acierto en el entrenamiento - desvío: 0.040878949490447264
                Acierto en el entrenamiento en la partición 1: 0.606918215751648
                Acierto en el entrenamiento en la partición 2: 0.6226415038108826
                Acierto en el entrenamiento en la partición 3: 0.6355345845222473
                Acierto en el entrenamiento en la partición 4: 0.6569182276725769
                Acierto en el entrenamiento en la partición 5: 0.6383647918701172
                Acierto en el entrenamiento en la partición 6: 0.6327043771743774
                Acierto en el entrenamiento en la partición 7: 0.7144653797149658
                Acierto en el entrenamiento en la partición 8: 0.7276729345321655
                Acierto en el entrenamiento en la partición 9: 0.6270440220832825
                Acierto en el entrenamiento en la partición 10: 0.6172956228256226
        Acierto en la validación - media: 0.6319899141788483
        Acierto en el validación - desvío: 0.03334716864207082
                Acierto en la validación en la partición 1: 0.5604534149169922
                Acierto en la validación en la partición 2: 0.6108312606811523
                Acierto en la validación en la partición 3: 0.6536523699760437
                Acierto en la validación en la partición 4: 0.6523929238319397
                Acierto en la validación en la partición 5: 0.6309823393821716
                Acierto en la validación en la partición 6: 0.6486145853996277
                Acierto en la validación en la partición 7: 0.6347606778144836
                Acierto en la validación en la partición 8: 0.6851385235786438
                Acierto en la validación en la partición 9: 0.6322417855262756
                Acierto en la validación en la partición 10: 0.6108312606811523

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3840
        Cantidad de ejemplos utilizados para validar: 960
        Cantidad de ejemplos utilizados para probar: 0
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 4, 5)
        Neuronas en la capa oculta: 90
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 10
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.5268750071525574
        Acierto en el entrenamiento - desvío: 0.007852711641206806
                Acierto en el entrenamiento en la partición 1: 0.5177083611488342
                Acierto en el entrenamiento en la partición 2: 0.5190104246139526
                Acierto en el entrenamiento en la partición 3: 0.5356770753860474
                Acierto en el entrenamiento en la partición 4: 0.5234375
                Acierto en el entrenamiento en la partición 5: 0.5270833373069763
                Acierto en el entrenamiento en la partición 6: 0.51953125
                Acierto en el entrenamiento en la partición 7: 0.530468761920929
                Acierto en el entrenamiento en la partición 8: 0.5317708253860474
                Acierto en el entrenamiento en la partición 9: 0.5414062738418579
                Acierto en el entrenamiento en la partición 10: 0.522656261920929
        Acierto en la validación - media: 0.6558333337306976
        Acierto en el validación - desvío: 0.014493763546537723
                Acierto en la validación en la partición 1: 0.6770833134651184
                Acierto en la validación en la partición 2: 0.6541666388511658
                Acierto en la validación en la partición 3: 0.6427083611488342
                Acierto en la validación en la partición 4: 0.6656249761581421
                Acierto en la validación en la partición 5: 0.668749988079071
                Acierto en la validación en la partición 6: 0.6489583253860474
                Acierto en la validación en la partición 7: 0.6354166865348816
                Acierto en la validación en la partición 8: 0.6625000238418579
                Acierto en la validación en la partición 9: 0.6364583373069763
                Acierto en la validación en la partición 10: 0.6666666865348816
        Acierto en la prueba promedio: 0.6548333287239074
                Acierto en la prueba en la partición 1: 0.6499999761581421
                Acierto en la prueba en la partición 2: 0.6725000143051147
                Acierto en la prueba en la partición 3: 0.6383333206176758
                Acierto en la prueba en la partición 4: 0.6491666436195374
                Acierto en la prueba en la partición 5: 0.6491666436195374
                Acierto en la prueba en la partición 6: 0.6433333158493042
                Acierto en la prueba en la partición 7: 0.637499988079071
                Acierto en la prueba en la partición 8: 0.6691666841506958
                Acierto en la prueba en la partición 9: 0.6775000095367432
                Acierto en la prueba en la partición 10: 0.6616666913032532
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase 0: [0.8503103448275862, 0.018897521570533697]
                Media y desvío AUC ROC de la clase 1: [0.8134461206896552, 0.022214810013356318]
                Media y desvío AUC ROC de la clase 2: [0.779676724137931, 0.01794517222826302]
                Media y desvío AUC ROC de la clase 3: [0.8030775862068966, 0.02403837140851217]
                Media y desvío AUC ROC de la clase 4: [0.9244008620689655, 0.013474169032157316]
                Media y desvío AUC ROC de la clase 5: [0.856834051724138, 0.009195994110355798]
                Media y desvío AUC ROC de la clase 6: [0.8675581896551724, 0.014500006299799115]
                Media y desvío AUC ROC de la clase 7: [0.9508254310344828, 0.012079224096949195]
                Media y desvío AUC ROC de la clase 8: [0.9447564655172414, 0.0164305449005491]
                Media y desvío AUC ROC de la clase 9: [0.9596357758620689, 0.012426343839326686]
                Media y desvío AUC ROC de la clase 10: [0.9720926724137932, 0.008061448909672028]
                Media y desvío AUC ROC de la clase 11: [0.9737327586206896, 0.013142938860390533]
                Media y desvío AUC ROC de la clase 12: [0.9506228448275862, 0.016158969427118735]
                Media y desvío AUC ROC de la clase 13: [0.9229741379310346, 0.01268734703443146]
                Media y desvío AUC ROC de la clase 14: [0.923532327586207, 0.01842058094254539]
                Media y desvío AUC ROC de la clase 15: [0.9649461206896551, 0.012971903209037822]
                Media y desvío AUC ROC de la clase 16: [0.9670646551724138, 0.02427757439442173]
                Media y desvío AUC ROC de la clase 17: [0.9929698275862069, 0.005660945066749175]
                Media y desvío AUC ROC de la clase 18: [0.9966896551724138, 0.0032342621024898286]
                Media y desvío AUC ROC de la clase 19: [0.9998512931034482, 0.00020023653686642435]
                Media y desvío AUC ROC de la clase 20: [1.0, 0.0]
                Media y desvío AUC ROC de la clase 21: [1.0, 0.0]
                Media y desvío AUC ROC de la clase 22: [1.0, 0.0]
                Media y desvío AUC ROC de la clase 23: [1.0, 3.510833468576701e-17]
                Media y desvío AUC ROC de la clase 24: [0.9999762931034483, 7.496778935743601e-05]
                Media y desvío AUC ROC de la clase 25: [1.0, 3.510833468576701e-17]
                Media y desvío AUC ROC de la clase 26: [1.0, 0.0]
                Media y desvío AUC ROC de la clase 27: [1.0, 0.0]
                Media y desvío AUC ROC de la clase 28: [1.0, 0.0]
                Media y desvío AUC ROC de la clase 29: [1.0, 0.0]

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3836
        Cantidad de ejemplos utilizados para validar: 958
        Cantidad de ejemplos utilizados para probar: 0
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 4, 5)
        Neuronas en la capa oculta: 51
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.5200729906558991
        Acierto en el entrenamiento - desvío: 0.027417604865707112
                Acierto en el entrenamiento en la partición 1: 0.5278936624526978
                Acierto en el entrenamiento en la partición 2: 0.5474452376365662
                Acierto en el entrenamiento en la partición 3: 0.5391032099723816
                Acierto en el entrenamiento en la partición 4: 0.5380604863166809
                Acierto en el entrenamiento en la partición 5: 0.5367570519447327
                Acierto en el entrenamiento en la partición 6: 0.4835766553878784
                Acierto en el entrenamiento en la partición 7: 0.485401451587677
                Acierto en el entrenamiento en la partición 8: 0.4887903928756714
                Acierto en el entrenamiento en la partición 9: 0.5005213618278503
                Acierto en el entrenamiento en la partición 10: 0.5531803965568542
        Acierto en la validación - media: 0.6624217092990875
        Acierto en el validación - desvío: 0.02456023915163381
                Acierto en la validación en la partición 1: 0.6649269461631775
                Acierto en la validación en la partición 2: 0.6586638689041138
                Acierto en la validación en la partición 3: 0.68789142370224
                Acierto en la validación en la partición 4: 0.6670145988464355
                Acierto en la validación en la partición 5: 0.650313138961792
                Acierto en la validación en la partición 6: 0.6179540753364563
                Acierto en la validación en la partición 7: 0.6336116790771484
                Acierto en la validación en la partición 8: 0.6889352798461914
                Acierto en la validación en la partición 9: 0.6597077250480652
                Acierto en la validación en la partición 10: 0.6951983571052551
        Acierto en la prueba promedio: 0.677142858505249
                Acierto en la prueba en la partición 1: 0.6823529601097107
                Acierto en la prueba en la partición 2: 0.7008403539657593
                Acierto en la prueba en la partición 3: 0.7042016983032227
                Acierto en la prueba en la partición 4: 0.6865546107292175
                Acierto en la prueba en la partición 5: 0.6781512498855591
                Acierto en la prueba en la partición 6: 0.6487395167350769
                Acierto en la prueba en la partición 7: 0.6226890683174133
                Acierto en la prueba en la partición 8: 0.6714285612106323
                Acierto en la prueba en la partición 9: 0.668067216873169
                Acierto en la prueba en la partición 10: 0.7084033489227295
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase 0: [0.8263801020408162, 0.01343980514420925]
                Media y desvío AUC ROC de la clase 1: [0.8242283163265306, 0.03345778430435453]
                Media y desvío AUC ROC de la clase 2: [0.822422193877551, 0.02134051819750319]
                Media y desvío AUC ROC de la clase 3: [0.8354272959183674, 0.01606506466387752]
                Media y desvío AUC ROC de la clase 4: [0.9667117346938775, 0.008679865005620973]
                Media y desvío AUC ROC de la clase 5: [0.9021007653061224, 0.027315375910087272]
                Media y desvío AUC ROC de la clase 6: [0.9614515306122449, 0.01601099568952721]
                Media y desvío AUC ROC de la clase 7: [0.9573418367346939, 0.01633735468859976]
                Media y desvío AUC ROC de la clase 8: [0.9858775510204081, 0.0043282221041560905]
                Media y desvío AUC ROC de la clase 9: [0.9956938775510205, 0.004915319791657975]
                Media y desvío AUC ROC de la clase 10: [0.989890306122449, 0.008851389763481186]
                Media y desvío AUC ROC de la clase 11: [0.9978775510204081, 0.001456009781008215]
                Media y desvío AUC ROC de la clase 12: [0.9975076530612245, 0.0030752654182611807]
                Media y desvío AUC ROC de la clase 13: [0.9961237244897959, 0.003211914066285475]
                Media y desvío AUC ROC de la clase 14: [0.9970331632653061, 0.0032448621938943774]
                Media y desvío AUC ROC de la clase 15: [0.9966760204081633, 0.0028398890886147895]
                Media y desvío AUC ROC de la clase 16: [0.9182002551020408, 0.012158437014892259]

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3836
        Cantidad de ejemplos utilizados para validar: 958
        Cantidad de ejemplos utilizados para probar: 0
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 4, 5)
        Neuronas en la capa oculta: 256
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.6108185589313507
        Acierto en el entrenamiento - desvío: 0.012490353463424439
                Acierto en el entrenamiento en la partición 1: 0.6042752861976624
                Acierto en el entrenamiento en la partición 2: 0.6087070107460022
                Acierto en el entrenamiento en la partición 3: 0.6248696446418762
                Acierto en el entrenamiento en la partición 4: 0.5964546203613281
                Acierto en el entrenamiento en la partición 5: 0.6055787205696106
                Acierto en el entrenamiento en la partición 6: 0.6115745306015015
                Acierto en el entrenamiento en la partición 7: 0.6113138794898987
                Acierto en el entrenamiento en la partición 8: 0.5912408828735352
                Acierto en el entrenamiento en la partición 9: 0.6246089935302734
                Acierto en el entrenamiento en la partición 10: 0.6295620203018188
        Acierto en la validación - media: 0.7022964656352997
        Acierto en el validación - desvío: 0.015621236602344941
                Acierto en la validación en la partición 1: 0.6847599148750305
                Acierto en la validación en la partición 2: 0.7077244520187378
                Acierto en la validación en la partición 3: 0.7160751819610596
                Acierto en la validación en la partición 4: 0.6732776761054993
                Acierto en la validación en la partición 5: 0.7118998169898987
                Acierto en la validación en la partición 6: 0.7118998169898987
                Acierto en la validación en la partición 7: 0.7181628346443176
                Acierto en la validación en la partición 8: 0.6868476271629333
                Acierto en la validación en la partición 9: 0.7139874696731567
                Acierto en la validación en la partición 10: 0.6983298659324646
        Acierto en la prueba - media: 0.7063025295734405
        Acierto en el prueba - desvío: 0.016704870890059276
                Acierto en la prueba en la partición 1: 0.7226890921592712
                Acierto en la prueba en la partición 2: 0.6991596817970276
                Acierto en la prueba en la partición 3: 0.7235293984413147
                Acierto en la prueba en la partición 4: 0.6773109436035156
                Acierto en la prueba en la partición 5: 0.6991596817970276
                Acierto en la prueba en la partición 6: 0.7008403539657593
                Acierto en la prueba en la partición 7: 0.7184873819351196
                Acierto en la prueba en la partición 8: 0.6848739385604858
                Acierto en la prueba en la partición 9: 0.7243697643280029
                Acierto en la prueba en la partición 10: 0.7126050591468811
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase 0: [0.8644419642857143, 0.013811839355611396]
                Media y desvío AUC ROC de la clase 1: [0.8805178571428571, 0.01746988286922615]
                Media y desvío AUC ROC de la clase 2: [0.8288227040816326, 0.016113761654668064]
                Media y desvío AUC ROC de la clase 3: [0.816984056122449, 0.014270226868831584]
                Media y desvío AUC ROC de la clase 4: [0.9733903061224489, 0.006904575497634601]
                Media y desvío AUC ROC de la clase 5: [0.9331989795918367, 0.009317279350256774]
                Media y desvío AUC ROC de la clase 6: [0.9726964285714286, 0.009208860177357217]
                Media y desvío AUC ROC de la clase 7: [0.9805191326530612, 0.004876795388116541]
                Media y desvío AUC ROC de la clase 8: [0.9910484693877551, 0.0031215883894931706]
                Media y desvío AUC ROC de la clase 9: [0.9983214285714286, 0.0018231141803113232]
                Media y desvío AUC ROC de la clase 10: [0.9987117346938775, 0.0006675305471134501]
                Media y desvío AUC ROC de la clase 11: [0.9997397959183674, 0.00015390921560203498]
                Media y desvío AUC ROC de la clase 12: [0.9982959183673469, 0.002130863137481151]
                Media y desvío AUC ROC de la clase 13: [0.9984515306122449, 0.0022897624704005673]
                Media y desvío AUC ROC de la clase 14: [0.999640306122449, 0.00042499145908286195]
                Media y desvío AUC ROC de la clase 15: [0.998640306122449, 0.001216673013891288]
                Media y desvío AUC ROC de la clase 16: [0.9523979591836735, 0.017070604175648055]

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3836
        Cantidad de ejemplos utilizados para validar: 958
        Cantidad de ejemplos utilizados para probar: 0
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (3, 4, 5)
        Neuronas en la capa oculta: 256
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.8496611177921295
        Acierto en el entrenamiento - desvío: 0.018005757877056817
                Acierto en el entrenamiento en la partición 1: 0.8558394312858582
                Acierto en el entrenamiento en la partición 2: 0.8511470556259155
                Acierto en el entrenamiento en la partición 3: 0.8276851177215576
                Acierto en el entrenamiento en la partición 4: 0.8381125926971436
                Acierto en el entrenamiento en la partición 5: 0.8524504899978638
                Acierto en el entrenamiento en la partición 6: 0.8323774933815002
                Acierto en el entrenamiento en la partición 7: 0.8667883276939392
                Acierto en el entrenamiento en la partición 8: 0.8704379796981812
                Acierto en el entrenamiento en la partición 9: 0.8756517171859741
                Acierto en el entrenamiento en la partición 10: 0.8261209726333618
        Acierto en la validación - media: 0.8341336011886596
        Acierto en el validación - desvío: 0.016856237520946334
                Acierto en la validación en la partición 1: 0.8277661800384521
                Acierto en la validación en la partición 2: 0.8141962289810181
                Acierto en la validación en la partición 3: 0.8308976888656616
                Acierto en la validación en la partición 4: 0.8350730538368225
                Acierto en la validación en la partición 5: 0.8350730538368225
                Acierto en la validación en la partición 6: 0.8058454990386963
                Acierto en la validación en la partición 7: 0.8475991487503052
                Acierto en la validación en la partición 8: 0.8601252436637878
                Acierto en la validación en la partición 9: 0.8549060821533203
                Acierto en la validación en la partición 10: 0.8298538327217102
        Acierto en la prueba - media: 0.8344537794589997
        Acierto en el prueba - desvío: 0.011824578723613541
                Acierto en la prueba en la partición 1: 0.8436974883079529
                Acierto en la prueba en la partición 2: 0.8310924172401428
                Acierto en la prueba en la partición 3: 0.8294117450714111
                Acierto en la prueba en la partición 4: 0.8235294222831726
                Acierto en la prueba en la partición 5: 0.8352941274642944
                Acierto en la prueba en la partición 6: 0.8277310729026794
                Acierto en la prueba en la partición 7: 0.8436974883079529
                Acierto en la prueba en la partición 8: 0.853781521320343
                Acierto en la prueba en la partición 9: 0.8428571224212646
                Acierto en la prueba en la partición 10: 0.8134453892707825
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase 0: [0.910924744897959, 0.007317638218843475]
                Media y desvío AUC ROC de la clase 1: [0.9605140306122449, 0.005363722372781911]
                Media y desvío AUC ROC de la clase 2: [0.939156887755102, 0.004016038848181516]
                Media y desvío AUC ROC de la clase 3: [0.9043316326530613, 0.007998917388076711]
                Media y desvío AUC ROC de la clase 4: [0.9935395408163266, 0.003501023161255068]
                Media y desvío AUC ROC de la clase 5: [0.9888316326530612, 0.003413955210943921]
                Media y desvío AUC ROC de la clase 6: [0.9996020408163265, 0.00040624549464069994]
                Media y desvío AUC ROC de la clase 7: [0.9988456632653061, 0.0007392398117074746]
                Media y desvío AUC ROC de la clase 8: [0.9984285714285714, 0.00034566091195824576]
                Media y desvío AUC ROC de la clase 9: [1.0, 0.0]
                Media y desvío AUC ROC de la clase 10: [0.9999260204081633, 0.0001294920339888943]
                Media y desvío AUC ROC de la clase 11: [1.0, 0.0]
                Media y desvío AUC ROC de la clase 12: [1.0, 0.0]
                Media y desvío AUC ROC de la clase 13: [0.999422193877551, 0.00017060395998340244]
                Media y desvío AUC ROC de la clase 14: [0.9999885204081632, 3.630165681316882e-05]
                Media y desvío AUC ROC de la clase 15: [0.9996568877551021, 0.00016116693804738144]
                Media y desvío AUC ROC de la clase 16: [0.9991288265306122, 0.0007633442824923431]

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3836
        Cantidad de ejemplos utilizados para validar: 958
        Cantidad de ejemplos utilizados para probar: 1190
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 50
        Dimensión de los kernels: (3, 4, 5, 6, 7)
        Neuronas en la capa oculta: 256
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.8488269031047821
        Acierto en el entrenamiento - desvío: 0.02006206633375285
                Acierto en el entrenamiento en la partición 1: 0.8274244070053101
                Acierto en el entrenamiento en la partición 2: 0.8819082379341125
                Acierto en el entrenamiento en la partición 3: 0.8493221998214722
                Acierto en el entrenamiento en la partición 4: 0.8339415788650513
                Acierto en el entrenamiento en la partición 5: 0.858967661857605
                Acierto en el entrenamiento en la partición 6: 0.8532325625419617
                Acierto en el entrenamiento en la partición 7: 0.8156934380531311
                Acierto en el entrenamiento en la partición 8: 0.865484893321991
                Acierto en el entrenamiento en la partición 9: 0.8641814589500427
                Acierto en el entrenamiento en la partición 10: 0.8381125926971436
        Acierto en la validación - media: 0.8319415390491486
        Acierto en el validación - desvío: 0.010565224386894887
                Acierto en la validación en la partición 1: 0.8131523728370667
                Acierto en la validación en la partición 2: 0.8475991487503052
                Acierto en la validación en la partición 3: 0.8235908150672913
                Acierto en la validación en la partición 4: 0.8434237837791443
                Acierto en la validación en la partición 5: 0.8288100361824036
                Acierto en la validación en la partición 6: 0.8288100361824036
                Acierto en la validación en la partición 7: 0.8308976888656616
                Acierto en la validación en la partición 8: 0.8444676399230957
                Acierto en la validación en la partición 9: 0.831941545009613
                Acierto en la validación en la partición 10: 0.8267223238945007
        Acierto en la prueba - media: 0.8332773089408875
        Acierto en el prueba - desvío: 0.010682521606551797
                Acierto en la prueba en la partición 1: 0.8294117450714111
                Acierto en la prueba en la partición 2: 0.853781521320343
                Acierto en la prueba en la partición 3: 0.8327730894088745
                Acierto en la prueba en la partición 4: 0.8386554718017578
                Acierto en la prueba en la partición 5: 0.8403361439704895
                Acierto en la prueba en la partición 6: 0.8369747996330261
                Acierto en la prueba en la partición 7: 0.8151260614395142
                Acierto en la prueba en la partición 8: 0.8361344337463379
                Acierto en la prueba en la partición 9: 0.8218487501144409
                Acierto en la prueba en la partición 10: 0.8277310729026794
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase 0: [0.887327806122449, 0.012669353564410398]
                Media y desvío AUC ROC de la clase 1: [0.9415484693877552, 0.005862875403474666]
                Media y desvío AUC ROC de la clase 2: [0.9355880102040817, 0.006910112288362308]
                Media y desvío AUC ROC de la clase 3: [0.9137474489795918, 0.008370001238200303]
                Media y desvío AUC ROC de la clase 4: [0.9897104591836735, 0.002829384935047107]
                Media y desvío AUC ROC de la clase 5: [0.9893698979591836, 0.005712979685541353]
                Media y desvío AUC ROC de la clase 6: [0.9983112244897959, 0.001119646444620568]
                Media y desvío AUC ROC de la clase 7: [0.9989566326530612, 0.0006688237350594037]
                Media y desvío AUC ROC de la clase 8: [0.9993596938775511, 0.0002895405041603764]
                Media y desvío AUC ROC de la clase 9: [1.0, 4.681111291435601e-17]
                Media y desvío AUC ROC de la clase 10: [0.9996607142857142, 0.00018080478994537613]
                Media y desvío AUC ROC de la clase 11: [0.9996734693877551, 0.00010959165727108618]
                Media y desvío AUC ROC de la clase 12: [0.9999566326530612, 6.018822574552906e-05]
                Media y desvío AUC ROC de la clase 13: [0.9999107142857143, 8.022092799369967e-05]
                Media y desvío AUC ROC de la clase 14: [1.0, 0.0]
                Media y desvío AUC ROC de la clase 15: [0.9998801020408163, 8.758916178108732e-05]
                Media y desvío AUC ROC de la clase 16: [0.9979349489795919, 0.002321696817997079]

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3836
        Cantidad de ejemplos utilizados para validar: 958
        Cantidad de ejemplos utilizados para probar: 1190
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 25
        Dimensión de los kernels: (3, 4, 5, 6, 7)
        Neuronas en la capa oculta: 256
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.8161105334758758
        Acierto en el entrenamiento - desvío: 0.031773606821851826
                Acierto en el entrenamiento en la partición 1: 0.8269030451774597
                Acierto en el entrenamiento en la partición 2: 0.7507820725440979
                Acierto en el entrenamiento en la partición 3: 0.8154327273368835
                Acierto en el entrenamiento en la partición 4: 0.8506256341934204
                Acierto en el entrenamiento en la partición 5: 0.8467153310775757
                Acierto en el entrenamiento en la partición 6: 0.8219499588012695
                Acierto en el entrenamiento en la partición 7: 0.8237747550010681
                Acierto en el entrenamiento en la partición 8: 0.769812285900116
                Acierto en el entrenamiento en la partición 9: 0.8214285969734192
                Acierto en el entrenamiento en la partición 10: 0.8336809277534485
        Acierto en la validación - media: 0.8162839233875274
        Acierto en el validación - desvío: 0.020643554912201992
                Acierto en la validación en la partición 1: 0.8382046222686768
                Acierto en la validación en la partición 2: 0.780793309211731
                Acierto en la validación en la partición 3: 0.8256784677505493
                Acierto en la validación en la partición 4: 0.8267223238945007
                Acierto en la validación en la partición 5: 0.81210857629776
                Acierto en la validación en la partición 6: 0.8027139902114868
                Acierto en la validación en la partición 7: 0.8204593062400818
                Acierto en la validación en la partición 8: 0.7870563864707947
                Acierto en la validación en la partición 9: 0.8256784677505493
                Acierto en la validación en la partición 10: 0.8434237837791443
        Acierto en la prueba - media: 0.81470587849617
        Acierto en el prueba - desvío: 0.020180704423850896
                Acierto en la prueba en la partición 1: 0.8142856955528259
                Acierto en la prueba en la partición 2: 0.7663865685462952
                Acierto en la prueba en la partición 3: 0.8210083842277527
                Acierto en la prueba en la partición 4: 0.8218487501144409
                Acierto en la prueba en la partición 5: 0.8285714387893677
                Acierto en la prueba en la partición 6: 0.8260504007339478
                Acierto en la prueba en la partición 7: 0.8294117450714111
                Acierto en la prueba en la partición 8: 0.792436957359314
                Acierto en la prueba en la partición 9: 0.8285714387893677
                Acierto en la prueba en la partición 10: 0.8184874057769775
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase 0: [0.8823992346938775, 0.010795155020105876]
                Media y desvío AUC ROC de la clase 1: [0.9261619897959184, 0.014314896510430369]
                Media y desvío AUC ROC de la clase 2: [0.9194081632653062, 0.01562768464603737]
                Media y desvío AUC ROC de la clase 3: [0.8882461734693877, 0.016591206300011506]
                Media y desvío AUC ROC de la clase 4: [0.9903494897959184, 0.002722869580747532]
                Media y desvío AUC ROC de la clase 5: [0.9883992346938775, 0.009512642737445315]
                Media y desvío AUC ROC de la clase 6: [0.9962155612244898, 0.002566555940323969]
                Media y desvío AUC ROC de la clase 7: [0.9983239795918367, 0.001626854249874697]
                Media y desvío AUC ROC de la clase 8: [0.9977117346938775, 0.00017778007353667216]
                Media y desvío AUC ROC de la clase 9: [1.0, 0.0]
                Media y desvío AUC ROC de la clase 10: [0.9999744897959184, 8.067034847365778e-05]
                Media y desvío AUC ROC de la clase 11: [1.0, 3.510833468576701e-17]
                Media y desvío AUC ROC de la clase 12: [0.999765306122449, 0.00021631088699695865]
                Media y desvío AUC ROC de la clase 13: [0.9999234693877551, 5.510833927221203e-05]
                Media y desvío AUC ROC de la clase 14: [0.9999323979591836, 9.752070528206975e-05]
                Media y desvío AUC ROC de la clase 15: [0.9993890306122449, 0.0002258969823671946]
                Media y desvío AUC ROC de la clase 16: [0.9952436224489796, 0.004268180010842601]

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3836
        Cantidad de ejemplos utilizados para validar: 958
        Cantidad de ejemplos utilizados para probar: 1190
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 25
        Dimensión de los kernels: (3, 4, 5, 6, 7)
        Neuronas en la capa oculta: 256
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.8155109524726868
        Acierto en el entrenamiento - desvío: 0.0052383909283904555
                Acierto en el entrenamiento en la partición 1: 0.8110010623931885
                Acierto en el entrenamiento en la partición 2: 0.81803959608078
                Acierto en el entrenamiento en la partición 3: 0.8198644518852234
                Acierto en el entrenamiento en la partición 4: 0.8107403516769409
                Acierto en el entrenamiento en la partición 5: 0.8177789449691772
                Acierto en el entrenamiento en la partición 6: 0.8146506547927856
                Acierto en el entrenamiento en la partición 7: 0.8250781893730164
                Acierto en el entrenamiento en la partición 8: 0.8068300485610962
                Acierto en el entrenamiento en la partición 9: 0.8138686418533325
                Acierto en el entrenamiento en la partición 10: 0.8172575831413269
        Acierto en la validación - media: 0.8224425852298737
        Acierto en el validación - desvío: 0.010420420600287097
                Acierto en la validación en la partición 1: 0.8110647201538086
                Acierto en la validación en la partición 2: 0.8402922749519348
                Acierto en la validación en la partición 3: 0.8308976888656616
                Acierto en la validación en la partición 4: 0.818371593952179
                Acierto en la validación en la partición 5: 0.8152400851249695
                Acierto en la validación en la partición 6: 0.8225469589233398
                Acierto en la validación en la partición 7: 0.8288100361824036
                Acierto en la validación en la partición 8: 0.818371593952179
                Acierto en la validación en la partición 9: 0.8068893551826477
                Acierto en la validación en la partición 10: 0.831941545009613
        Acierto en la prueba - media: 0.8229411780834198
        Acierto en el prueba - desvío: 0.005120000899956944
                Acierto en la prueba en la partición 1: 0.8159663677215576
                Acierto en la prueba en la partición 2: 0.8201680779457092
                Acierto en la prueba en la partición 3: 0.8294117450714111
                Acierto en la prueba en la partición 4: 0.8252100944519043
                Acierto en la prueba en la partición 5: 0.8226890563964844
                Acierto en la prueba en la partición 6: 0.8201680779457092
                Acierto en la prueba en la partición 7: 0.8184874057769775
                Acierto en la prueba en la partición 8: 0.8184874057769775
                Acierto en la prueba en la partición 9: 0.8302521109580994
                Acierto en la prueba en la partición 10: 0.8285714387893677
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.9009323979591836, 0.00758229803695541]
                Media y desvío AUC ROC de la clase inhibitor: [0.9441645408163265, 0.0045737757759887416]
                Media y desvío AUC ROC de la clase agonist: [0.9298239795918367, 0.009502976276077074]
                Media y desvío AUC ROC de la clase antagonist: [0.8915140306122449, 0.010743550510212243]
                Media y desvío AUC ROC de la clase cofactor: [0.9950395408163266, 0.0014263736586794854]
                Media y desvío AUC ROC de la clase binder: [0.9704974489795918, 0.009513797580017136]
                Media y desvío AUC ROC de la clase inducer: [0.9831479591836735, 0.00798664244913057]
                Media y desvío AUC ROC de la clase antibody: [0.9982321428571428, 0.0015218024052114042]
                Media y desvío AUC ROC de la clase partial agonist: [0.9994464285714285, 0.0001637263632363549]
                Media y desvío AUC ROC de la clase ligand: [0.9999923469387755, 2.4201104542132052e-05]
                Media y desvío AUC ROC de la clase product of: [1.0, 3.510833468576701e-17]
                Media y desvío AUC ROC de la clase multitarget: [1.0, 3.510833468576701e-17]
                Media y desvío AUC ROC de la clase potentiator: [0.9990376275510204, 0.00018204156823729478]
                Media y desvío AUC ROC de la clase modulator: [0.9999502551020408, 6.997891185889797e-05]
                Media y desvío AUC ROC de la clase activator: [0.9996007653061224, 0.00021436752703426313]
                Media y desvío AUC ROC de la clase negative modulator: [0.9999885204081632, 2.4387126530108963e-05]
                Media y desvío AUC ROC de la clase other: [0.9935012755102041, 0.004439301850945114]

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3836
        Cantidad de ejemplos utilizados para validar: 958
        Cantidad de ejemplos utilizados para probar: 1190
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 25
        Dimensión de los kernels: (3, 4, 5, 6, 7, 8, 9)
        Neuronas en la capa oculta: 256
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.8069603770971299
        Acierto en el entrenamiento - desvío: 0.14766407537397
                Acierto en el entrenamiento en la partición 1: 0.6618874073028564
                Acierto en el entrenamiento en la partición 2: 0.6934306621551514
                Acierto en el entrenamiento en la partición 3: 0.880083441734314
                Acierto en el entrenamiento en la partición 4: 0.9241397380828857
                Acierto en el entrenamiento en la partición 5: 0.9009384512901306
                Acierto en el entrenamiento en la partición 6: 0.9147549271583557
                Acierto en el entrenamiento en la partición 7: 0.9262252449989319
                Acierto en el entrenamiento en la partición 8: 0.8920750617980957
                Acierto en el entrenamiento en la partición 9: 0.4893117845058441
                Acierto en el entrenamiento en la partición 10: 0.7867570519447327
        Acierto en la validación - media: 0.7509394645690918
        Acierto en el validación - desvío: 0.1900786443962117
                Acierto en la validación en la partición 1: 0.6732776761054993
                Acierto en la validación en la partición 2: 0.756784975528717
                Acierto en la validación en la partición 3: 0.8204593062400818
                Acierto en la validación en la partición 4: 0.8757829070091248
                Acierto en la validación en la partición 5: 0.8611690998077393
                Acierto en la validación en la partición 6: 0.8716075420379639
                Acierto en la validación en la partición 7: 0.8663883209228516
                Acierto en la validación en la partición 8: 0.7776618003845215
                Acierto en la validación en la partición 9: 0.24321502447128296
                Acierto en la validación en la partición 10: 0.763047993183136
        Acierto en la prueba - media: 0.6164706021547317
        Acierto en el prueba - desvío: 0.08390111412915818
                Acierto en la prueba en la partición 1: 0.5655462145805359
                Acierto en la prueba en la partición 2: 0.5764706134796143
                Acierto en la prueba en la partición 3: 0.6739495992660522
                Acierto en la prueba en la partición 4: 0.6873949766159058
                Acierto en la prueba en la partición 5: 0.6487395167350769
                Acierto en la prueba en la partición 6: 0.6789916157722473
                Acierto en la prueba en la partición 7: 0.6722689270973206
                Acierto en la prueba en la partición 8: 0.6260504126548767
                Acierto en la prueba en la partición 9: 0.4100840389728546
                Acierto en la prueba en la partición 10: 0.6252101063728333
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.8209126559714796, 0.027139311755796505]
                Media y desvío AUC ROC de la clase inhibitor: [0.8245979342723004, 0.028669654019641413]
                Media y desvío AUC ROC de la clase agonist: [0.8508495088196121, 0.04458081752015139]
                Media y desvío AUC ROC de la clase antagonist: [0.8150320790080738, 0.029858774566273977]
                Media y desvío AUC ROC de la clase cofactor: [0.9882270297436835, 0.007361101198406952]
                Media y desvío AUC ROC de la clase binder: [0.8843265430221952, 0.07831563332237584]
                Media y desvío AUC ROC de la clase inducer: [0.9555681357307017, 0.035914373716624384]
                Media y desvío AUC ROC de la clase antibody: [0.9899326302499973, 0.015272150096441435]
                Media y desvío AUC ROC de la clase partial agonist: [0.9701802677029361, 0.061606435748833135]
                Media y desvío AUC ROC de la clase ligand: [0.9394071914480078, 0.1122544735913477]
                Media y desvío AUC ROC de la clase product of: [0.9615681029266584, 0.04634299868307763]
                Media y desvío AUC ROC de la clase multitarget: [0.9370994433579058, 0.11235419069272454]
                Media y desvío AUC ROC de la clase potentiator: [0.8400760135135136, 0.14760943753915434]
                Media y desvío AUC ROC de la clase modulator: [0.8029040404040404, 0.10083966830274528]
                Media y desvío AUC ROC de la clase activator: [0.895411182224369, 0.15170524737326002]
                Media y desvío AUC ROC de la clase negative modulator: [0.995028293589552, 0.008803507808365583]
                Media y desvío AUC ROC de la clase other: [0.9624307130259511, 0.05214466223648043]

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3836
        Cantidad de ejemplos utilizados para validar: 958
        Cantidad de ejemplos utilizados para probar: 1190
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 25
        Dimensión de los kernels: (3, 4, 5, 6, 7, 8, 9)
        Neuronas en la capa oculta: 256
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.913712203502655
        Acierto en el entrenamiento - desvío: 0.03924471677451752
                Acierto en el entrenamiento en la partición 1: 0.8678310513496399
                Acierto en el entrenamiento en la partición 2: 0.9436913728713989
                Acierto en el entrenamiento en la partición 3: 0.9134514927864075
                Acierto en el entrenamiento en la partición 4: 0.905630886554718
                Acierto en el entrenamiento en la partición 5: 0.9434306621551514
                Acierto en el entrenamiento en la partición 6: 0.918925940990448
                Acierto en el entrenamiento en la partición 7: 0.9512513279914856
                Acierto en el entrenamiento en la partición 8: 0.9496871829032898
                Acierto en el entrenamiento en la partición 9: 0.8289885520935059
                Acierto en el entrenamiento en la partición 10: 0.9142335653305054
        Acierto en la validación - media: 0.8367432177066803
        Acierto en el validación - desvío: 0.09291061798737875
                Acierto en la validación en la partición 1: 0.8235908150672913
                Acierto en la validación en la partición 2: 0.8726513385772705
                Acierto en la validación en la partición 3: 0.867432177066803
                Acierto en la validación en la partición 4: 0.8517745137214661
                Acierto en la validación en la partición 5: 0.8830897808074951
                Acierto en la validación en la partición 6: 0.8830897808074951
                Acierto en la validación en la partición 7: 0.8851774334907532
                Acierto en la validación en la partición 8: 0.8757829070091248
                Acierto en la validación en la partición 9: 0.5782880783081055
                Acierto en la validación en la partición 10: 0.8465553522109985
        Acierto en la prueba - media: 0.650504207611084
        Acierto en el prueba - desvío: 0.023683791553476382
                Acierto en la prueba en la partición 1: 0.6563025116920471
                Acierto en la prueba en la partición 2: 0.6747899055480957
                Acierto en la prueba en la partición 3: 0.6705882549285889
                Acierto en la prueba en la partición 4: 0.6369748115539551
                Acierto en la prueba en la partición 5: 0.6781512498855591
                Acierto en la prueba en la partición 6: 0.6403361558914185
                Acierto en la prueba en la partición 7: 0.6378151178359985
                Acierto en la prueba en la partición 8: 0.6596638560295105
                Acierto en la prueba en la partición 9: 0.5983193516731262
                Acierto en la prueba en la partición 10: 0.6521008610725403
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7913080885070214, 0.01812120060915058]
                Media y desvío AUC ROC de la clase inhibitor: [0.8771785915492958, 0.016467470446060953]
                Media y desvío AUC ROC de la clase agonist: [0.8604106915232632, 0.016876384342080063]
                Media y desvío AUC ROC de la clase antagonist: [0.7874935417204857, 0.031944987107003886]
                Media y desvío AUC ROC de la clase cofactor: [0.9915796951349055, 0.0027855377598378956]
                Media y desvío AUC ROC de la clase binder: [0.939383425852498, 0.02990577831757549]
                Media y desvío AUC ROC de la clase inducer: [0.9617201778969173, 0.020695871542031775]
                Media y desvío AUC ROC de la clase antibody: [0.9895802148454698, 0.018747758184690797]
                Media y desvío AUC ROC de la clase partial agonist: [0.9928410636982066, 0.01092256182405796]
                Media y desvío AUC ROC de la clase ligand: [0.9647828326180257, 0.013537828258499323]
                Media y desvío AUC ROC de la clase product of: [0.9951007718696399, 0.015430005580180485]
                Media y desvío AUC ROC de la clase multitarget: [0.9441409058231488, 0.13441482622221093]
                Media y desvío AUC ROC de la clase potentiator: [0.9372457627118644, 0.1480706743100567]
                Media y desvío AUC ROC de la clase modulator: [0.7606661045531198, 0.18553385525595006]
                Media y desvío AUC ROC de la clase activator: [0.9503378378378379, 0.03819771846279999]
                Media y desvío AUC ROC de la clase negative modulator: [0.9997880033106332, 0.000630634561288207]
                Media y desvío AUC ROC de la clase other: [0.9845082693229175, 0.011831761158739382]

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3836
        Cantidad de ejemplos utilizados para validar: 958
        Cantidad de ejemplos utilizados para probar: 1190
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 25
        Dimensión de los kernels: (3, 4, 5, 6, 7, 8, 9)
        Neuronas en la capa oculta: 256
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.8920490145683289
        Acierto en el entrenamiento - desvío: 0.009725721235131496
                Acierto en el entrenamiento en la partición 1: 0.9121480584144592
                Acierto en el entrenamiento en la partición 2: 0.8925964832305908
                Acierto en el entrenamiento en la partición 3: 0.8806048035621643
                Acierto en el entrenamiento en la partición 4: 0.8826903104782104
                Acierto en el entrenamiento en la partición 5: 0.9001564383506775
                Acierto en el entrenamiento en la partición 6: 0.8936392068862915
                Acierto en el entrenamiento en la partición 7: 0.8889468312263489
                Acierto en el entrenamiento en la partición 8: 0.891032338142395
                Acierto en el entrenamiento en la partición 9: 0.8975495100021362
                Acierto en el entrenamiento en la partición 10: 0.8811261653900146
        Acierto en la validación - media: 0.8491649329662323
        Acierto en el validación - desvío: 0.01301200953577846
                Acierto en la validación en la partición 1: 0.8517745137214661
                Acierto en la validación en la partición 2: 0.8329854011535645
                Acierto en la validación en la partición 3: 0.8475991487503052
                Acierto en la validación en la partición 4: 0.8653444647789001
                Acierto en la validación en la partición 5: 0.8736951947212219
                Acierto en la validación en la partición 6: 0.8549060821533203
                Acierto en la validación en la partición 7: 0.8465553522109985
                Acierto en la validación en la partición 8: 0.8350730538368225
                Acierto en la validación en la partición 9: 0.8465553522109985
                Acierto en la validación en la partición 10: 0.8371607661247253
        Acierto en la prueba - media: 0.8231932640075683
        Acierto en el prueba - desvío: 0.006075264334123094
                Acierto en la prueba en la partición 1: 0.8361344337463379
                Acierto en la prueba en la partición 2: 0.8226890563964844
                Acierto en la prueba en la partición 3: 0.8176470398902893
                Acierto en la prueba en la partición 4: 0.8235294222831726
                Acierto en la prueba en la partición 5: 0.8294117450714111
                Acierto en la prueba en la partición 6: 0.8159663677215576
                Acierto en la prueba en la partición 7: 0.8226890563964844
                Acierto en la prueba en la partición 8: 0.8243697285652161
                Acierto en la prueba en la partición 9: 0.8226890563964844
                Acierto en la prueba en la partición 10: 0.8168067336082458
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.8928176020408163, 0.009256651434140397]
                Media y desvío AUC ROC de la clase inhibitor: [0.9227053571428572, 0.007107323875139962]
                Media y desvío AUC ROC de la clase agonist: [0.9287015306122449, 0.003975092529303571]
                Media y desvío AUC ROC de la clase antagonist: [0.8953673469387755, 0.006957359109737737]
                Media y desvío AUC ROC de la clase cofactor: [0.9929056122448979, 0.0016030298664246325]
                Media y desvío AUC ROC de la clase binder: [0.9890956632653062, 0.00692193180059074]
                Media y desvío AUC ROC de la clase inducer: [0.9997984693877551, 0.00032283821479874627]
                Media y desvío AUC ROC de la clase antibody: [0.9975982142857143, 0.003121460986018702]
                Media y desvío AUC ROC de la clase partial agonist: [0.998719387755102, 0.00021456981625663264]
                Media y desvío AUC ROC de la clase ligand: [1.0, 0.0]
                Media y desvío AUC ROC de la clase product of: [1.0, 3.510833468576701e-17]
                Media y desvío AUC ROC de la clase multitarget: [0.9999260204081633, 6.242909810535676e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.9994451530612245, 0.00014244783646045412]
                Media y desvío AUC ROC de la clase modulator: [0.9999808673469388, 2.0167587118423223e-05]
                Media y desvío AUC ROC de la clase activator: [1.0, 3.510833468576701e-17]
                Media y desvío AUC ROC de la clase negative modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase other: [0.9967015306122449, 0.0018445443694228721]

Características de los datos de entrada:
        Cantidad de ejemplos cargados: 3974
        Cantidad de ejemplos con la etiqueta sin_interacción: 1030
        Cantidad de ejemplos utilizados para entrenar: 3836
        Cantidad de ejemplos utilizados para validar: 958
        Cantidad de ejemplos utilizados para probar: 1190
        Top de palabras frecuentes utilizadas: 100
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 25
        Dimensión de los kernels: (3, 4, 5, 6, 7, 8, 9)
        Neuronas en la capa oculta: 128
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.8282846689224244
        Acierto en el entrenamiento - desvío: 0.018012882716325233
                Acierto en el entrenamiento en la partición 1: 0.8261209726333618
                Acierto en el entrenamiento en la partición 2: 0.8409801721572876
                Acierto en el entrenamiento en la partición 3: 0.8498435616493225
                Acierto en el entrenamiento en la partición 4: 0.8383733034133911
                Acierto en el entrenamiento en la partición 5: 0.8454118967056274
                Acierto en el entrenamiento en la partición 6: 0.8039624691009521
                Acierto en el entrenamiento en la partición 7: 0.8023983240127563
                Acierto en el entrenamiento en la partición 8: 0.8065693378448486
                Acierto en el entrenamiento en la partición 9: 0.828206479549408
                Acierto en el entrenamiento en la partición 10: 0.8409801721572876
        Acierto en la validación - media: 0.8289144098758697
        Acierto en el validación - desvío: 0.008181569069873652
                Acierto en la validación en la partición 1: 0.8110647201538086
                Acierto en la validación en la partición 2: 0.8277661800384521
                Acierto en la validación en la partición 3: 0.8402922749519348
                Acierto en la validación en la partición 4: 0.8361169099807739
                Acierto en la validación en la partición 5: 0.8246346712112427
                Acierto en la validación en la partición 6: 0.8329854011535645
                Acierto en la validación en la partición 7: 0.831941545009613
                Acierto en la validación en la partición 8: 0.8288100361824036
                Acierto en la validación en la partición 9: 0.8329854011535645
                Acierto en la validación en la partición 10: 0.8225469589233398
        Acierto en la prueba - media: 0.8310924291610717
        Acierto en el prueba - desvío: 0.010658989089306023
                Acierto en la prueba en la partición 1: 0.8378151059150696
                Acierto en la prueba en la partición 2: 0.8327730894088745
                Acierto en la prueba en la partición 3: 0.8453781604766846
                Acierto en la prueba en la partición 4: 0.8336134552955627
                Acierto en la prueba en la partición 5: 0.841176450252533
                Acierto en la prueba en la partición 6: 0.8210083842277527
                Acierto en la prueba en la partición 7: 0.8142856955528259
                Acierto en la prueba en la partición 8: 0.8235294222831726
                Acierto en la prueba en la partición 9: 0.8201680779457092
                Acierto en la prueba en la partición 10: 0.841176450252533
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.9021823979591836, 0.006347848775867764]
                Media y desvío AUC ROC de la clase inhibitor: [0.9486135204081633, 0.006411578863956851]
                Media y desvío AUC ROC de la clase agonist: [0.9411670918367346, 0.005160367601787232]
                Media y desvío AUC ROC de la clase antagonist: [0.8864477040816326, 0.005289530034131099]
                Media y desvío AUC ROC de la clase cofactor: [0.9935982142857143, 0.0019980138926275143]
                Media y desvío AUC ROC de la clase binder: [0.9817385204081632, 0.009002949937315652]
                Media y desvío AUC ROC de la clase inducer: [0.9982244897959184, 0.0030516123656929668]
                Media y desvío AUC ROC de la clase antibody: [0.9975089285714286, 0.0016933520899386917]
                Media y desvío AUC ROC de la clase partial agonist: [0.9994974489795918, 0.0001991911559154311]
                Media y desvío AUC ROC de la clase ligand: [0.9997755102040816, 0.0007098990665684202]
                Media y desvío AUC ROC de la clase product of: [1.0, 0.0]
                Media y desvío AUC ROC de la clase multitarget: [0.9991428571428571, 0.0001994949428382854]
                Media y desvío AUC ROC de la clase potentiator: [0.9994770408163266, 0.00025081430618626056]
                Media y desvío AUC ROC de la clase modulator: [0.9999923469387755, 2.4201104542100848e-05]
                Media y desvío AUC ROC de la clase activator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase negative modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase other: [0.9955918367346939, 0.007162351541012407]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 3836
        Cantidad de ejemplos utilizados para validar: 958
        Cantidad de ejemplos utilizados para probar: 1190
        Top de palabras frecuentes utilizadas: 500
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.0
        Cantidad de filtros: 10
        Dimensión de los kernels: (2, 3)
        Neuronas en la capa oculta: 17
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 10
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.739650672674179
        Acierto en el entrenamiento - desvío: 0.032773773584970724
                Acierto en el entrenamiento en la partición 1: 0.7406152486801147
                Acierto en el entrenamiento en la partición 2: 0.7450469136238098
                Acierto en el entrenamiento en la partición 3: 0.7520855069160461
                Acierto en el entrenamiento en la partición 4: 0.7137643098831177
                Acierto en el entrenamiento en la partición 5: 0.7176746726036072
                Acierto en el entrenamiento en la partición 6: 0.7088112831115723
                Acierto en el entrenamiento en la partición 7: 0.7041188478469849
                Acierto en el entrenamiento en la partición 8: 0.8031803965568542
                Acierto en el entrenamiento en la partición 9: 0.7836287617683411
                Acierto en el entrenamiento en la partición 10: 0.7275807857513428
        Acierto en la validación - media: 0.6850730657577515
        Acierto en el validación - desvío: 0.03629357190594886
                Acierto en la validación en la partición 1: 0.6753653287887573
                Acierto en la validación en la partición 2: 0.6889352798461914
                Acierto en la validación en la partición 3: 0.68789142370224
                Acierto en la validación en la partición 4: 0.6336116790771484
                Acierto en la validación en la partición 5: 0.6471816301345825
                Acierto en la validación en la partición 6: 0.6931106448173523
                Acierto en la validación en la partición 7: 0.6513569951057434
                Acierto en la validación en la partición 8: 0.7379958033561707
                Acierto en la validación en la partición 9: 0.7453027367591858
                Acierto en la validación en la partición 10: 0.6899791359901428
        Acierto en la prueba - media: 0.6790756285190582
        Acierto en el prueba - desvío: 0.036999077608537795
                Acierto en la prueba en la partición 1: 0.6798319220542908
                Acierto en la prueba en la partición 2: 0.6899159550666809
                Acierto en la prueba en la partición 3: 0.694957971572876
                Acierto en la prueba en la partición 4: 0.6445378065109253
                Acierto en la prueba en la partición 5: 0.6260504126548767
                Acierto en la prueba en la partición 6: 0.6756302714347839
                Acierto en la prueba en la partición 7: 0.6336134672164917
                Acierto en la prueba en la partición 8: 0.7352941036224365
                Acierto en la prueba en la partición 9: 0.7310924530029297
                Acierto en la prueba en la partición 10: 0.6798319220542908
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7620153061224489, 0.028294448632931884]
                Media y desvío AUC ROC de la clase inhibitor: [0.8109923469387755, 0.03809154617318124]
                Media y desvío AUC ROC de la clase agonist: [0.7926294642857142, 0.028022284110815185]
                Media y desvío AUC ROC de la clase antagonist: [0.8041141581632653, 0.01509098571476964]
                Media y desvío AUC ROC de la clase cofactor: [0.9786977040816327, 0.00766583271548689]
                Media y desvío AUC ROC de la clase binder: [0.8938584183673469, 0.027400316684582444]
                Media y desvío AUC ROC de la clase inducer: [0.9379464285714285, 0.02884553095749202]
                Media y desvío AUC ROC de la clase antibody: [0.985859693877551, 0.008964166575533403]
                Media y desvío AUC ROC de la clase partial agonist: [0.989048469387755, 0.005834700410999051]
                Media y desvío AUC ROC de la clase ligand: [0.9972563775510204, 0.002489402154771452]
                Media y desvío AUC ROC de la clase product of: [0.9961275510204082, 0.0031703446950157714]
                Media y desvío AUC ROC de la clase multitarget: [0.995985331632653, 0.004431589093636866]
                Media y desvío AUC ROC de la clase potentiator: [0.9961371173469388, 0.003187124076337993]
                Media y desvío AUC ROC de la clase modulator: [0.9955535714285714, 0.004879408487959753]
                Media y desvío AUC ROC de la clase activator: [0.9972117346938776, 0.0030105295473384845]
                Media y desvío AUC ROC de la clase negative modulator: [0.9980994897959183, 0.0011953556464405172]
                Media y desvío AUC ROC de la clase other: [0.9269413265306122, 0.02618733747426283]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 5440
        Cantidad de ejemplos utilizados para validar: 1360
        Cantidad de ejemplos utilizados para probar: 1700
        Top de palabras frecuentes utilizadas: 500
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.0
        Cantidad de filtros: 10
        Dimensión de los kernels: (2, 3)
        Neuronas en la capa oculta: 17
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.7590441346168518
        Acierto en el entrenamiento - desvío: 0.024304149579021897
                Acierto en el entrenamiento en la partición 1: 0.732536792755127
                Acierto en el entrenamiento en la partición 2: 0.7810661792755127
                Acierto en el entrenamiento en la partición 3: 0.7533088326454163
                Acierto en el entrenamiento en la partición 4: 0.7875000238418579
                Acierto en el entrenamiento en la partición 5: 0.7408088445663452
        Acierto en la validación - media: 0.7242647171020508
        Acierto en el validación - desvío: 0.027369340734293604
                Acierto en la validación en la partición 1: 0.6985294222831726
                Acierto en la validación en la partición 2: 0.7455882430076599
                Acierto en la validación en la partición 3: 0.7066176533699036
                Acierto en la validación en la partición 4: 0.7610294222831726
                Acierto en la validación en la partición 5: 0.7095588445663452
        Acierto en la prueba - media: 0.7211764812469482
        Acierto en el prueba - desvío: 0.02379991182613423
                Acierto en la prueba en la partición 1: 0.6947059035301208
                Acierto en la prueba en la partición 2: 0.7370588183403015
                Acierto en la prueba en la partición 3: 0.7141176462173462
                Acierto en la prueba en la partición 4: 0.75352942943573
                Acierto en la prueba en la partición 5: 0.7064706087112427
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.81644, 0.01771004352342372]
                Media y desvío AUC ROC de la clase inhibitor: [0.85149, 0.01567976580386527]
                Media y desvío AUC ROC de la clase agonist: [0.821838125, 0.031133104680247516]
                Media y desvío AUC ROC de la clase antagonist: [0.81852375, 0.016097569419354522]
                Media y desvío AUC ROC de la clase cofactor: [0.9731200000000001, 0.008164674050061679]
                Media y desvío AUC ROC de la clase binder: [0.911115625, 0.017232028965435995]
                Media y desvío AUC ROC de la clase inducer: [0.9732725, 0.015166326933580509]
                Media y desvío AUC ROC de la clase antibody: [0.9898100000000001, 0.005526338921474098]
                Media y desvío AUC ROC de la clase partial agonist: [0.994659375, 0.0017655351193937281]
                Media y desvío AUC ROC de la clase ligand: [0.9988025, 0.0008536754176793357]
                Media y desvío AUC ROC de la clase product of: [0.99787625, 0.002148416022619965]
                Media y desvío AUC ROC de la clase multitarget: [0.99808625, 0.000500515359404656]
                Media y desvío AUC ROC de la clase potentiator: [0.999340625, 0.00023682057422232342]
                Media y desvío AUC ROC de la clase modulator: [0.9979162500000001, 0.002554440832892763]
                Media y desvío AUC ROC de la clase activator: [0.9982362499999999, 0.0017012426524455682]
                Media y desvío AUC ROC de la clase negative modulator: [0.9993625, 0.0005871508270879171]
                Media y desvío AUC ROC de la clase other: [0.94809375, 0.016019098708650946]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 5440
        Cantidad de ejemplos utilizados para validar: 1360
        Cantidad de ejemplos utilizados para probar: 1700
        Top de palabras frecuentes utilizadas: 400
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.1
        Cantidad de filtros: 10
        Dimensión de los kernels: (2, 3)
        Neuronas en la capa oculta: 17
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.6808823466300964
        Acierto en el entrenamiento - desvío: 0.009900055575641817
                Acierto en el entrenamiento en la partición 1: 0.6928308606147766
                Acierto en el entrenamiento en la partición 2: 0.6838235259056091
                Acierto en el entrenamiento en la partición 3: 0.6654411554336548
                Acierto en el entrenamiento en la partición 4: 0.6801470518112183
                Acierto en el entrenamiento en la partición 5: 0.6821691393852234
        Acierto en la validación - media: 0.746470594406128
        Acierto en el validación - desvío: 0.004832860317274482
                Acierto en la validación en la partición 1: 0.7455882430076599
                Acierto en la validación en la partición 2: 0.7485294342041016
                Acierto en la validación en la partición 3: 0.7529411911964417
                Acierto en la validación en la partición 4: 0.7455882430076599
                Acierto en la validación en la partición 5: 0.7397058606147766
        Acierto en la prueba - media: 0.7470588088035583
        Acierto en el prueba - desvío: 0.0030281416732490275
                Acierto en la prueba en la partición 1: 0.748235285282135
                Acierto en la prueba en la partición 2: 0.751764714717865
                Acierto en la prueba en la partición 3: 0.7458823323249817
                Acierto en la prueba en la partición 4: 0.7441176176071167
                Acierto en la prueba en la partición 5: 0.7452940940856934
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.82972125, 0.017183349271533133]
                Media y desvío AUC ROC de la clase inhibitor: [0.873833125, 0.014481594528163163]
                Media y desvío AUC ROC de la clase agonist: [0.8601006250000001, 0.01783597348605659]
                Media y desvío AUC ROC de la clase antagonist: [0.85046625, 0.01656754395483269]
                Media y desvío AUC ROC de la clase cofactor: [0.9774537499999999, 0.007957745588026133]
                Media y desvío AUC ROC de la clase binder: [0.953540625, 0.012772562183311638]
                Media y desvío AUC ROC de la clase inducer: [0.98110625, 0.0059314080590109185]
                Media y desvío AUC ROC de la clase antibody: [0.99671, 0.0030392471826917304]
                Media y desvío AUC ROC de la clase partial agonist: [0.996615, 0.0008528170231649813]
                Media y desvío AUC ROC de la clase ligand: [0.99980375, 0.00014780952692567523]
                Media y desvío AUC ROC de la clase product of: [0.9996112500000001, 0.0004925301386717372]
                Media y desvío AUC ROC de la clase multitarget: [0.998409375, 0.0012305835759914886]
                Media y desvío AUC ROC de la clase potentiator: [0.999015, 0.0007491740243428437]
                Media y desvío AUC ROC de la clase modulator: [0.99914375, 0.0004307515235028513]
                Media y desvío AUC ROC de la clase activator: [0.999915, 0.00010005857659393836]
                Media y desvío AUC ROC de la clase negative modulator: [0.99980125, 0.00018699933154963026]
                Media y desvío AUC ROC de la clase other: [0.9403987500000001, 0.01666763104957291]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 5440
        Cantidad de ejemplos utilizados para validar: 1360
        Cantidad de ejemplos utilizados para probar: 1700
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.1
        Cantidad de filtros: 10
        Dimensión de los kernels: (2, 3)
        Neuronas en la capa oculta: 17
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.613860297203064
        Acierto en el entrenamiento - desvío: 0.024091598027562246
                Acierto en el entrenamiento en la partición 1: 0.6290441155433655
                Acierto en el entrenamiento en la partición 2: 0.609375
                Acierto en el entrenamiento en la partición 3: 0.6461396813392639
                Acierto en el entrenamiento en la partición 4: 0.5996323823928833
                Acierto en el entrenamiento en la partición 5: 0.5851103067398071
        Acierto en la validación - media: 0.7119117736816406
        Acierto en el validación - desvío: 0.021307022435433722
                Acierto en la validación en la partición 1: 0.7308823466300964
                Acierto en la validación en la partición 2: 0.716911792755127
                Acierto en la validación en la partición 3: 0.7323529124259949
                Acierto en la validación en la partición 4: 0.6933823823928833
                Acierto en la validación en la partición 5: 0.6860294342041016
        Acierto en la prueba - media: 0.7114117741584778
        Acierto en el prueba - desvío: 0.017854670692668308
                Acierto en la prueba en la partición 1: 0.729411780834198
                Acierto en la prueba en la partición 2: 0.7041176557540894
                Acierto en la prueba en la partición 3: 0.7305882573127747
                Acierto en la prueba en la partición 4: 0.6899999976158142
                Acierto en la prueba en la partición 5: 0.7029411792755127
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.8115481250000001, 0.021831549995254912]
                Media y desvío AUC ROC de la clase inhibitor: [0.838134375, 0.02730146945449998]
                Media y desvío AUC ROC de la clase agonist: [0.824553125, 0.018561208393616257]
                Media y desvío AUC ROC de la clase antagonist: [0.8129062499999999, 0.014987146022456606]
                Media y desvío AUC ROC de la clase cofactor: [0.97475125, 0.010311810014796126]
                Media y desvío AUC ROC de la clase binder: [0.94469625, 0.015442684858048472]
                Media y desvío AUC ROC de la clase inducer: [0.9653, 0.01544012249991888]
                Media y desvío AUC ROC de la clase antibody: [0.99264125, 0.006338158866145593]
                Media y desvío AUC ROC de la clase partial agonist: [0.99207125, 0.0026477570106601695]
                Media y desvío AUC ROC de la clase ligand: [0.99894375, 0.0008586076119218164]
                Media y desvío AUC ROC de la clase product of: [0.99902375, 0.0004537420367758549]
                Media y desvío AUC ROC de la clase multitarget: [0.99880125, 0.0012624644178153453]
                Media y desvío AUC ROC de la clase potentiator: [0.9982887500000001, 0.0006086518144637277]
                Media y desvío AUC ROC de la clase modulator: [0.99712125, 0.0016288691917247299]
                Media y desvío AUC ROC de la clase activator: [0.9980106249999999, 0.0016185653852253984]
                Media y desvío AUC ROC de la clase negative modulator: [0.9996025000000001, 0.00041941644728128946]
                Media y desvío AUC ROC de la clase other: [0.9452675, 0.013402309589908377]

aracterísticas de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 5440
        Cantidad de ejemplos utilizados para validar: 1360
        Cantidad de ejemplos utilizados para probar: 1700
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.1
        Cantidad de filtros: 100
        Dimensión de los kernels: (2, 3)
        Neuronas en la capa oculta: 17
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.7094853043556213
        Acierto en el entrenamiento - desvío: 0.09236392324868484
                Acierto en el entrenamiento en la partición 1: 0.7512867450714111
                Acierto en el entrenamiento en la partición 2: 0.7871323823928833
                Acierto en el entrenamiento en la partición 3: 0.7678309082984924
                Acierto en el entrenamiento en la partición 4: 0.6803308725357056
                Acierto en el entrenamiento en la partición 5: 0.5608456134796143
        Acierto en la validación - media: 0.7861764788627624
        Acierto en el validación - desvío: 0.07851033213453106
                Acierto en la validación en la partición 1: 0.8183823823928833
                Acierto en la validación en la partición 2: 0.841911792755127
                Acierto en la validación en la partición 3: 0.841176450252533
                Acierto en la validación en la partición 4: 0.7749999761581421
                Acierto en la validación en la partición 5: 0.654411792755127
        Acierto en la prueba - media: 0.7988235235214234
        Acierto en el prueba - desvío: 0.07214460971909194
                Acierto en la prueba en la partición 1: 0.8229411840438843
                Acierto en la prueba en la partición 2: 0.8476470708847046
                Acierto en la prueba en la partición 3: 0.8535293936729431
                Acierto en la prueba en la partición 4: 0.792941153049469
                Acierto en la prueba en la partición 5: 0.6770588159561157
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.8896193750000001, 0.02100107168024407]
                Media y desvío AUC ROC de la clase inhibitor: [0.940769375, 0.015618622823611953]
                Media y desvío AUC ROC de la clase agonist: [0.900646875, 0.01681923598796184]
                Media y desvío AUC ROC de la clase antagonist: [0.9215912500000001, 0.007853336522220988]
                Media y desvío AUC ROC de la clase cofactor: [0.987110625, 0.022349992309842078]
                Media y desvío AUC ROC de la clase binder: [0.98994625, 0.009196265588881678]
                Media y desvío AUC ROC de la clase inducer: [0.9942075, 0.008271047252691139]
                Media y desvío AUC ROC de la clase antibody: [0.99990125, 0.00018783303756261208]
                Media y desvío AUC ROC de la clase partial agonist: [0.998911875, 0.0002631910546542432]
                Media y desvío AUC ROC de la clase ligand: [0.989768125, 0.022879168037280663]
                Media y desvío AUC ROC de la clase product of: [0.99082, 0.02030015942440483]
                Media y desvío AUC ROC de la clase multitarget: [0.99886375, 0.002540732239434123]
                Media y desvío AUC ROC de la clase potentiator: [0.999105, 0.0007359809567848775]
                Media y desvío AUC ROC de la clase modulator: [0.9959831250000001, 0.007644007303518891]
                Media y desvío AUC ROC de la clase activator: [0.993595, 0.014276638615453238]
                Media y desvío AUC ROC de la clase negative modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase other: [0.992396875, 0.010469124993283794]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 5440
        Cantidad de ejemplos utilizados para validar: 1360
        Cantidad de ejemplos utilizados para probar: 1700
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.1
        Cantidad de filtros: 100
        Dimensión de los kernels: (2, 3, 4)
        Neuronas en la capa oculta: 17
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.6600367605686188
        Acierto en el entrenamiento - desvío: 0.13122795872063994
                Acierto en el entrenamiento en la partición 1: 0.7395220398902893
                Acierto en el entrenamiento en la partición 2: 0.6277573704719543
                Acierto en el entrenamiento en la partición 3: 0.7277573347091675
                Acierto en el entrenamiento en la partición 4: 0.4439338147640228
                Acierto en el entrenamiento en la partición 5: 0.7612132430076599
        Acierto en la validación - media: 0.769705879688263
        Acierto en el validación - desvío: 0.10517584458204847
                Acierto en la validación en la partición 1: 0.8345588445663452
                Acierto en la validación en la partición 2: 0.7227941155433655
                Acierto en la validación en la partición 3: 0.8404411673545837
                Acierto en la validación en la partición 4: 0.6051470637321472
                Acierto en la validación en la partición 5: 0.845588207244873
        Acierto en la prueba - media: 0.7792941212654114
        Acierto en el prueba - desvío: 0.10372091124243983
                Acierto en la prueba en la partición 1: 0.8476470708847046
                Acierto en la prueba en la partición 2: 0.729411780834198
                Acierto en la prueba en la partición 3: 0.8458823561668396
                Acierto en la prueba en la partición 4: 0.6188235282897949
                Acierto en la prueba en la partición 5: 0.8547058701515198
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.85692125, 0.015399720091815007]
                Media y desvío AUC ROC de la clase inhibitor: [0.92675875, 0.043989337886086055]
                Media y desvío AUC ROC de la clase agonist: [0.902725625, 0.030120619202995712]
                Media y desvío AUC ROC de la clase antagonist: [0.90276375, 0.02930869858079683]
                Media y desvío AUC ROC de la clase cofactor: [0.99032875, 0.00963896875967546]
                Media y desvío AUC ROC de la clase binder: [0.9930425, 0.00677008066329349]
                Media y desvío AUC ROC de la clase inducer: [0.9983625, 0.002768806432833486]
                Media y desvío AUC ROC de la clase antibody: [0.9982550000000001, 0.0028062061522186625]
                Media y desvío AUC ROC de la clase partial agonist: [0.96931625, 0.04182723549203616]
                Media y desvío AUC ROC de la clase ligand: [0.99785, 0.004426623995778231]
                Media y desvío AUC ROC de la clase product of: [1.0, 0.0]
                Media y desvío AUC ROC de la clase multitarget: [0.9852075, 0.02160007579648882]
                Media y desvío AUC ROC de la clase potentiator: [0.99970875, 0.00012512493756240765]
                Media y desvío AUC ROC de la clase modulator: [0.976339375, 0.036058614500386735]
                Media y desvío AUC ROC de la clase activator: [0.994380625, 0.012565304491062891]
                Media y desvío AUC ROC de la clase negative modulator: [0.99620375, 0.007609703663333409]
                Media y desvío AUC ROC de la clase other: [0.985389375, 0.018450562851340092]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 5440
        Cantidad de ejemplos utilizados para validar: 1360
        Cantidad de ejemplos utilizados para probar: 1700
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.1
        Cantidad de filtros: 100
        Dimensión de los kernels: (3, 5, 7, 9, 11, 13, 15)
        Neuronas en la capa oculta: 17
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.39992646798491477
        Acierto en el entrenamiento - desvío: 0.33647824968550777
                Acierto en el entrenamiento en la partición 1: 0.4060661792755127
                Acierto en el entrenamiento en la partición 2: 0.0623161755502224
                Acierto en el entrenamiento en la partición 3: 0.7299632430076599
                Acierto en el entrenamiento en la partición 4: 0.7397058606147766
                Acierto en el entrenamiento en la partición 5: 0.06158088147640228
        Acierto en la validación - media: 0.46735294759273527
        Acierto en el validación - desvío: 0.40474104351556095
                Acierto en la validación en la partición 1: 0.5411764979362488
                Acierto en la validación en la partición 2: 0.04485294222831726
                Acierto en la validación en la partición 3: 0.841911792755127
                Acierto en la validación en la partición 4: 0.8610293865203857
                Acierto en la validación en la partición 5: 0.04779411852359772
        Acierto en la prueba - media: 0.17588235586881637
        Acierto en el prueba - desvío: 0.10763902446763919
                Acierto en la prueba en la partición 1: 0.23647059500217438
                Acierto en la prueba en la partición 2: 0.05882352963089943
                Acierto en la prueba en la partición 3: 0.2523529529571533
                Acierto en la prueba en la partición 4: 0.2729411721229553
                Acierto en la prueba en la partición 5: 0.05882352963089943
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.60061625, 0.10028881706414228]
                Media y desvío AUC ROC de la clase inhibitor: [0.66931875, 0.15501751633636032]
                Media y desvío AUC ROC de la clase agonist: [0.6627875, 0.1495111019602725]
                Media y desvío AUC ROC de la clase antagonist: [0.623281875, 0.11266924650674844]
                Media y desvío AUC ROC de la clase cofactor: [0.75116, 0.230047655966378]
                Media y desvío AUC ROC de la clase binder: [0.64977875, 0.14386527291184623]
                Media y desvío AUC ROC de la clase inducer: [0.57786375, 0.08399702054797836]
                Media y desvío AUC ROC de la clase antibody: [0.73739375, 0.2212322845132181]
                Media y desvío AUC ROC de la clase partial agonist: [0.7465, 0.22698904550075485]
                Media y desvío AUC ROC de la clase ligand: [0.7222087500000001, 0.21665868776574598]
                Media y desvío AUC ROC de la clase product of: [0.7357625, 0.21998473562101983]
                Media y desvío AUC ROC de la clase multitarget: [0.5313575, 0.06713494214662921]
                Media y desvío AUC ROC de la clase potentiator: [0.63175625, 0.1229530005797439]
                Media y desvío AUC ROC de la clase modulator: [0.56077875, 0.1414478623579197]
                Media y desvío AUC ROC de la clase activator: [0.600025, 0.10614252827492734]
                Media y desvío AUC ROC de la clase negative modulator: [0.51310625, 0.09322132790602426]
                Media y desvío AUC ROC de la clase other: [0.533930625, 0.0342695263539407]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 218
        Cantidad de ejemplos utilizados para validar: 54
        Cantidad de ejemplos utilizados para probar: 68
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (3, 5, 7, 9, 11, 13, 15)
        Neuronas en la capa oculta: 128
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.06788990870118142
        Acierto en el entrenamiento - desvío: 0.011873558987375729
                Acierto en el entrenamiento en la partición 1: 0.06422018259763718
                Acierto en el entrenamiento en la partición 2: 0.07798165082931519
                Acierto en el entrenamiento en la partición 3: 0.059633027762174606
                Acierto en el entrenamiento en la partición 4: 0.08256880939006805
                Acierto en el entrenamiento en la partición 5: 0.055045872926712036
        Acierto en la validación - media: 0.040740741044282915
        Acierto en el validación - desvío: 0.024145194273238857
                Acierto en la validación en la partición 1: 0.018518518656492233
                Acierto en la validación en la partición 2: 0.018518518656492233
                Acierto en la validación en la partición 3: 0.03703703731298447
                Acierto en la validación en la partición 4: 0.07407407462596893
                Acierto en la validación en la partición 5: 0.0555555559694767
        Acierto en la prueba - media: 0.06764706075191498
        Acierto en el prueba - desvío: 0.01676728646082719
                Acierto en la prueba en la partición 1: 0.07352941483259201
                Acierto en la prueba en la partición 2: 0.07352941483259201
                Acierto en la prueba en la partición 3: 0.04411764815449715
                Acierto en la prueba en la partición 4: 0.05882352963089943
                Acierto en la prueba en la partición 5: 0.0882352963089943
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.425, 0.04291544989678834]
                Media y desvío AUC ROC de la clase inhibitor: [0.4328125, 0.13419546509313382]
                Media y desvío AUC ROC de la clase agonist: [0.46640625, 0.17023812166023874]
                Media y desvío AUC ROC de la clase antagonist: [0.5234375, 0.1045606157369076]
                Media y desvío AUC ROC de la clase cofactor: [0.46953125, 0.17159512013430409]
                Media y desvío AUC ROC de la clase binder: [0.409375, 0.12689000834876638]
                Media y desvío AUC ROC de la clase inducer: [0.49453125, 0.10527325631941738]
                Media y desvío AUC ROC de la clase antibody: [0.40859375, 0.13684703802569587]
                Media y desvío AUC ROC de la clase partial agonist: [0.62578125, 0.08470349825826262]
                Media y desvío AUC ROC de la clase ligand: [0.675, 0.1386966307128394]
                Media y desvío AUC ROC de la clase product of: [0.42421875, 0.10237058331437307]
                Media y desvío AUC ROC de la clase multitarget: [0.659375, 0.1419856052893215]
                Media y desvío AUC ROC de la clase potentiator: [0.628125, 0.21758548854236295]
                Media y desvío AUC ROC de la clase modulator: [0.5953125, 0.0785437993604126]
                Media y desvío AUC ROC de la clase activator: [0.46484375, 0.15845610560134232]
                Media y desvío AUC ROC de la clase negative modulator: [0.4640625, 0.06491900753294447]
                Media y desvío AUC ROC de la clase other: [0.55234375, 0.08711025083640415]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 436
        Cantidad de ejemplos utilizados para validar: 108
        Cantidad de ejemplos utilizados para probar: 136
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (3, 5, 7, 9, 11, 13, 15)
        Neuronas en la capa oculta: 128
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.963302743434906
        Acierto en el entrenamiento - desvío: 0.015471011014599422
                Acierto en el entrenamiento en la partición 1: 0.9770641922950745
                Acierto en el entrenamiento en la partición 2: 0.9564220309257507
                Acierto en el entrenamiento en la partición 3: 0.9403669834136963
                Acierto en el entrenamiento en la partición 4: 0.9770641922950745
                Acierto en el entrenamiento en la partición 5: 0.9655963182449341
        Acierto en la validación - media: 0.5129629731178283
        Acierto en el validación - desvío: 0.028236955262763243
                Acierto en la validación en la partición 1: 0.5277777910232544
                Acierto en la validación en la partición 2: 0.5
                Acierto en la validación en la partición 3: 0.49074074625968933
                Acierto en la validación en la partición 4: 0.5555555820465088
                Acierto en la validación en la partición 5: 0.49074074625968933
        Acierto en la prueba - media: 0.29705882668495176
        Acierto en el prueba - desvío: 0.019174128149786134
                Acierto en la prueba en la partición 1: 0.2867647111415863
                Acierto en la prueba en la partición 2: 0.2720588147640228
                Acierto en la prueba en la partición 3: 0.31617647409439087
                Acierto en la prueba en la partición 4: 0.31617647409439087
                Acierto en la prueba en la partición 5: 0.29411765933036804
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.506640625, 0.07748271134027658]
                Media y desvío AUC ROC de la clase inhibitor: [0.660546875, 0.08836838464648597]
                Media y desvío AUC ROC de la clase agonist: [0.7611328125, 0.060667250550083776]
                Media y desvío AUC ROC de la clase antagonist: [0.84765625, 0.060408896461767246]
                Media y desvío AUC ROC de la clase cofactor: [0.88671875, 0.02120512768614108]
                Media y desvío AUC ROC de la clase binder: [0.6009765625, 0.07243566355051845]
                Media y desvío AUC ROC de la clase inducer: [0.7025390625, 0.059171145990442556]
                Media y desvío AUC ROC de la clase antibody: [0.859765625, 0.05659261839486762]
                Media y desvío AUC ROC de la clase partial agonist: [0.934765625, 0.03930830863114573]
                Media y desvío AUC ROC de la clase ligand: [0.8326171875, 0.11566516075656401]
                Media y desvío AUC ROC de la clase product of: [0.6083984375, 0.14423732253616725]
                Media y desvío AUC ROC de la clase multitarget: [0.809765625, 0.1550404846479874]
                Media y desvío AUC ROC de la clase potentiator: [0.8486328125, 0.07955538700069328]
                Media y desvío AUC ROC de la clase modulator: [0.5154296875, 0.10562777363222232]
                Media y desvío AUC ROC de la clase activator: [0.7109375, 0.15590171143361348]
                Media y desvío AUC ROC de la clase negative modulator: [0.925390625, 0.06453297610433609]
                Media y desvío AUC ROC de la clase other: [0.64453125, 0.07467032135238967]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 218
        Cantidad de ejemplos utilizados para validar: 54
        Cantidad de ejemplos utilizados para probar: 68
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 17
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 40
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento - media: 0.06422018259763718
        Acierto en el entrenamiento - desvío: 0.011236190999288994
                Acierto en el entrenamiento en la partición 1: 0.07339449226856232
                Acierto en el entrenamiento en la partición 2: 0.07798165082931519
                Acierto en el entrenamiento en la partición 3: 0.05045871436595917
                Acierto en el entrenamiento en la partición 4: 0.059633027762174606
                Acierto en el entrenamiento en la partición 5: 0.059633027762174606
        Acierto en la validación - media: 0.025925926119089126
        Acierto en el validación - desvío: 0.010143010399741059
                Acierto en la validación en la partición 1: 0.018518518656492233
                Acierto en la validación en la partición 2: 0.03703703731298447
                Acierto en la validación en la partición 3: 0.018518518656492233
                Acierto en la validación en la partición 4: 0.03703703731298447
                Acierto en la validación en la partición 5: 0.018518518656492233
        Acierto en la prueba - media: 0.0735294133424759
        Acierto en el prueba - desvío: 0.03288335564829188
                Acierto en la prueba en la partición 1: 0.05882352963089943
                Acierto en la prueba en la partición 2: 0.05882352963089943
                Acierto en la prueba en la partición 3: 0.05882352963089943
                Acierto en la prueba en la partición 4: 0.13235294818878174
                Acierto en la prueba en la partición 5: 0.05882352963089943
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.45546875, 0.09957490212303752]
                Media y desvío AUC ROC de la clase inhibitor: [0.48671875, 0.029697777826169083]
                Media y desvío AUC ROC de la clase agonist: [0.4453125, 0.12228496751951975]
                Media y desvío AUC ROC de la clase antagonist: [0.53671875, 0.08210562104882041]
                Media y desvío AUC ROC de la clase cofactor: [0.5390625, 0.08734640537108554]
                Media y desvío AUC ROC de la clase binder: [0.5171875, 0.03843241836327763]
                Media y desvío AUC ROC de la clase inducer: [0.515625, 0.034938562148434216]
                Media y desvío AUC ROC de la clase antibody: [0.53828125, 0.08559947726366382]
                Media y desvío AUC ROC de la clase partial agonist: [0.575, 0.16770509831248423]
                Media y desvío AUC ROC de la clase ligand: [0.55625, 0.12577882373436317]
                Media y desvío AUC ROC de la clase product of: [0.55390625, 0.12053803941209804]
                Media y desvío AUC ROC de la clase multitarget: [0.4765625, 0.052407843222651324]
                Media y desvío AUC ROC de la clase potentiator: [0.53125, 0.06987712429686843]
                Media y desvío AUC ROC de la clase modulator: [0.5265625, 0.059395555652338165]
                Media y desvío AUC ROC de la clase activator: [0.44375, 0.12577882373436317]
                Media y desvío AUC ROC de la clase negative modulator: [0.471875, 0.06288941186718158]
                Media y desvío AUC ROC de la clase other: [0.48984375, 0.02271006539648224]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 218
        Cantidad de ejemplos utilizados para validar: 54
        Cantidad de ejemplos utilizados para probar: 68
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 500
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 17
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 40
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [0.08256880740324656/0.016171642484998743]
        Acierto en el validación [media, desvío]: [0.016049382835626604/0.01376339552767874]
        Acierto en el validación [media, desvío]: [0.016049382835626604/0.01376339552767874]
        Acierto en la prueba - media: 0.06176470673332612
        Acierto en el prueba - desvío: 0.01860163399549759
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.5255208333333333, 0.07774904892607992]
                Media y desvío AUC ROC de la clase inhibitor: [0.5154947916666667, 0.10205619903666684]
                Media y desvío AUC ROC de la clase agonist: [0.512890625, 0.06914724544574698]
                Media y desvío AUC ROC de la clase antagonist: [0.512890625, 0.08341402053102076]
                Media y desvío AUC ROC de la clase cofactor: [0.600390625, 0.1499166347814931]
                Media y desvío AUC ROC de la clase binder: [0.5151041666666667, 0.07604107741434282]
                Media y desvío AUC ROC de la clase inducer: [0.5274739583333333, 0.05284517680534849]
                Media y desvío AUC ROC de la clase antibody: [0.5403645833333334, 0.07437156299894138]
                Media y desvío AUC ROC de la clase partial agonist: [0.5798177083333333, 0.13330983454397546]
                Media y desvío AUC ROC de la clase ligand: [0.5365885416666667, 0.10488966215606542]
                Media y desvío AUC ROC de la clase product of: [0.5537760416666667, 0.09353720113509252]
                Media y desvío AUC ROC de la clase multitarget: [0.5197916666666667, 0.08081942199344268]
                Media y desvío AUC ROC de la clase potentiator: [0.5600260416666667, 0.10762072369363056]
                Media y desvío AUC ROC de la clase modulator: [0.528125, 0.054626680146909606]
                Media y desvío AUC ROC de la clase activator: [0.566796875, 0.13551808566229698]
                Media y desvío AUC ROC de la clase negative modulator: [0.5216145833333333, 0.04362617668264874]
                Media y desvío AUC ROC de la clase other: [0.5169270833333334, 0.07382733764382371]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 2176
        Cantidad de ejemplos utilizados para validar: 544
        Cantidad de ejemplos utilizados para probar: 672
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.5
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 4, 5, 6, 7, 8, 9, 10, 11)
        Neuronas en la primer capa oculta: 128
        Neuronas en la segunda capa oculta: 64
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 15
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 50
        Dimensión batch: 32
        Cantidad de particiones: 4
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [0.8016429245471954 / 0.007622648491536962]
        Acierto en el validación [media, desvío]: [0.8180147036910057 / 0.01690491498459521]
        Acierto en el validación [media, desvío]: [0.3262648805975914 / 0.028566001193472898]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.6938444822373393, 0.02427505661845067]
                Media y desvío AUC ROC de la clase inhibitor: [0.7747354497354497, 0.03192393756807904]
                Media y desvío AUC ROC de la clase agonist: [0.766165910808768, 0.03217858215693165]
                Media y desvío AUC ROC de la clase antagonist: [0.7422430083144369, 0.02294264638108513]
                Media y desvío AUC ROC de la clase cofactor: [0.9104875283446712, 0.012087769156894978]
                Media y desvío AUC ROC de la clase binder: [0.7080498866213152, 0.0666869985188242]
                Media y desvío AUC ROC de la clase inducer: [0.7365693499622071, 0.06367055095125694]
                Media y desvío AUC ROC de la clase antibody: [0.8381849962207105, 0.04716108083236643]
                Media y desvío AUC ROC de la clase partial agonist: [0.8821097883597884, 0.07202773373816368]
                Media y desvío AUC ROC de la clase ligand: [0.9488142479213908, 0.0295806742275126]
                Media y desvío AUC ROC de la clase product of: [0.8250755857898715, 0.08970136817351392]
                Media y desvío AUC ROC de la clase multitarget: [0.9078750944822374, 0.05440901187596737]
                Media y desvío AUC ROC de la clase potentiator: [0.8437145691609977, 0.04255374714328586]
                Media y desvío AUC ROC de la clase modulator: [0.8189909297052155, 0.07765852304103026]
                Media y desvío AUC ROC de la clase activator: [0.6769517330741821, 0.03815190478291963]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 2176
        Cantidad de ejemplos utilizados para validar: 544
        Cantidad de ejemplos utilizados para probar: 672
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.5
        Cantidad de filtros: 50
        Dimensión de los kernels: (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11)
        Neuronas en la primer capa oculta: 128
        Neuronas en la segunda capa oculta: 64
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 15
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 50
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [0.7153952181339264 / 0.09318259939527412]
        Acierto en el validación [media, desvío]: [0.7680147111415863 / 0.061798007808568624]
        Acierto en el validación [media, desvío]: [0.27931548058986666 / 0.015576506028584253]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.6633919123204838, 0.027207883575312584]
                Media y desvío AUC ROC de la clase inhibitor: [0.7768480725623583, 0.049368841279745584]
                Media y desvío AUC ROC de la clase agonist: [0.7529043839758125, 0.03199757278339346]
                Media y desvío AUC ROC de la clase antagonist: [0.7463718820861678, 0.0345340262060126]
                Media y desvío AUC ROC de la clase cofactor: [0.9036130007558579, 0.012701101908033696]
                Media y desvío AUC ROC de la clase binder: [0.732411186696901, 0.062088468070452034]
                Media y desvío AUC ROC de la clase inducer: [0.5787207105064248, 0.08282709649090832]
                Media y desvío AUC ROC de la clase antibody: [0.902883597883598, 0.026602482010760913]
                Media y desvío AUC ROC de la clase partial agonist: [0.9257785336356765, 0.04363669202366752]
                Media y desvío AUC ROC de la clase ligand: [0.8953212396069539, 0.05888365303665014]
                Media y desvío AUC ROC de la clase product of: [0.8354686318972033, 0.0633650434169176]
                Media y desvío AUC ROC de la clase multitarget: [0.7794992441421013, 0.05770160487791273]
                Media y desvío AUC ROC de la clase potentiator: [0.8545956160241874, 0.06354829601415761]
                Media y desvío AUC ROC de la clase modulator: [0.623344671201814, 0.13053468477122007]
                Media y desvío AUC ROC de la clase activator: [0.6502146096533852, 0.037593437941904416]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 2176
        Cantidad de ejemplos utilizados para validar: 544
        Cantidad de ejemplos utilizados para probar: 672
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.5
        Cantidad de filtros: 75
        Dimensión de los kernels: (3, 5, 7, 9, 11)
        Neuronas en la primer capa oculta: 128
        Neuronas en la segunda capa oculta: 64
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 15
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 50
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [0.8745404362678528 / 0.010441410810410084]
        Acierto en el validación [media, desvío]: [0.8325367629528045 / 0.008010342717166712]
        Acierto en el validación [media, desvío]: [0.30238095223903655 / 0.015397776546339784]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7509750566893424, 0.03427036429026356]
                Media y desvío AUC ROC de la clase inhibitor: [0.8327664399092971, 0.024614830940353622]
                Media y desvío AUC ROC de la clase antagonist: [0.7705744520030234, 0.02288075483104385]
                Media y desvío AUC ROC de la clase cofactor: [0.90786470143613, 0.01549251034013504]
                Media y desvío AUC ROC de la clase binder: [0.6638321995464853, 0.05715953213007475]
                Media y desvío AUC ROC de la clase inducer: [0.651904761904762, 0.05266772603731872]
                Media y desvío AUC ROC de la clase antibody: [0.8443953136810279, 0.02452959160614953]
                Media y desvío AUC ROC de la clase partial agonist: [0.8950377928949358, 0.04189097272039116]
                Media y desvío AUC ROC de la clase ligand: [0.8551095993953137, 0.044192501866660454]
                Media y desvío AUC ROC de la clase product of: [0.6396258503401361, 0.07183205189570305]
                Media y desvío AUC ROC de la clase multitarget: [0.8931934996220711, 0.0872966052778451]
                Media y desvío AUC ROC de la clase potentiator: [0.8494671201814059, 0.0468299481214064]
                Media y desvío AUC ROC de la clase modulator: [0.7242290249433107, 0.05004070260317377]
                Media y desvío AUC ROC de la clase activator: [0.6395347424684159, 0.04921103134166194]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 2176
        Cantidad de ejemplos utilizados para validar: 544
        Cantidad de ejemplos utilizados para probar: 672
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.5
        Cantidad de filtros: 60
        Dimensión de los kernels: (3, 5, 7, 9, 11)
        Neuronas en la primer capa oculta: 128
        Neuronas en la segunda capa oculta: 64
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 15
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 50
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [0.8620864152908325 / 0.015825637305566877]
        Acierto en el validación [media, desvío]: [0.8299632430076599 / 0.021754611125878436]
        Acierto en el validación [media, desvío]: [0.3126488119363785 / 0.020541340774541762]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.659421768707483, 0.029821816784340344]
                Media y desvío AUC ROC de la clase inhibitor: [0.8120483749055177, 0.027149786066769765]
                Media y desvío AUC ROC de la clase agonist: [0.7652985638699924, 0.021193341338244635]
                Media y desvío AUC ROC de la clase antagonist: [0.7949319727891156, 0.025529202012410608]
                Media y desvío AUC ROC de la clase cofactor: [0.8821012849584278, 0.016615881683404395]
                Media y desvío AUC ROC de la clase binder: [0.6473167044595616, 0.09502553962621162]
                Media y desvío AUC ROC de la clase inducer: [0.7806462585034013, 0.046412241113380465]
                Media y desvío AUC ROC de la clase antibody: [0.9256500377928949, 0.050681852033271566]
                Media y desvío AUC ROC de la clase partial agonist: [0.9466628873771731, 0.018264724366562735]
                Media y desvío AUC ROC de la clase ligand: [0.7804043839758126, 0.036441803160606315]
                Media y desvío AUC ROC de la clase product of: [0.8325661375661376, 0.08240304520672688]
                Media y desvío AUC ROC de la clase multitarget: [0.7343801965230536, 0.08003437696313696]
                Media y desvío AUC ROC de la clase potentiator: [0.8411281179138322, 0.04411258661579897]
                Media y desvío AUC ROC de la clase modulator: [0.7103212396069538, 0.11264495295417296]
                Media y desvío AUC ROC de la clase activator: [0.711175898931001, 0.039615300934228756]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 2172
        Cantidad de ejemplos utilizados para validar: 543
        Cantidad de ejemplos utilizados para probar: 675
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.5
        Cantidad de filtros: 50
        Dimensión de los kernels: (3, 5, 7, 9, 11)
        Neuronas en la primer capa oculta: 128
        Neuronas en la segunda capa oculta: 64
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 14
        Activación en la capa de salida: softmax
        Velocidad de aprendizaje: 0.001
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 50
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [0.8557550787925721 / 0.005693035413638444]
        Acierto en el validación [media, desvío]: [0.8222836077213287 / 0.010851855353207795]
        Acierto en el validación [media, desvío]: [0.3026666671037674 / 0.017723508203178927]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.6917989417989417, 0.01873470297420058]
                Media y desvío AUC ROC de la clase inhibitor: [0.793679012345679, 0.02172144489295441]
                Media y desvío AUC ROC de la clase agonist: [0.7973439153439152, 0.022169417711669206]
                Media y desvío AUC ROC de la clase antagonist: [0.7661269841269841, 0.014620299977798215]
                Media y desvío AUC ROC de la clase cofactor: [0.9425361552028219, 0.016765086139617046]
                Media y desvío AUC ROC de la clase binder: [0.7287936507936508, 0.04728079558556782]
                Media y desvío AUC ROC de la clase inducer: [0.711721340388007, 0.0632706987626301]
                Media y desvío AUC ROC de la clase antibody: [0.7557954144620811, 0.03525055033060027]
                Media y desvío AUC ROC de la clase partial agonist: [0.8805008818342152, 0.045914810369160626]
                Media y desvío AUC ROC de la clase ligand: [0.7342927689594356, 0.07862717876407445]
                Media y desvío AUC ROC de la clase product of: [0.847026455026455, 0.03433418211903914]
                Media y desvío AUC ROC de la clase multitarget: [0.78431569664903, 0.03446761664341301]
                Media y desvío AUC ROC de la clase potentiator: [0.5017213403880071, 0.06085677347574646]
                Media y desvío AUC ROC de la clase modulator: [0.6961709401709402, 0.04023773176524572]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 2176
        Cantidad de ejemplos utilizados para validar: 544
        Cantidad de ejemplos utilizados para probar: 680
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 75
        Dimensión de los kernels: (3, 5, 7, 9, 11, 13, 15)
        Neuronas en la primer capa oculta: 128
        Neuronas en la segunda capa oculta: 64
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [0.8134191155433654 / 0.017792704984059805]
        Acierto en el validación [media, desvío]: [0.8459558844566345 / 0.017312631543910946]
        Acierto en el prueba [media, desvío]: [0.3676470577716827 / 0.011343564968984816]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.6927109375, 0.021084825224230087]
                Media y desvío AUC ROC de la clase inhibitor: [0.8434843750000001, 0.009295906593470635]
                Media y desvío AUC ROC de la clase agonist: [0.858453125, 0.01432786195403304]
                Media y desvío AUC ROC de la clase antagonist: [0.7459296875, 0.012920992875346895]
                Media y desvío AUC ROC de la clase cofactor: [0.975421875, 0.0017798960040283677]
                Media y desvío AUC ROC de la clase binder: [0.8194609375, 0.01601458647547505]
                Media y desvío AUC ROC de la clase inducer: [0.7722890625000001, 0.0381011047523508]
                Media y desvío AUC ROC de la clase antibody: [0.97840625, 0.005250340042001151]
                Media y desvío AUC ROC de la clase partial agonist: [0.9503046875, 0.006696023518255591]
                Media y desvío AUC ROC de la clase ligand: [0.9237968750000001, 0.010381971843318976]
                Media y desvío AUC ROC de la clase product of: [0.95553125, 0.015038443574926588]
                Media y desvío AUC ROC de la clase multitarget: [0.946875, 0.02005854620551813]
                Media y desvío AUC ROC de la clase potentiator: [0.804171875, 0.07811772622388996]
                Media y desvío AUC ROC de la clase modulator: [0.6488437499999999, 0.0425355076280945]
                Media y desvío AUC ROC de la clase activator: [0.6803515625, 0.02510991158710261]
                Media y desvío AUC ROC de la clase negative modulator: [0.719953125, 0.06269407368324373]
                Media y desvío AUC ROC de la clase other: [0.8070703125, 0.040792613583810075]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 2176
        Cantidad de ejemplos utilizados para validar: 544
        Cantidad de ejemplos utilizados para probar: 672
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 75
        Dimensión de los kernels: (3, 5, 7, 9, 11, 13, 15)
        Neuronas en la primer capa oculta: 128
        Neuronas en la segunda capa oculta: 64
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 15
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [0.8052389740943908 / 0.039852530209727406]
        Acierto en el validación [media, desvío]: [0.8422794103622436 / 0.014439211201833236]
        Acierto en el prueba [media, desvío]: [0.3386904776096344 / 0.007335574932706795]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7349055177626606, 0.0163327320184001]
                Media y desvío AUC ROC de la clase inhibitor: [0.8082086167800454, 0.015479302655043863]
                Media y desvío AUC ROC de la clase agonist: [0.8511602418745275, 0.006823077797570783]
                Media y desvío AUC ROC de la clase antagonist: [0.7179062736205593, 0.011176330971859523]
                Media y desvío AUC ROC de la clase cofactor: [0.960355253212396, 0.008486587896026321]
                Media y desvío AUC ROC de la clase binder: [0.8158730158730159, 0.01918172788541585]
                Media y desvío AUC ROC de la clase inducer: [0.8356084656084656, 0.026112762754434447]
                Media y desvío AUC ROC de la clase antibody: [0.846832955404384, 0.0287094367537065]
                Media y desvío AUC ROC de la clase partial agonist: [0.942838246409675, 0.008212892597165799]
                Media y desvío AUC ROC de la clase ligand: [0.9941118669690098, 0.0015638223167723515]
                Media y desvío AUC ROC de la clase product of: [0.878896447467876, 0.034718051641488695]
                Media y desvío AUC ROC de la clase multitarget: [0.8014890400604686, 0.04791346643160924]
                Media y desvío AUC ROC de la clase potentiator: [0.8738321995464852, 0.026977848610402613]
                Media y desvío AUC ROC de la clase modulator: [0.686885865457294, 0.08309247332545805]
                Media y desvío AUC ROC de la clase activator: [0.7430879494655005, 0.03271786032010441]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 6221
        Cantidad de ejemplos utilizados para validar: 1555
        Cantidad de ejemplos utilizados para probar: 1944
        Top de palabras frecuentes utilizadas: 300
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 1000
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 75
        Dimensión de los kernels: (3, 5, 7, 9, 11, 13, 15)
        Neuronas en la primer capa oculta: 128
        Neuronas en la segunda capa oculta: 64
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [0.9193055868148804 / 0.005200072435926308]
        Acierto en el validación [media, desvío]: [0.9194855332374573 / 0.010745531806800112]
        Acierto en el prueba [media, desvío]: [0.2364197552204132 / 0.010018326977758747]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.6782511277302944, 0.027965334751869755]
                Media y desvío AUC ROC de la clase inhibitor: [0.8190289648622981, 0.01879619711578457]
                Media y desvío AUC ROC de la clase agonist: [0.821679131054131, 0.00851257575785287]
                Media y desvío AUC ROC de la clase antagonist: [0.7231778252611586, 0.008082733145003662]
                Media y desvío AUC ROC de la clase cofactor: [0.9425554962013295, 0.008271980544014753]
                Media y desvío AUC ROC de la clase binder: [0.7969907407407407, 0.029364985769319913]
                Media y desvío AUC ROC de la clase inducer: [0.8596658357075023, 0.024662798800157093]
                Media y desvío AUC ROC de la clase antibody: [0.8299115622032288, 0.013045526472867745]
                Media y desvío AUC ROC de la clase partial agonist: [0.9658119658119658, 0.004269406248760303]
                Media y desvío AUC ROC de la clase ligand: [0.9172824667616334, 0.09573233721208352]
                Media y desvío AUC ROC de la clase product of: [0.8669530508072175, 0.03186722630917119]
                Media y desvío AUC ROC de la clase multitarget: [0.7721257716049382, 0.024639754495931344]
                Media y desvío AUC ROC de la clase potentiator: [0.7931980056980057, 0.0967200835229996]
                Media y desvío AUC ROC de la clase modulator: [0.6430273622981957, 0.03365276105055171]
                Media y desvío AUC ROC de la clase activator: [0.7390446937321937, 0.034221864927812214]
                Media y desvío AUC ROC de la clase negative modulator: [0.9021575261158594, 0.048747951400051205]
                Media y desvío AUC ROC de la clase other: [0.7297987891737892, 0.06453798959547634]
                Media y desvío AUC ROC de la clase suppressor: [0.9889719848053181, 0.012875930936809955]
                Media y desvío AUC ROC de la clase blocker: [0.7355413105413106, 0.05166466775265819]
                Media y desvío AUC ROC de la clase stimulator: [0.6638369539411206, 0.07670455664398039]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [0.8113247863247863, 0.15627049869189727]
                Media y desvío AUC ROC de la clase partial antagonist: [0.685042735042735, 0.23152186394417348]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9299679487179486, 0.04588205676304591]
                Media y desvío AUC ROC de la clase binding: [0.8866452991452991, 0.17354633900198538]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.6262820512820513, 0.27395139484234327]
                Media y desvío AUC ROC de la clase inverse agonist: [0.8319444444444444, 0.09115117016560051]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17799
        Cantidad de ejemplos utilizados para validar: 4449
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 52
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 52
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 75
        Dimensión de los kernels: (3, 5, 7, 9, 11, 13, 15)
        Neuronas en la primer capa oculta: 128
        Neuronas en la segunda capa oculta: 64
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [0.7985055327415467 / 0.0052166281972713625]
        Acierto en el validación [media, desvío]: [0.8362778186798095 / 0.007228694964145923]
        Acierto en el prueba [media, desvío]: [0.11244156807661057 / 0.008316789398576217]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7080046332214303, 0.014433197493560632]
                Media y desvío AUC ROC de la clase inhibitor: [0.5150782717141469, 0.013278434201818312]
                Media y desvío AUC ROC de la clase agonist: [0.47280683309526744, 0.012759922752139405]
                Media y desvío AUC ROC de la clase antagonist: [0.5656765482137808, 0.009394268634433272]
                Media y desvío AUC ROC de la clase cofactor: [0.6362344743577658, 0.02246237744548328]
                Media y desvío AUC ROC de la clase binder: [0.4575991357120587, 0.07557129285658343]
                Media y desvío AUC ROC de la clase inducer: [0.46814923105926026, 0.05039320348571575]
                Media y desvío AUC ROC de la clase antibody: [0.6166714400690271, 0.031082636853234244]
                Media y desvío AUC ROC de la clase partial agonist: [0.5085895864904254, 0.036172252166623085]
                Media y desvío AUC ROC de la clase ligand: [0.6140315370838982, 0.06314020145448944]
                Media y desvío AUC ROC de la clase product of: [0.7051810146682425, 0.03213279526546392]
                Media y desvío AUC ROC de la clase multitarget: [0.9773395411733143, 0.005448764899042437]
                Media y desvío AUC ROC de la clase potentiator: [0.9892239535372723, 0.008305011640896844]
                Media y desvío AUC ROC de la clase modulator: [0.5688841839657185, 0.07919335654555347]
                Media y desvío AUC ROC de la clase activator: [0.18768842854760473, 0.011498285146695613]
                Media y desvío AUC ROC de la clase negative modulator: [0.653804099567131, 0.05990533342169396]
                Media y desvío AUC ROC de la clase other: [0.6355616058933996, 0.1005896032747384]
                Media y desvío AUC ROC de la clase suppressor: [0.5339142382737444, 0.08468519563678449]
                Media y desvío AUC ROC de la clase blocker: [0.5860903659447348, 0.12870585285440217]
                Media y desvío AUC ROC de la clase stimulator: [0.8388117490954705, 0.11144800508391113]
                Media y desvío AUC ROC de la clase allosteric modulator: [0.9990291262135923, 0.0007514791559932137]
                Media y desvío AUC ROC de la clase unknown: [0.5512322628827483, 0.23247866565194017]
                Media y desvío AUC ROC de la clase partial antagonist: [0.15948469006721433, 0.025016371546184378]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.3728528752800597, 0.17112890566855882]
                Media y desvío AUC ROC de la clase binding: [0.22541075429424945, 0.16574849719923423]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.8311053024645257, 0.11232002806524584]
                Media y desvío AUC ROC de la clase inverse agonist: [0.47165795369678865, 0.1484876315925071]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 5271
        Cantidad de ejemplos utilizados para validar: 1317
        Cantidad de ejemplos utilizados para probar: 1647
        Top de palabras frecuentes utilizadas: 52
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 52
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0
        Cantidad de filtros: 1
        Dimensión de los kernels: (2, 3)
        Neuronas en la primer capa oculta: 24
        Neuronas en la segunda capa oculta: 16
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 8
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [0.29633846282958987 / 0.005014070093004052]
        Acierto en el validación [media, desvío]: [0.29521640539169314 / 0.014658649644524239]
        Acierto en el prueba [media, desvío]: [0.24128718972206115 / 0.03385616109982055]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7184448624921617, 0.028393573782626486]
                Media y desvío AUC ROC de la clase inhibitor: [0.5397201319836364, 0.024124432606033083]
                Media y desvío AUC ROC de la clase agonist: [0.4942634148526382, 0.07649699562503307]
                Media y desvío AUC ROC de la clase antagonist: [0.5609039535369823, 0.025080621214960946]
                Media y desvío AUC ROC de la clase cofactor: [0.6916580817581892, 0.048715326845580234]
                Media y desvío AUC ROC de la clase binder: [0.6126485562423483, 0.11092174557669461]
                Media y desvío AUC ROC de la clase inducer: [0.5527251485562423, 0.08812329536878342]
                Media y desvío AUC ROC de la clase antibody: [0.5016442499242821, 0.030368746841429296]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17799
        Cantidad de ejemplos utilizados para validar: 4449
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 500
        Solo palabras con longitud mayor a: 3
        Longitud de los ejemplos (filas): 500
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (2, 3)
        Neuronas en la primer capa oculta: 81
        Neuronas en la segunda capa oculta: 54
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [0.7836620092391968 / 0.01177414146606248]
        Acierto en el validación [media, desvío]: [0.7784670710563659 / 0.014219781134101654]
        Acierto en el prueba [media, desvío]: [0.06508450210094452 / 0.009766002470444554]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.570670493847749, 0.042561779938530386]
                Media y desvío AUC ROC de la clase inhibitor: [0.5954186213447219, 0.03609020686322724]
                Media y desvío AUC ROC de la clase agonist: [0.6517945575962354, 0.020922538846961485]
                Media y desvío AUC ROC de la clase antagonist: [0.5853095521219284, 0.018078029013806656]
                Media y desvío AUC ROC de la clase cofactor: [0.7256939862380997, 0.062136753862003034]
                Media y desvío AUC ROC de la clase binder: [0.610076531537084, 0.056326431986587766]
                Media y desvío AUC ROC de la clase inducer: [0.5356326631234729, 0.069894364516822]
                Media y desvío AUC ROC de la clase antibody: [0.8052328574432448, 0.08005127238687901]
                Media y desvío AUC ROC de la clase partial agonist: [0.8059695323999216, 0.0591727349458526]
                Media y desvío AUC ROC de la clase ligand: [0.7736513627761624, 0.02684787089558749]
                Media y desvío AUC ROC de la clase product of: [0.7977441142136212, 0.03631433491640926]
                Media y desvío AUC ROC de la clase multitarget: [0.7364365886728975, 0.0940192360115866]
                Media y desvío AUC ROC de la clase potentiator: [0.58782782398109, 0.1947229594519494]
                Media y desvío AUC ROC de la clase modulator: [0.6177626761022934, 0.11593385549199584]
                Media y desvío AUC ROC de la clase activator: [0.6707064756338957, 0.1590764376685104]
                Media y desvío AUC ROC de la clase negative modulator: [0.452482652609903, 0.18692503005289313]
                Media y desvío AUC ROC de la clase other: [0.5126931415271503, 0.0847609508160265]
                Media y desvío AUC ROC de la clase suppressor: [0.6386871270401764, 0.13939226712472766]
                Media y desvío AUC ROC de la clase blocker: [0.6936372963449031, 0.13039637320271216]
                Media y desvío AUC ROC de la clase stimulator: [0.4360352603377393, 0.15666381575101052]
                Media y desvío AUC ROC de la clase allosteric modulator: [0.7083644510828977, 0.11895951405087182]
                Media y desvío AUC ROC de la clase unknown: [0.3551530993278566, 0.21919920875896376]
                Media y desvío AUC ROC de la clase partial antagonist: [0.6056011949215833, 0.23580116287265]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.7066094100074682, 0.11988102741313841]
                Media y desvío AUC ROC de la clase binding: [0.141747572815534, 0.2602615376621443]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.6059746079163555, 0.26520856503454476]
                Media y desvío AUC ROC de la clase inverse agonist: [0.530134428678118, 0.34801251223891133]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17799
        Cantidad de ejemplos utilizados para validar: 4449
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 441645
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 52
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 23
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 2
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [76.53% / 0.29]
        Acierto en el validación [media, desvío]: [76.92% / 0.35]
        Acierto en el prueba [media, desvío]: [32.87% / 0.92]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.764174739154709, 0.004731622430066892]
                Media y desvío AUC ROC de la clase inhibitor: [0.7171194903456426, 0.014260557565032217]
                Media y desvío AUC ROC de la clase agonist: [0.6938919785088133, 0.002681444974590272]
                Media y desvío AUC ROC de la clase antagonist: [0.7654452043620438, 0.05261150133282752]
                Media y desvío AUC ROC de la clase cofactor: [0.7617790500808457, 0.0347719453307496]
                Media y desvío AUC ROC de la clase binder: [0.7458278801743077, 0.046122583940923556]
                Media y desvío AUC ROC de la clase inducer: [0.8238267853129055, 0.08577900175586042]
                Media y desvío AUC ROC de la clase antibody: [0.7564975673774806, 0.0022488504817965963]
                Media y desvío AUC ROC de la clase partial agonist: [0.878468118506058, 0.13576609649907342]
                Media y desvío AUC ROC de la clase ligand: [0.9443832159922272, 0.0514140156887018]
                Media y desvío AUC ROC de la clase product of: [0.838754015096036, 0.03617963985433643]
                Media y desvío AUC ROC de la clase multitarget: [0.9878885489098517, 0.016670589550440148]
                Media y desvío AUC ROC de la clase potentiator: [0.8131616298208343, 0.016555231019028498]
                Media y desvío AUC ROC de la clase modulator: [0.9234775263383049, 0.000297368658749932]
                Media y desvío AUC ROC de la clase activator: [0.8729027241021774, 0.005371862279401464]
                Media y desvío AUC ROC de la clase negative modulator: [0.8504789112292176, 0.0036145673175643155]
                Media y desvío AUC ROC de la clase other: [0.7038529060956953, 0.08726904945326056]
                Media y desvío AUC ROC de la clase suppressor: [0.7624703626093956, 0.20084561199494275]
                Media y desvío AUC ROC de la clase blocker: [0.9998132935026138, 7.850462293418876e-17]
                Media y desvío AUC ROC de la clase stimulator: [0.8472768041648238, 0.2030553687522055]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [0.6399365197908887, 0.019671193128602462]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.8353248693054518, 0.23248973892261213]
                Media y desvío AUC ROC de la clase binding: [0.3539021657953697, 0.2705119108758842]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.6338685586258401, 0.02561215749630141]
                Media y desvío AUC ROC de la clase inverse agonist: [0.6077296489917849, 0.0013202143039330906]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17799
        Cantidad de ejemplos utilizados para validar: 4449
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 441645
        Longitud de los ejemplos (filas): 6500
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (3, 5, 7, 9, 11)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 2
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [97.88% / 0.18%]
        Acierto en el validación [media, desvío]: [95.86% / 0.25%]
        Acierto en el prueba [media, desvío]: [53.22% / 5.11%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.76111334172002, 0.014635472792120106]
                Media y desvío AUC ROC de la clase inhibitor: [0.9176076009483967, 0.015483037557630438]
                Media y desvío AUC ROC de la clase agonist: [0.9083656293277842, 0.023313959198289835]
                Media y desvío AUC ROC de la clase antagonist: [0.8960672451546946, 0.020227798042663732]
                Media y desvío AUC ROC de la clase cofactor: [0.9498298795652458, 0.008180842519274624]
                Media y desvío AUC ROC de la clase binder: [0.8982082520646475, 0.033382836348334576]
                Media y desvío AUC ROC de la clase inducer: [0.9714905522886954, 0.0348927513483668]
                Media y desvío AUC ROC de la clase antibody: [0.9393543761827766, 0.02631392189572204]
                Media y desvío AUC ROC de la clase partial agonist: [0.9831683186264202, 0.0206299507007792]
                Media y desvío AUC ROC de la clase ligand: [1.0, 0.0]
                Media y desvío AUC ROC de la clase product of: [0.8778608692184431, 0.09443057117136738]
                Media y desvío AUC ROC de la clase multitarget: [0.9996388226252022, 0.0002582749342160159]
                Media y desvío AUC ROC de la clase potentiator: [0.9353279508690009, 0.028884494504011118]
                Media y desvío AUC ROC de la clase modulator: [0.9593612009396956, 0.020711662993862484]
                Media y desvío AUC ROC de la clase activator: [0.9086044505028386, 0.0238369178740225]
                Media y desvío AUC ROC de la clase negative modulator: [0.8580962644199047, 0.06610492466397262]
                Media y desvío AUC ROC de la clase other: [0.750008610251093, 0.032388189455274316]
                Media y desvío AUC ROC de la clase suppressor: [0.9931448806166028, 0.009430559942900502]
                Media y desvío AUC ROC de la clase blocker: [0.7426894436508915, 0.18547088328069314]
                Media y desvío AUC ROC de la clase stimulator: [0.8878365248664052, 0.0016585993294071918]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [0.8706123973114264, 0.09399925844003394]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [1.0, 0.0]
                Media y desvío AUC ROC de la clase binding: [0.8794809559372666, 0.07300785100749822]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.755134428678118, 0.036305893358159175]
                Media y desvío AUC ROC de la clase inverse agonist: [0.8759335324869306, 0.10337277999795869]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 4
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 2
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [88.89% / 1.48%]
        Acierto en el validación [media, desvío]: [87.86% / 2.10%]
        Acierto en el prueba [media, desvío]: [36.45% / 1.21%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.6793170892638326, 0.019027748875617808]
                Media y desvío AUC ROC de la clase inhibitor: [0.7988065285642814, 0.015517004236323942]
                Media y desvío AUC ROC de la clase agonist: [0.7040024525620482, 0.01910433412286052]
                Media y desvío AUC ROC de la clase antagonist: [0.7526666853977392, 0.008443283178235887]
                Media y desvío AUC ROC de la clase cofactor: [0.8509746804237331, 0.03749024094731849]
                Media y desvío AUC ROC de la clase binder: [0.7981161223779518, 0.005226061913311759]
                Media y desvío AUC ROC de la clase inducer: [0.9029148872147741, 0.04327418953615142]
                Media y desvío AUC ROC de la clase antibody: [0.8433387472175293, 0.040181940013589816]
                Media y desvío AUC ROC de la clase partial agonist: [0.8213875918124669, 0.010162445736634206]
                Media y desvío AUC ROC de la clase ligand: [0.8661568189563288, 0.10280111438674115]
                Media y desvío AUC ROC de la clase product of: [0.9961059006503912, 0.005248172298498924]
                Media y desvío AUC ROC de la clase multitarget: [0.9448434112545951, 0.02134933932027677]
                Media y desvío AUC ROC de la clase potentiator: [0.9724558067533372, 0.014714621562283104]
                Media y desvío AUC ROC de la clase modulator: [0.8140507515389691, 0.07488499066585756]
                Media y desvío AUC ROC de la clase activator: [0.8374448037587825, 0.017902362313624347]
                Media y desvío AUC ROC de la clase negative modulator: [0.9808227049602297, 0.024236186568852708]
                Media y desvío AUC ROC de la clase other: [0.5950263564317668, 0.12911952244757358]
                Media y desvío AUC ROC de la clase suppressor: [0.5256766751016916, 0.229612184444622]
                Media y desvío AUC ROC de la clase blocker: [0.6525233473755954, 0.32540911333248723]
                Media y desvío AUC ROC de la clase stimulator: [0.9729529354611831, 0.029272868226430385]
                Media y desvío AUC ROC de la clase allosteric modulator: [0.9999066467513069, 0.0001320214303932698]
                Media y desvío AUC ROC de la clase unknown: [0.9031926811053024, 0.13690622331785848]
                Media y desvío AUC ROC de la clase partial antagonist: [0.585604929051531, 0.5860431295158858]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9996265870052279, 7.850462293418876e-17]
                Media y desvío AUC ROC de la clase binding: [0.9305451829723674, 0.02429194319236824]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.2780993278566094, 0.0819853082742431]
                Media y desvío AUC ROC de la clase inverse agonist: [0.35203510082150863, 0.3655673407590646]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 2
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [90.88% / 1.29%]
        Acierto en el validación [media, desvío]: [90.17% / 0.86%]
        Acierto en el prueba [media, desvío]: [44.35% / 1.41%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7329079718236331, 0.02911296848427935]
                Media y desvío AUC ROC de la clase inhibitor: [0.7952876548938854, 0.01184411677232373]
                Media y desvío AUC ROC de la clase agonist: [0.8690011474292509, 0.004723611420941217]
                Media y desvío AUC ROC de la clase antagonist: [0.8518375182174787, 0.003622898767055046]
                Media y desvío AUC ROC de la clase cofactor: [0.9064201657518652, 0.02702786302901398]
                Media y desvío AUC ROC de la clase binder: [0.7778002349239035, 0.05085260416916532]
                Media y desvío AUC ROC de la clase inducer: [0.9463662927702894, 0.016741086430747284]
                Media y desvío AUC ROC de la clase antibody: [0.8596977711232119, 0.03608094422190662]
                Media y desvío AUC ROC de la clase partial agonist: [0.9343268958866564, 0.00921394225613861]
                Media y desvío AUC ROC de la clase ligand: [0.8512724138431085, 0.013139336727784313]
                Media y desvío AUC ROC de la clase product of: [0.9000272809008317, 0.059238528522060484]
                Media y desvío AUC ROC de la clase multitarget: [0.9390756759500278, 0.06610364290251247]
                Media y desvío AUC ROC de la clase potentiator: [0.8685808312245771, 0.0959674031620623]
                Media y desvío AUC ROC de la clase modulator: [0.9088020331068687, 0.1248243397946807]
                Media y desvío AUC ROC de la clase activator: [0.8406074849365923, 0.040647860304346806]
                Media y desvío AUC ROC de la clase negative modulator: [0.8974636919306539, 0.019239239516539053]
                Media y desvío AUC ROC de la clase other: [0.827296036746739, 0.0061325877059881006]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 0.0]
                Media y desvío AUC ROC de la clase blocker: [0.7913437067221589, 0.2379769597334251]
                Media y desvío AUC ROC de la clase stimulator: [0.8845931792309867, 0.050881443802018256]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [0.8982449589245706, 0.14390335912870367]
                Media y desvío AUC ROC de la clase partial antagonist: [0.9998132935026138, 7.850462293418876e-17]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9681665421956684, 0.03208120758557344]
                Media y desvío AUC ROC de la clase binding: [0.9140683345780434, 0.02475401819874488]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.5660941000746826, 0.2339419746569384]
                Media y desvío AUC ROC de la clase inverse agonist: [0.558252427184466, 0.28014947529459555]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 16
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 2
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [92.43% / 2.84%]
        Acierto en el validación [media, desvío]: [90.67% / 2.27%]
        Acierto en el prueba [media, desvío]: [43.35% / 5.26%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7758883060101366, 0.02099589359764609]
                Media y desvío AUC ROC de la clase inhibitor: [0.8425420724058674, 0.014467241600478103]
                Media y desvío AUC ROC de la clase agonist: [0.8705899653414735, 0.04986532740450071]
                Media y desvío AUC ROC de la clase antagonist: [0.7847453087726677, 0.012048237284849408]
                Media y desvío AUC ROC de la clase cofactor: [0.9342122435957858, 0.013555909202326327]
                Media y desvío AUC ROC de la clase binder: [0.8725170754874308, 0.011055192593614191]
                Media y desvío AUC ROC de la clase inducer: [0.8678639145283034, 0.0031653099257891006]
                Media y desvío AUC ROC de la clase antibody: [0.8427591413676341, 0.018390072549203444]
                Media y desvío AUC ROC de la clase partial agonist: [0.8977365009389706, 0.017778031451991774]
                Media y desvío AUC ROC de la clase ligand: [0.9421218921525265, 0.04727008088810418]
                Media y desvío AUC ROC de la clase product of: [0.8964581052372079, 0.08166807231286115]
                Media y desvío AUC ROC de la clase multitarget: [0.9727376791838569, 0.03844323059292462]
                Media y desvío AUC ROC de la clase potentiator: [0.8845061703778359, 0.1361416526068914]
                Media y desvío AUC ROC de la clase modulator: [0.898952359027531, 0.007348979331650665]
                Media y desvío AUC ROC de la clase activator: [0.8673876316915246, 0.009882380857596003]
                Media y desvío AUC ROC de la clase negative modulator: [0.8730219081041497, 0.057049279948159844]
                Media y desvío AUC ROC de la clase other: [0.6649832870494573, 0.04954777100275379]
                Media y desvío AUC ROC de la clase suppressor: [0.8532051886279428, 0.005921737945796888]
                Media y desvío AUC ROC de la clase blocker: [0.9995001522654929, 0.0007068914452612775]
                Media y desvío AUC ROC de la clase stimulator: [0.9746414510176411, 0.014131420097924209]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 7.850462293418876e-17]
                Media y desvío AUC ROC de la clase unknown: [0.9863704256908141, 0.019011085976636113]
                Media y desvío AUC ROC de la clase partial antagonist: [0.8785474234503361, 0.17162785951129794]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.5999813293502614, 0.22932122459317278]
                Media y desvío AUC ROC de la clase binding: [0.7119118745332338, 0.3965923769014916]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.18717326362957432, 0.11472662301178295]
                Media y desvío AUC ROC de la clase inverse agonist: [0.5280059746079164, 0.5486810647145801]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 12
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [92.54% / 2.09%]
        Acierto en el validación [media, desvío]: [91.21% / 1.94%]
        Acierto en el prueba [media, desvío]: [49.29% / 3.00%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7628901803258481, 0.025209981569967788]
                Media y desvío AUC ROC de la clase inhibitor: [0.8627786095985267, 0.02949267861097306]
                Media y desvío AUC ROC de la clase agonist: [0.8483941428540354, 0.05799354630509046]
                Media y desvío AUC ROC de la clase antagonist: [0.8342242073130941, 0.024164277758512945]
                Media y desvío AUC ROC de la clase cofactor: [0.9421691125822053, 0.023211165329689885]
                Media y desvío AUC ROC de la clase binder: [0.8022377589419724, 0.022815520280240666]
                Media y desvío AUC ROC de la clase inducer: [0.8868768897235294, 0.06376371782015476]
                Media y desvío AUC ROC de la clase antibody: [0.8286931632793637, 0.06668447362342424]
                Media y desvío AUC ROC de la clase partial agonist: [0.9333814903166398, 0.0495451266965312]
                Media y desvío AUC ROC de la clase ligand: [0.9138657670918016, 0.05542764309416332]
                Media y desvío AUC ROC de la clase product of: [0.8952803135219009, 0.08144048429938164]
                Media y desvío AUC ROC de la clase multitarget: [0.9999164352472864, 4.526904939219769e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.8977573468100379, 0.02895942098814239]
                Media y desvío AUC ROC de la clase modulator: [0.9264129875214803, 0.04836884597764471]
                Media y desvío AUC ROC de la clase activator: [0.8857972548706831, 0.04116344183092631]
                Media y desvío AUC ROC de la clase negative modulator: [0.9109767106303066, 0.051483810528820506]
                Media y desvío AUC ROC de la clase other: [0.7894331373217225, 0.0871511892023195]
                Media y desvío AUC ROC de la clase suppressor: [0.9947162061239732, 0.010982524681680737]
                Media y desvío AUC ROC de la clase blocker: [0.9751180057570857, 0.05553655386943288]
                Media y desvío AUC ROC de la clase stimulator: [0.8277719570466294, 0.08775249297143674]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [0.9993651979088872, 0.0009844231759868873]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.727445855115758, 0.2893031304963791]
                Media y desvío AUC ROC de la clase binding: [0.736706497386109, 0.12440821481070508]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.6110156833457805, 0.20964947444646007]
                Media y desvío AUC ROC de la clase inverse agonist: [0.6943614637789395, 0.20296172809050161]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 12
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [96.03% / 1.84%]
        Acierto en el validación [media, desvío]: [94.65% / 1.46%]
        Acierto en el prueba [media, desvío]: [66.83% / 3.22%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.8054415880565848, 0.04477859497864528]
                Media y desvío AUC ROC de la clase inhibitor: [0.9502270387261904, 0.031582360585935165]
                Media y desvío AUC ROC de la clase agonist: [0.935796982968017, 0.02413173324327903]
                Media y desvío AUC ROC de la clase antagonist: [0.8976666219537838, 0.020425832986822]
                Media y desvío AUC ROC de la clase cofactor: [0.9940864795492941, 0.005248893292621434]
                Media y desvío AUC ROC de la clase binder: [0.9452754192739111, 0.009321368813583466]
                Media y desvío AUC ROC de la clase inducer: [0.971113785827708, 0.02352295763825977]
                Media y desvío AUC ROC de la clase antibody: [0.9117556211344504, 0.05360399235302967]
                Media y desvío AUC ROC de la clase partial agonist: [0.9537264260388495, 0.02174060320640643]
                Media y desvío AUC ROC de la clase ligand: [0.9999767976391598, 3.8166586375014496e-05]
                Media y desvío AUC ROC de la clase product of: [1.0, 0.0]
                Media y desvío AUC ROC de la clase multitarget: [0.9998930516180021, 3.979657765191497e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.8833408861851694, 0.08583078693038454]
                Media y desvío AUC ROC de la clase modulator: [0.8956203731229653, 0.03777458236562924]
                Media y desvío AUC ROC de la clase activator: [0.8904770622910881, 0.060062902449170334]
                Media y desvío AUC ROC de la clase negative modulator: [0.9988244741402438, 0.0020829843336720505]
                Media y desvío AUC ROC de la clase other: [0.9987920270887563, 0.0007192653286013913]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 0.0]
                Media y desvío AUC ROC de la clase blocker: [0.990400385739249, 0.01181882713268065]
                Media y desvío AUC ROC de la clase stimulator: [0.5548836437857552, 0.24457708046553067]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [0.9999626587005228, 8.349768399922236e-05]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [1.0, 0.0]
                Media y desvío AUC ROC de la clase binding: [0.6526138909634055, 0.24172942203618955]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.7883681852128455, 0.04313859581679588]
                Media y desvío AUC ROC de la clase inverse agonist: [0.6780059746079163, 0.15674233412005076]

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 16
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [96.25% / 1.05%]
        Acierto en el validación [media, desvío]: [94.77% / 0.91%]
        Acierto en el prueba [media, desvío]: [63.93% / 1.35%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7943030953399509, 0.01831822502938856]
                Media y desvío AUC ROC de la clase inhibitor: [0.9468886177918603, 0.009106856980618437]
                Media y desvío AUC ROC de la clase agonist: [0.9416852164707759, 0.02174763446431794]
                Media y desvío AUC ROC de la clase antagonist: [0.862827461444202, 0.01861443742478107]
                Media y desvío AUC ROC de la clase cofactor: [0.9924973897344055, 0.003914337864476249]
                Media y desvío AUC ROC de la clase binder: [0.9493537779969111, 0.014402619536798097]
                Media y desvío AUC ROC de la clase inducer: [0.8708816715850838, 0.030659484679464544]
                Media y desvío AUC ROC de la clase antibody: [0.8789997788524982, 0.07015122180548654]
                Media y desvío AUC ROC de la clase partial agonist: [0.8788725284047652, 0.053813718426758576]
                Media y desvío AUC ROC de la clase ligand: [0.9367257118411798, 0.03102486397657599]
                Media y desvío AUC ROC de la clase product of: [0.8891208117925999, 0.046317855148009665]
                Media y desvío AUC ROC de la clase multitarget: [0.9999738973440547, 5.8367313086863976e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.9410551273592088, 0.04847426636124373]
                Media y desvío AUC ROC de la clase modulator: [0.9999526889360992, 5.106335608430355e-05]
                Media y desvío AUC ROC de la clase activator: [0.8726629059506805, 0.07861396700751945]
                Media y desvío AUC ROC de la clase negative modulator: [0.9984432666023768, 0.0033765631685531766]
                Media y desvío AUC ROC de la clase other: [0.8708338167158509, 0.11798208809170811]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase blocker: [0.7958841187090787, 0.0377894160798207]
                Media y desvío AUC ROC de la clase stimulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9907766990291262, 0.016677395235071668]
                Media y desvío AUC ROC de la clase binding: [0.7436893203883496, 0.2872701808557875]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.526437640029873, 0.33193213873026595]
                Media y desvío AUC ROC de la clase inverse agonist: [0.5270351008215086, 0.2050287883388488]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 12
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [96.56% / 0.92%]
        Acierto en el validación [media, desvío]: [95.17% / 0.65%]
        Acierto en el prueba [media, desvío]: [65.22% / 1.84%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.787974198249672, 0.03145172111607924]
                Media y desvío AUC ROC de la clase inhibitor: [0.9492215426669663, 0.009150668398059985]
                Media y desvío AUC ROC de la clase agonist: [0.9532925600179818, 0.0061230989436337315]
                Media y desvío AUC ROC de la clase antagonist: [0.8759623541695368, 0.027609758821417522]
                Media y desvío AUC ROC de la clase cofactor: [0.9921777228332983, 0.006640382525252723]
                Media y desvío AUC ROC de la clase binder: [0.9623875229304582, 0.01730709077109889]
                Media y desvío AUC ROC de la clase inducer: [0.8436202571111611, 0.0698117034777971]
                Media y desvío AUC ROC de la clase antibody: [0.9027521987862265, 0.06982030974576475]
                Media y desvío AUC ROC de la clase partial agonist: [0.9169164243711798, 0.04562190998272982]
                Media y desvío AUC ROC de la clase ligand: [0.9470547503208452, 0.03609637290288614]
                Media y desvío AUC ROC de la clase product of: [0.9180681134305415, 0.034110933977602675]
                Media y desvío AUC ROC de la clase multitarget: [0.9999122660730729, 0.00019617902454197603]
                Media y desvío AUC ROC de la clase potentiator: [0.9357987050182356, 0.060865161097016125]
                Media y desvío AUC ROC de la clase modulator: [0.9999291240383709, 3.1763383475574544e-05]
                Media y desvío AUC ROC de la clase activator: [0.8716693736087647, 0.08741368012220137]
                Media y desvío AUC ROC de la clase negative modulator: [0.9999608460160821, 5.367505245423338e-05]
                Media y desvío AUC ROC de la clase other: [0.8767254943190469, 0.06884951688571513]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 0.0]
                Media y desvío AUC ROC de la clase blocker: [0.8009522031366691, 0.1223950399946927]
                Media y desvío AUC ROC de la clase stimulator: [0.9969575904348268, 0.006803034603122973]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9522404779686333, 0.07647567418235432]
                Media y desvío AUC ROC de la clase binding: [0.6578043315907394, 0.08712468200998691]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.6960791635548916, 0.19274484091845814]
                Media y desvío AUC ROC de la clase inverse agonist: [0.5011202389843167, 0.21987791713266092]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 4
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [93.43% / 2.83%]
        Acierto en el validación [media, desvío]: [92.38% / 2.15%]
        Acierto en el prueba [media, desvío]: [63.51% / 2.05%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7859309403481805, 0.008859691064111962]
                Media y desvío AUC ROC de la clase inhibitor: [0.9392335607648078, 0.007174165990252674]
                Media y desvío AUC ROC de la clase agonist: [0.9340718511858582, 0.02110432100849457]
                Media y desvío AUC ROC de la clase antagonist: [0.8742678567544248, 0.015915112928308515]
                Media y desvío AUC ROC de la clase cofactor: [0.9981073761755258, 0.0019660616860000275]
                Media y desvío AUC ROC de la clase binder: [0.9410883901186946, 0.03350183179847214]
                Media y desvío AUC ROC de la clase inducer: [0.8586441482920888, 0.05881844316098764]
                Media y desvío AUC ROC de la clase antibody: [0.9003304523735289, 0.04931047989787146]
                Media y desvío AUC ROC de la clase partial agonist: [0.8687653625006344, 0.11483698796897021]
                Media y desvío AUC ROC de la clase ligand: [0.8527560054235519, 0.08882490885371458]
                Media y desvío AUC ROC de la clase product of: [0.8841797965442983, 0.06030108448209388]
                Media y desvío AUC ROC de la clase multitarget: [0.9999738973440547, 5.836731308685156e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.8473639942864186, 0.08349549563018631]
                Media y desvío AUC ROC de la clase modulator: [0.999923685985049, 7.444816592674122e-05]
                Media y desvío AUC ROC de la clase activator: [0.8889264920205631, 0.11837863418538748]
                Media y desvío AUC ROC de la clase negative modulator: [0.9999405439503469, 6.396490555181314e-05]
                Media y desvío AUC ROC de la clase other: [0.8591538751567972, 0.09380553100917394]
                Media y desvío AUC ROC de la clase suppressor: [0.9999813293502614, 4.1748841999623596e-05]
                Media y desvío AUC ROC de la clase blocker: [0.6883792425879334, 0.07237847427720208]
                Media y desvío AUC ROC de la clase stimulator: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.972218073188947, 0.056948756624203144]
                Media y desvío AUC ROC de la clase binding: [0.5690440627333831, 0.31470221714759]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.7564973861090366, 0.11629262651915521]
                Media y desvío AUC ROC de la clase inverse agonist: [0.436370425690814, 0.11009696034925198]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 6
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [96.75% / 0.25%]
        Acierto en el validación [media, desvío]: [94.90% / 0.39%]
        Acierto en el prueba [media, desvío]: [65.08% / 1.71%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.782351160480579, 0.016638895639673454]
                Media y desvío AUC ROC de la clase inhibitor: [0.942436755439866, 0.012487907553279373]
                Media y desvío AUC ROC de la clase agonist: [0.9408668800800482, 0.015983040095403467]
                Media y desvío AUC ROC de la clase antagonist: [0.8779899323506167, 0.028265172590111336]
                Media y desvío AUC ROC de la clase cofactor: [0.9949484110008193, 0.004171392122706488]
                Media y desvío AUC ROC de la clase binder: [0.9642774277282713, 0.01434887305514131]
                Media y desvío AUC ROC de la clase inducer: [0.8857448682903486, 0.03980821574429864]
                Media y desvío AUC ROC de la clase antibody: [0.8889870356808806, 0.07779317407271298]
                Media y desvío AUC ROC de la clase partial agonist: [0.8944153005068266, 0.017481398272758478]
                Media y desvío AUC ROC de la clase ligand: [0.8523820486234475, 0.11590879315222567]
                Media y desvío AUC ROC de la clase product of: [0.8936726436914957, 0.06093759789297602]
                Media y desvío AUC ROC de la clase multitarget: [1.0, 0.0]
                Media y desvío AUC ROC de la clase potentiator: [0.8976833892848597, 0.0655614877555312]
                Media y desvío AUC ROC de la clase modulator: [0.9998925078126699, 3.134817500893524e-05]
                Media y desvío AUC ROC de la clase activator: [0.8559214962622447, 0.0642239539282779]
                Media y desvío AUC ROC de la clase negative modulator: [0.9994966175308337, 0.0009175853579528293]
                Media y desvío AUC ROC de la clase other: [0.7162373021454933, 0.10502878968069806]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase blocker: [0.722525867006968, 0.10243927765012088]
                Media y desvío AUC ROC de la clase stimulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9788648244958924, 0.04715538634270944]
                Media y desvío AUC ROC de la clase binding: [0.4495519044062733, 0.20437648305650846]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.6753920836445108, 0.24948105455682015]
                Media y desvío AUC ROC de la clase inverse agonist: [0.5372479462285288, 0.12883624322155782]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 10
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [97.27% / 0.49%]
        Acierto en el validación [media, desvío]: [95.46% / 0.24%]
        Acierto en el prueba [media, desvío]: [65.58% / 2.32%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.8013683048500185, 0.012934838856633898]
                Media y desvío AUC ROC de la clase inhibitor: [0.9430628566456637, 0.012246208039589552]
                Media y desvío AUC ROC de la clase agonist: [0.9534213512474895, 0.0098606254767864]
                Media y desvío AUC ROC de la clase antagonist: [0.8841297664537366, 0.006410237087057833]
                Media y desvío AUC ROC de la clase cofactor: [0.9929134914477549, 0.005109733717211113]
                Media y desvío AUC ROC de la clase binder: [0.9552712863533864, 0.017220310343387255]
                Media y desvío AUC ROC de la clase inducer: [0.8838672897467318, 0.03461200871067325]
                Media y desvío AUC ROC de la clase antibody: [0.8704851468636934, 0.05201162946096395]
                Media y desvío AUC ROC de la clase partial agonist: [0.9163404438901658, 0.032749434998334125]
                Media y desvío AUC ROC de la clase ligand: [0.8826482594604, 0.05200479518334041]
                Media y desvío AUC ROC de la clase product of: [0.8798110457739075, 0.04531995237055596]
                Media y desvío AUC ROC de la clase multitarget: [0.9999738973440547, 5.836731308685156e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.8649977885249823, 0.05934944977966709]
                Media y desvío AUC ROC de la clase modulator: [0.9999082781673035, 4.1904975387361676e-05]
                Media y desvío AUC ROC de la clase activator: [0.9230109413632837, 0.03907858777452538]
                Media y desvío AUC ROC de la clase negative modulator: [0.9988384318104367, 0.0020947693860618633]
                Media y desvío AUC ROC de la clase other: [0.7563010723841151, 0.09053157852673754]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase blocker: [0.7078282590253558, 0.09903924580437479]
                Media y desvío AUC ROC de la clase stimulator: [0.9993042917116817, 0.0015556510251897979]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9906646751306946, 0.020874420999811353]
                Media y desvío AUC ROC de la clase binding: [0.4784167289021658, 0.28192123453228857]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.6424197162061239, 0.31790646400058714]
                Media y desvío AUC ROC de la clase inverse agonist: [0.4833457804331591, 0.06433053581949084]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [96.89% / 0.35%]
        Acierto en el validación [media, desvío]: [95.37% / 0.11%]
        Acierto en el prueba [media, desvío]: [65.98% / 1.98%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7983136596648709, 0.01463480277486951]
                Media y desvío AUC ROC de la clase inhibitor: [0.9531102945974753, 0.007335820129521385]
                Media y desvío AUC ROC de la clase agonist: [0.9507306024638007, 0.01365293840707569]
                Media y desvío AUC ROC de la clase antagonist: [0.8855131165846125, 0.023048100226362955]
                Media y desvío AUC ROC de la clase cofactor: [0.9883475206102221, 0.013043388023118998]
                Media y desvío AUC ROC de la clase binder: [0.9678672679945185, 0.0077567803846865435]
                Media y desvío AUC ROC de la clase inducer: [0.8849010636832297, 0.07484864700864834]
                Media y desvío AUC ROC de la clase antibody: [0.9287163656402039, 0.04217132954602569]
                Media y desvío AUC ROC de la clase partial agonist: [0.9111237193384426, 0.030170798928625266]
                Media y desvío AUC ROC de la clase ligand: [0.8726592805817992, 0.03001091126416401]
                Media y desvío AUC ROC de la clase product of: [0.913776764285766, 0.0262511404802705]
                Media y desvío AUC ROC de la clase multitarget: [0.9999934743360137, 1.4591828271666344e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.8630301195646657, 0.0589211483605951]
                Media y desvío AUC ROC de la clase modulator: [0.9998858008802396, 6.928629122456126e-05]
                Media y desvío AUC ROC de la clase activator: [0.872802663921054, 0.051321098309249226]
                Media y desvío AUC ROC de la clase negative modulator: [0.999243022977588, 0.0009878894050794204]
                Media y desvío AUC ROC de la clase other: [0.8938270844058384, 0.06405880783008107]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 0.0]
                Media y desvío AUC ROC de la clase blocker: [0.7224256255574004, 0.1314260231035361]
                Media y desvío AUC ROC de la clase stimulator: [0.9992767389081839, 0.0016172609667814836]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase inhibitory immune response: [1.0, 0.0]
                Media y desvío AUC ROC de la clase binding: [0.5239357729648991, 0.2539706451279857]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.5765123226288275, 0.348531710414523]
                Media y desvío AUC ROC de la clase inverse agonist: [0.5376773711725168, 0.1670874718563041]

----------------------------------------------------------------------------------------------------------------------------------------

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 1000
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [98.81% / 0.14%]
        Acierto en el validación [media, desvío]: [96.50% / 0.30%]
        Acierto en el prueba [media, desvío]: [65.75% / 1.26%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7913957307656054, 0.010249696211786162]
                Media y desvío AUC ROC de la clase inhibitor: [0.965194102249904, 0.003336932514782064]
                Media y desvío AUC ROC de la clase agonist: [0.9556656358534481, 0.008589823198443215]
                Media y desvío AUC ROC de la clase antagonist: [0.8890286367887933, 0.006335304612043306]
                Media y desvío AUC ROC de la clase cofactor: [0.99606303066337, 0.0014378946368090865]
                Media y desvío AUC ROC de la clase binder: [0.9522486350486162, 0.027090857600042127]
                Media y desvío AUC ROC de la clase inducer: [0.9070988348064416, 0.050985522616041404]
                Media y desvío AUC ROC de la clase antibody: [0.9123750154078177, 0.030705101176781904]
                Media y desvío AUC ROC de la clase partial agonist: [0.924974622417831, 0.03316123514505995]
                Media y desvío AUC ROC de la clase ligand: [0.9659407469710043, 0.03315086731748985]
                Media y desvío AUC ROC de la clase product of: [0.8782070013123835, 0.047647324263184826]
                Media y desvío AUC ROC de la clase multitarget: [0.9999934743360137, 1.4591828271765645e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.8556024638006917, 0.06519428395343035]
                Media y desvío AUC ROC de la clase modulator: [0.9999840483769223, 2.1842659471134638e-05]
                Media y desvío AUC ROC de la clase activator: [0.8940775973955349, 0.05074885936513591]
                Media y desvío AUC ROC de la clase negative modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase other: [0.7458592849322419, 0.08595793037217342]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase blocker: [0.862745528107485, 0.0823968371687345]
                Media y desvío AUC ROC de la clase stimulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9985810306198656, 0.0031729119919713437]
                Media y desvío AUC ROC de la clase binding: [0.8042569081404033, 0.1185994590170738]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.47389843166542195, 0.163837605752251]
                Media y desvío AUC ROC de la clase inverse agonist: [0.5395070948469006, 0.3515917489546709]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 500
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [98.71% / 0.24%]
        Acierto en el validación [media, desvío]: [96.44% / 0.39%]
        Acierto en el prueba [media, desvío]: [65.65% / 1.07%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.805453461139671, 0.00507662987446951]
                Media y desvío AUC ROC de la clase inhibitor: [0.9649646163997188, 0.004389223751280581]
                Media y desvío AUC ROC de la clase agonist: [0.9536887222024841, 0.008287308405182879]
                Media y desvío AUC ROC de la clase antagonist: [0.8796023151605676, 0.013448805458818923]
                Media y desvío AUC ROC de la clase cofactor: [0.994817353915761, 0.004847861929299235]
                Media y desvío AUC ROC de la clase binder: [0.9515877303015582, 0.012236585375336747]
                Media y desvío AUC ROC de la clase inducer: [0.8500295467563824, 0.040634853363403126]
                Media y desvío AUC ROC de la clase antibody: [0.9402890869145936, 0.03252769950092548]
                Media y desvío AUC ROC de la clase partial agonist: [0.9202708875628095, 0.03639449559836939]
                Media y desvío AUC ROC de la clase ligand: [0.9342071680793521, 0.04870083158036307]
                Media y desvío AUC ROC de la clase product of: [0.9012570966595851, 0.04019445479613976]
                Media y desvío AUC ROC de la clase multitarget: [0.9999934743360137, 1.4591828271715994e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.8989310599853535, 0.055538908998822675]
                Media y desvío AUC ROC de la clase modulator: [0.9999601209423059, 2.8198752122822136e-05]
                Media y desvío AUC ROC de la clase activator: [0.8476018184850308, 0.08143831732096428]
                Media y desvío AUC ROC de la clase negative modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase other: [0.7087394954936665, 0.07545354102750579]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase blocker: [0.8868712704017634, 0.10577295030359649]
                Media y desvío AUC ROC de la clase stimulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.999663928304705, 0.0005663088457096369]
                Media y desvío AUC ROC de la clase binding: [0.868185212845407, 0.07973974176659535]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.4717699775952203, 0.19883616977138047]
                Media y desvío AUC ROC de la clase inverse agonist: [0.7343539955190441, 0.0531491454060211]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 100
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [98.15% / 0.42%]
        Acierto en el validación [media, desvío]: [96.10% / 0.31%]
        Acierto en el prueba [media, desvío]: [67.89% / 2.75%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7886687282931039, 0.009021315536368455]
                Media y desvío AUC ROC de la clase inhibitor: [0.9608065901955524, 0.0031154467722257534]
                Media y desvío AUC ROC de la clase agonist: [0.9561325833653574, 0.007839324607335002]
                Media y desvío AUC ROC de la clase antagonist: [0.8953556305604096, 0.0071645746737827795]
                Media y desvío AUC ROC de la clase cofactor: [0.9934757861612419, 0.006805603742678201]
                Media y desvío AUC ROC de la clase binder: [0.9642747087016104, 0.03689399229701517]
                Media y desvío AUC ROC de la clase inducer: [0.868049805317691, 0.04263945153141592]
                Media y desvío AUC ROC de la clase antibody: [0.9619813003473103, 0.0061929751968020155]
                Media y desvío AUC ROC de la clase partial agonist: [0.9195001341386486, 0.038484541782439104]
                Media y desvío AUC ROC de la clase ligand: [0.9439847879521742, 0.04776397363967487]
                Media y desvío AUC ROC de la clase product of: [0.9500870088531509, 0.045785062030736456]
                Media y desvío AUC ROC de la clase multitarget: [0.9999780665182683, 4.904475613546918e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.880397086653567, 0.07109337281873505]
                Media y desvío AUC ROC de la clase modulator: [0.9999920241884612, 1.783445677652522e-05]
                Media y desvío AUC ROC de la clase activator: [0.9033701429120413, 0.03827368509247256]
                Media y desvío AUC ROC de la clase negative modulator: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase other: [0.7654475155347056, 0.11357220824169469]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 0.0]
                Media y desvío AUC ROC de la clase blocker: [0.9081810074175047, 0.05221017401070087]
                Media y desvío AUC ROC de la clase stimulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [1.0, 0.0]
                Media y desvío AUC ROC de la clase binding: [0.6487677371172517, 0.2641761159976069]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.4100074682598954, 0.29235677019654865]
                Media y desvío AUC ROC de la clase inverse agonist: [0.5273711725168035, 0.20903464668673394]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 50
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [98.09% / 0.27%]
        Acierto en el validación [media, desvío]: [96.09% / 0.28%]
        Acierto en el prueba [media, desvío]: [68.35% / 2.73%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7933896836503115, 0.01463999852002791]
                Media y desvío AUC ROC de la clase inhibitor: [0.9631876418425575, 0.01002109943008775]
                Media y desvío AUC ROC de la clase agonist: [0.9566287150967612, 0.0047240992124632465]
                Media y desvío AUC ROC de la clase antagonist: [0.8960756288202324, 0.01269080603077353]
                Media y desvío AUC ROC de la clase cofactor: [0.9958569284424691, 0.003537286973534205]
                Media y desvío AUC ROC de la clase binder: [0.9659933148197829, 0.012417078672725424]
                Media y desvío AUC ROC de la clase inducer: [0.888643713247823, 0.046907648074000836]
                Media y desvío AUC ROC de la clase antibody: [0.9154464279240413, 0.045634329096579156]
                Media y desvío AUC ROC de la clase partial agonist: [0.9410757919618321, 0.03772055376574246]
                Media y desvío AUC ROC de la clase ligand: [0.9292777540114707, 0.03890408731775197]
                Media y desvío AUC ROC de la clase product of: [0.9119388835313993, 0.03837903428653081]
                Media y desvío AUC ROC de la clase multitarget: [0.999971540854282, 4.7544539403809715e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.8859435385050429, 0.12719440407876062]
                Media y desvío AUC ROC de la clase modulator: [0.9999452569298927, 3.4829966210011286e-05]
                Media y desvío AUC ROC de la clase activator: [0.8756817506181254, 0.07090552917191636]
                Media y desvío AUC ROC de la clase negative modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase other: [0.758419012884561, 0.05853264423960353]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase blocker: [0.809226563802867, 0.14225589760307383]
                Media y desvío AUC ROC de la clase stimulator: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase unknown: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9985810306198656, 0.0031729119919713437]
                Media y desvío AUC ROC de la clase binding: [0.6455190440627334, 0.23684919103686117]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.33472740851381627, 0.28380267074930493]
                Media y desvío AUC ROC de la clase inverse agonist: [0.5233756534727408, 0.21168233151967752]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 25
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [97.46% / 0.54%]
        Acierto en el validación [media, desvío]: [95.73% / 0.33%]
        Acierto en el prueba [media, desvío]: [68.17% / 1.94%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.8037684803178723, 0.01582828842230599]
                Media y desvío AUC ROC de la clase inhibitor: [0.9566240927514374, 0.00995529990217557]
                Media y desvío AUC ROC de la clase agonist: [0.9603031170921641, 0.009495707399919933]
                Media y desvío AUC ROC de la clase antagonist: [0.8913639181536721, 0.016443491853618663]
                Media y desvío AUC ROC de la clase cofactor: [0.9972470761399972, 0.0017558380721542062]
                Media y desvío AUC ROC de la clase binder: [0.9635993024790273, 0.012572924985458525]
                Media y desvío AUC ROC de la clase inducer: [0.8655118658323484, 0.028647363455226407]
                Media y desvío AUC ROC de la clase antibody: [0.9109933873271605, 0.046303218715962366]
                Media y desvío AUC ROC de la clase partial agonist: [0.9407186931270257, 0.03505691817317919]
                Media y desvío AUC ROC de la clase ligand: [0.9490922076321265, 0.04385036629129118]
                Media y desvío AUC ROC de la clase product of: [0.921147683026748, 0.04469311615046351]
                Media y desvío AUC ROC de la clase multitarget: [0.9999650151902956, 4.482318176677735e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.9331413096282546, 0.04861002188583029]
                Media y desvío AUC ROC de la clase modulator: [0.9999231421797168, 5.922306665456491e-05]
                Media y desvío AUC ROC de la clase activator: [0.8948229732375269, 0.054677064122531295]
                Media y desvío AUC ROC de la clase negative modulator: [0.9999325681388082, 0.0001507822254743986]
                Media y desvío AUC ROC de la clase other: [0.7801264528665792, 0.13645625712347687]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 0.0]
                Media y desvío AUC ROC de la clase blocker: [0.9210159008679133, 0.09426400487093732]
                Media y desvío AUC ROC de la clase stimulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9999626587005228, 8.349768399927202e-05]
                Media y desvío AUC ROC de la clase binding: [0.774570575056012, 0.08910562453077389]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.4683345780433159, 0.11667636943684673]
                Media y desvío AUC ROC de la clase inverse agonist: [0.5704256908140404, 0.1783767532901817]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 40
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [97.88% / 0.35%]
        Acierto en el validación [media, desvío]: [96.04% / 0.67%]
        Acierto en el prueba [media, desvío]: [67.48% / 2.08%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7840913375435951, 0.014844739101278195]
                Media y desvío AUC ROC de la clase inhibitor: [0.9600191600745376, 0.005739555409220684]
                Media y desvío AUC ROC de la clase agonist: [0.9642773370940493, 0.004026956134185848]
                Media y desvío AUC ROC de la clase antagonist: [0.890648995410283, 0.013181229260842944]
                Media y desvío AUC ROC de la clase cofactor: [0.9953591652950688, 0.0019974088829571917]
                Media y desvío AUC ROC de la clase binder: [0.9652814736399429, 0.014413234822537922]
                Media y desvío AUC ROC de la clase inducer: [0.928417272707498, 0.02190773534409991]
                Media y desvío AUC ROC de la clase antibody: [0.8747172212272599, 0.035833986235047556]
                Media y desvío AUC ROC de la clase partial agonist: [0.9268210227890687, 0.021376923627226735]
                Media y desvío AUC ROC de la clase ligand: [0.9490744433246083, 0.06318791538162512]
                Media y desvío AUC ROC de la clase product of: [0.9003920836445108, 0.0602364209008552]
                Media y desvío AUC ROC de la clase multitarget: [0.9999934743360137, 1.4591828271765645e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.8496106353821501, 0.07947628171206104]
                Media y desvío AUC ROC de la clase modulator: [0.9999532327414314, 4.1462556336000275e-05]
                Media y desvío AUC ROC de la clase activator: [0.8852839026370933, 0.05339470098244619]
                Media y desvío AUC ROC de la clase negative modulator: [0.9999782477867123, 4.863942757238665e-05]
                Media y desvío AUC ROC de la clase other: [0.849757281553398, 0.06926462988932021]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 0.0]
                Media y desvío AUC ROC de la clase blocker: [0.8864277065191383, 0.08131813030288233]
                Media y desvío AUC ROC de la clase stimulator: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9999626587005228, 8.349768399922236e-05]
                Media y desvío AUC ROC de la clase binding: [0.4336071695294996, 0.25944030418328345]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.38902165795369675, 0.1939788230587824]
                Media y desvío AUC ROC de la clase inverse agonist: [0.6233756534727408, 0.09868506106550223]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 35
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [97.54% / 0.57%]
        Acierto en el validación [media, desvío]: [95.82% / 0.40%]
        Acierto en el prueba [media, desvío]: [69.49% / 1.00%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7971432093215485, 0.012439697013084216]
                Media y desvío AUC ROC de la clase inhibitor: [0.9582279559445174, 0.007967380664761489]
                Media y desvío AUC ROC de la clase agonist: [0.9559063603471654, 0.005622062548912957]
                Media y desvío AUC ROC de la clase antagonist: [0.8966234220581943, 0.013736007475963022]
                Media y desvío AUC ROC de la clase cofactor: [0.9919852157457021, 0.005207344524768854]
                Media y desvío AUC ROC de la clase binder: [0.9256813880812372, 0.03815922228018907]
                Media y desvío AUC ROC de la clase inducer: [0.885935200156616, 0.04429187514789629]
                Media y desvío AUC ROC de la clase antibody: [0.9383951942110109, 0.031806268805821054]
                Media y desvío AUC ROC de la clase partial agonist: [0.9420410464264739, 0.013105843287512086]
                Media y desvío AUC ROC de la clase ligand: [0.9269905087842688, 0.05599387539051393]
                Media y desvío AUC ROC de la clase product of: [0.9015244676145797, 0.024120230303223446]
                Media y desvío AUC ROC de la clase multitarget: [1.0, 0.0]
                Media y desvío AUC ROC de la clase potentiator: [0.8644030467600078, 0.06418530388265746]
                Media y desvío AUC ROC de la clase modulator: [0.9999680967538447, 3.336521346849308e-05]
                Media y desvío AUC ROC de la clase activator: [0.9175917399595409, 0.05692433076093865]
                Media y desvío AUC ROC de la clase negative modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase other: [0.7798393236511815, 0.07538776155269206]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 0.0]
                Media y desvío AUC ROC de la clase blocker: [0.8566656032251282, 0.11908437750995532]
                Media y desvío AUC ROC de la clase stimulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9999626587005228, 8.349768399927202e-05]
                Media y desvío AUC ROC de la clase binding: [0.6636669156086632, 0.3317295207091728]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.31855862584017924, 0.3349709017378919]
                Media y desvío AUC ROC de la clase inverse agonist: [0.6838685586258402, 0.12652512636541816]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 35
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [97.97% / 0.24%]
        Acierto en el validación [media, desvío]: [96.13% / 0.25%]
        Acierto en el prueba [media, desvío]: [71.06% / 1.27%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7969683759072486, 0.025984449108248167]
                Media y desvío AUC ROC de la clase inhibitor: [0.9532962760210851, 0.0059107517220498155]
                Media y desvío AUC ROC de la clase agonist: [0.9607198532450677, 0.006546628165150468]
                Media y desvío AUC ROC de la clase antagonist: [0.9003421441881712, 0.007279615221601829]
                Media y desvío AUC ROC de la clase cofactor: [0.9966733615145341, 0.0018191865021893576]
                Media y desvío AUC ROC de la clase binder: [0.952761987282206, 0.018387672485770893]
                Media y desvío AUC ROC de la clase inducer: [0.9997130520530464, 0.0002499217924360746]
                Media y desvío AUC ROC de la clase antibody: [0.9698577767787873, 0.017927691246690705]
                Media y desvío AUC ROC de la clase partial agonist: [0.9695814330358113, 0.024182540305932962]
                Media y desvío AUC ROC de la clase ligand: [0.9083434239433862, 0.058771866768448214]
                Media y desvío AUC ROC de la clase product of: [0.9878231110015444, 0.012426010501494828]
                Media y desvío AUC ROC de la clase multitarget: [0.9992189142745275, 0.0015322007293217265]
                Media y desvío AUC ROC de la clase potentiator: [0.8613553804099567, 0.05474697290294821]
                Media y desvío AUC ROC de la clase modulator: [0.8997842905515636, 0.061399279434679266]
                Media y desvío AUC ROC de la clase activator: [0.6237976464105223, 0.14468027891787066]
                Media y desvío AUC ROC de la clase negative modulator: [0.9998172814083833, 0.00013195545919446436]
                Media y desvío AUC ROC de la clase other: [0.8940427938542747, 0.06744456073339614]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 0.0]
                Media y desvío AUC ROC de la clase blocker: [0.9734646562787763, 0.029610919178941267]
                Media y desvío AUC ROC de la clase stimulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.999757281553398, 8.349768399927202e-05]
                Media y desvío AUC ROC de la clase binding: [0.6310679611650485, 0.3278507083258045]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.6142270351008216, 0.19817078117483883]
                Media y desvío AUC ROC de la clase inverse agonist: [0.5691187453323376, 0.20521564190856875]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 35
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [97.55% / 0.29%]
        Acierto en el validación [media, desvío]: [95.80% / 0.37%]
        Acierto en el prueba [media, desvío]: [70.35% / 0.66%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7923345200374139, 0.019832748145119757]
                Media y desvío AUC ROC de la clase inhibitor: [0.9440673557284454, 0.006011190823392541]
                Media y desvío AUC ROC de la clase agonist: [0.949624321149677, 0.00911031053037189]
                Media y desvío AUC ROC de la clase antagonist: [0.9033947047862121, 0.008956512034799724]
                Media y desvío AUC ROC de la clase cofactor: [0.9936499851359876, 0.004411119699068106]
                Media y desvío AUC ROC de la clase binder: [0.9251517216876817, 0.02550570072534559]
                Media y desvío AUC ROC de la clase inducer: [0.992538265768542, 0.013480160618602629]
                Media y desvío AUC ROC de la clase antibody: [0.9591569567203464, 0.025226474949982567]
                Media y desvío AUC ROC de la clase partial agonist: [0.9732977986760153, 0.020408051191391812]
                Media y desvío AUC ROC de la clase ligand: [0.9261151634678828, 0.06152622383160934]
                Media y desvío AUC ROC de la clase product of: [0.9857289166672709, 0.004412560325229322]
                Media y desvío AUC ROC de la clase multitarget: [0.9999483384934417, 4.2943791340021565e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.8500493050167854, 0.036594985490230526]
                Media y desvío AUC ROC de la clase modulator: [0.8444124002117216, 0.03587567608257521]
                Media y desvío AUC ROC de la clase activator: [0.6629704822465686, 0.20449991789490618]
                Media y desvío AUC ROC de la clase negative modulator: [0.9996633844993729, 0.00010858456413017897]
                Media y desvío AUC ROC de la clase other: [0.7875410573025805, 0.14237636783277663]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 0.0]
                Media y desvío AUC ROC de la clase blocker: [0.9468305212555377, 0.07059630174658332]
                Media y desvío AUC ROC de la clase stimulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.999757281553398, 8.349768399930925e-05]
                Media y desvío AUC ROC de la clase binding: [0.47617625093353244, 0.14033720319708876]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.4713965646004481, 0.3249670004959828]
                Media y desvío AUC ROC de la clase inverse agonist: [0.7050037341299478, 0.2045387360941844]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 35
        Dimensión de los kernels: (3, 5, 7)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [98.23% / 0.27%]
        Acierto en el validación [media, desvío]: [96.16% / 0.37%]
        Acierto en el prueba [media, desvío]: [70.17% / 0.68%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.794258412668489, 0.0058314770484058235]
                Media y desvío AUC ROC de la clase inhibitor: [0.9474154745245329, 0.017183607109565843]
                Media y desvío AUC ROC de la clase agonist: [0.9553270263999363, 0.005829512502852271]
                Media y desvío AUC ROC de la clase antagonist: [0.8949564774465801, 0.01623010232107293]
                Media y desvío AUC ROC de la clase cofactor: [0.9959317923098676, 0.003126967851640188]
                Media y desvío AUC ROC de la clase binder: [0.9446658134965232, 0.03293396485957987]
                Media y desvío AUC ROC de la clase inducer: [0.9887553746093665, 0.02155535493733943]
                Media y desvío AUC ROC de la clase antibody: [0.9617489142020201, 0.023004080680969746]
                Media y desvío AUC ROC de la clase partial agonist: [0.9802311353930262, 0.013185627594424426]
                Media y desvío AUC ROC de la clase ligand: [0.9276086341785277, 0.053984453687903874]
                Media y desvío AUC ROC de la clase product of: [0.9891251622352574, 0.013046182830654224]
                Media y desvío AUC ROC de la clase multitarget: [0.9998990334766562, 6.175310689888452e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.7966240564977486, 0.09026668096337495]
                Media y desvío AUC ROC de la clase modulator: [0.8542741286425893, 0.03911836796349183]
                Media y desvío AUC ROC de la clase activator: [0.7518429562708006, 0.16723199565838795]
                Media y desvío AUC ROC de la clase negative modulator: [0.999723203085914, 0.0001661619713727285]
                Media y desvío AUC ROC de la clase other: [0.8242694881704213, 0.045452058030395114]
                Media y desvío AUC ROC de la clase suppressor: [1.0, 0.0]
                Media y desvío AUC ROC de la clase blocker: [0.8923174808036718, 0.098822934865051]
                Media y desvío AUC ROC de la clase stimulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9997199402539209, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase binding: [0.4218073188946976, 0.11758910980356693]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.44286781179985063, 0.27900301631559304]
                Media y desvío AUC ROC de la clase inverse agonist: [0.4991038088125467, 0.29354558768262456]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445847
        Longitud de los ejemplos (filas): 6500
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 35
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [95.79% / 1.36%]
        Acierto en el validación [media, desvío]: [94.26% / 1.54%]
        Acierto en el prueba [media, desvío]: [59.07% / 3.56%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.8135682149408703, 0.041967358187105785]
                Media y desvío AUC ROC de la clase inhibitor: [0.9147740126307852, 0.028658342283805666]
                Media y desvío AUC ROC de la clase agonist: [0.940400385739249, 0.014825896234182484]
                Media y desvío AUC ROC de la clase antagonist: [0.894535118948353, 0.016788744039247308]
                Media y desvío AUC ROC de la clase cofactor: [0.9932731280407782, 0.007631017204936249]
                Media y desvío AUC ROC de la clase binder: [0.9089736943233974, 0.027175638212947145]
                Media y desvío AUC ROC de la clase inducer: [0.9384189403771834, 0.06399926059940374]
                Media y desvío AUC ROC de la clase antibody: [0.8985614536279067, 0.034192423437009574]
                Media y desvío AUC ROC de la clase partial agonist: [0.9466160806862098, 0.022411331501952826]
                Media y desvío AUC ROC de la clase ligand: [0.8781750980662283, 0.08961481509393446]
                Media y desvío AUC ROC de la clase product of: [0.9081596177411051, 0.050838838572542434]
                Media y desvío AUC ROC de la clase multitarget: [0.9998511786074232, 9.002583718626257e-05]
                Media y desvío AUC ROC de la clase potentiator: [0.9150722898554928, 0.05475915826131143]
                Media y desvío AUC ROC de la clase modulator: [0.8897739219965631, 0.04772547684747021]
                Media y desvío AUC ROC de la clase negative modulator: [0.9987983714842985, 0.002478320370921633]
                Media y desvío AUC ROC de la clase other: [0.7407034665777243, 0.16282975820093082]
                Media y desvío AUC ROC de la clase suppressor: [0.7491429627964645, 0.11193621927485052]
                Media y desvío AUC ROC de la clase blocker: [1.0, 0.0]
                Media y desvío AUC ROC de la clase stimulator: [0.8426125858306083, 0.1024255518115695]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 0.0]
                Media y desvío AUC ROC de la clase unknown: [1.0, 0.0]
                Media y desvío AUC ROC de la clase partial antagonist: [0.953547423450336, 0.10387111889506118]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.9730955937266617, 0.03645742577634071]
                Media y desvío AUC ROC de la clase binding: [0.21624346527259147, 0.25214172945965596]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.4919342793129201, 0.3099301256443074]
                Media y desvío AUC ROC de la clase inverse agonist: [0.7972740851381628, 0.17149372409885907]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17820
        Cantidad de ejemplos utilizados para validar: 4455
        Cantidad de ejemplos utilizados para probar: 5562
        Top de palabras frecuentes utilizadas: 445849
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 35
        Dimensión de los kernels: (3, 5)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [97.24% / 0.14%]
        Acierto en el validación [media, desvío]: [94.05% / 0.23%]
        Acierto en el prueba [media, desvío]: [29.77% / 1.30%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7303100778004162, 0.014018022871574908]
                Media y desvío AUC ROC de la clase inhibitor: [0.7543990226005496, 0.03048412241885209]
                Media y desvío AUC ROC de la clase agonist: [0.7740515128664341, 0.021184775913746023]
                Media y desvío AUC ROC de la clase antagonist: [0.7306376298788402, 0.02409644336341121]
                Media y desvío AUC ROC de la clase cofactor: [0.8278053104403372, 0.034563761368475526]
                Media y desvío AUC ROC de la clase binder: [0.7811101967125155, 0.030615521452280924]
                Media y desvío AUC ROC de la clase inducer: [0.7722082846929675, 0.05753965051610131]
                Media y desvío AUC ROC de la clase antibody: [0.7137783957017627, 0.038875765168711975]
                Media y desvío AUC ROC de la clase partial agonist: [0.7929614369512098, 0.04908806227874679]
                Media y desvío AUC ROC de la clase ligand: [0.5826428214070781, 0.07783120354857134]
                Media y desvío AUC ROC de la clase product of: [0.7755093643278204, 0.06808519952619774]
                Media y desvío AUC ROC de la clase multitarget: [0.7996376443803157, 0.05964767024732404]
                Media y desvío AUC ROC de la clase potentiator: [0.7629559807710434, 0.05787696271811731]
                Media y desvío AUC ROC de la clase modulator: [0.767846422123451, 0.1239109616986806]
                Media y desvío AUC ROC de la clase activator: [0.6404792375124169, 0.17336028161506806]
                Media y desvío AUC ROC de la clase negative modulator: [0.8118555000471298, 0.09955249265107792]
                Media y desvío AUC ROC de la clase other: [0.8047126170087807, 0.06971815053746248]
                Media y desvío AUC ROC de la clase suppressor: [0.6326643923519218, 0.082733117413483]
                Media y desvío AUC ROC de la clase blocker: [0.9158624390031685, 0.1173394915972975]
                Media y desvío AUC ROC de la clase stimulator: [0.6547017409021367, 0.3085334506113872]
                Media y desvío AUC ROC de la clase allosteric modulator: [1.0, 4.965068306494546e-17]
                Media y desvío AUC ROC de la clase unknown: [0.7118745332337565, 0.17494226444442534]
                Media y desvío AUC ROC de la clase partial antagonist: [1.0, 0.0]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.5438760268857357, 0.23878246440748224]
                Media y desvío AUC ROC de la clase binding: [0.12935026138909633, 0.054163294235683376]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.6750560119492158, 0.08432352520175707]
                Media y desvío AUC ROC de la clase inverse agonist: [0.9457430918595967, 0.07947608966523191]

--------------------------------------------------------------------------------------------------------------------------------

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 16768
        Cantidad de ejemplos utilizados para validar: 4191
        Cantidad de ejemplos utilizados para probar: 5258
        Top de palabras frecuentes utilizadas: 445849
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 35
        Dimensión de los kernels: (1, 2, 3, 4, 5, 6, 7, 8, 9)
        Neuronas en la capa oculta: 90
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 2
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [99.16% / 0.00%]
        Acierto en el validación [media, desvío]: [100.00% / 0.00%]
        Acierto en el prueba [media, desvío]: [88.53% / 0.00%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.6705151293300772, 0.015569390644783427]
                Media y desvío AUC ROC de la clase inhibitor: [0.6630757577061795, 0.0006255744761858623]
                Media y desvío AUC ROC de la clase agonist: [0.6495384492604548, 0.017400943221037753]
                Media y desvío AUC ROC de la clase antagonist: [0.6637728009120365, 0.01038427845286254]
                Media y desvío AUC ROC de la clase cofactor: [0.6035567355530043, 0.031906738966428004]
                Media y desvío AUC ROC de la clase binder: [0.5689753863766456, 0.08218905042782462]
                Media y desvío AUC ROC de la clase inducer: [0.6329505019697548, 0.05574677460650713]
                Media y desvío AUC ROC de la clase antibody: [0.6888178526257429, 0.017188537415401384]
                Media y desvío AUC ROC de la clase partial agonist: [0.5637619047619047, 0.035035457420219185]
                Media y desvío AUC ROC de la clase ligand: [0.5593742066514343, 0.0053405500736988035]
                Media y desvío AUC ROC de la clase product of: [0.5262439705509012, 0.032851114739055186]
                Media y desvío AUC ROC de la clase multitarget: [0.577422425280792, 0.05185180508529563]
                Media y desvío AUC ROC de la clase potentiator: [0.6259470778602703, 0.047301984182172595]
                Media y desvío AUC ROC de la clase modulator: [0.7119550732914526, 0.041594516540385235]
                Media y desvío AUC ROC de la clase activator: [0.5978302245907879, 0.0918538976322456]
                Media y desvío AUC ROC de la clase negative modulator: [0.6639703083365056, 0.13404612753365078]
                Media y desvío AUC ROC de la clase other: [0.43155724706628606, 0.027136035687780585]
                Media y desvío AUC ROC de la clase suppressor: [0.6495433789954337, 0.09942007444765195]
                Media y desvío AUC ROC de la clase blocker: [0.8437975646879756, 0.019238255272008422]
                Media y desvío AUC ROC de la clase stimulator: [0.592418188736682, 0.20227074686338933]
                Media y desvío AUC ROC de la clase allosteric modulator: [0.40203538139623357, 0.1895212963081312]
                Media y desvío AUC ROC de la clase unknown: [0.24139242914209624, 0.33357900272829333]
                Media y desvío AUC ROC de la clase partial antagonist: [0.4623359330416587, 0.1903283422824738]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.28305116986874646, 0.004304245196494136]
                Media y desvío AUC ROC de la clase binding: [0.9020353813962336, 0.05703124885354691]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.5673387863800647, 0.42813788938877323]
                Media y desvío AUC ROC de la clase inverse agonist: [0.8019783146281149, 0.09845960886980265]
                Media y desvío AUC ROC de la clase neutralizer: [0.9141145139813582, 0.08299122769490196]
                Media y desvío AUC ROC de la clase adduct: [0.44512079132585125, 0.36586084170199906]
                Media y desvío AUC ROC de la clase positive allosteric modulator: [0.37778200494578656, 0.10222582341673503]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 1872
        Cantidad de ejemplos utilizados para validar: 468
        Cantidad de ejemplos utilizados para probar: 603
        Top de palabras frecuentes utilizadas: 445849
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 35
        Dimensión de los kernels: (2, 3)
        Neuronas en la capa oculta: 90
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [32.25% / 13.99%]
        Acierto en el validación [media, desvío]: [42.86% / 24.55%]
        Acierto en el prueba [media, desvío]: [15.22% / 9.05%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [nan, nan]
                Media y desvío AUC ROC de la clase inhibitor: [0.39307080466500754, 0.044048864130945685]
                Media y desvío AUC ROC de la clase agonist: [0.7575146368139999, 0.03661442683972417]
                Media y desvío AUC ROC de la clase antagonist: [0.5548658318425761, 0.029649988212792383]
                Media y desvío AUC ROC de la clase cofactor: [0.8188266199649737, 0.014664677153569245]
                Media y desvío AUC ROC de la clase binder: [0.4976109215017065, 0.019608765277351375]
                Media y desvío AUC ROC de la clase inducer: [0.4331359278059786, 0.06555526646224985]
                Media y desvío AUC ROC de la clase antibody: [0.33378378378378376, 0.0801723980791044]
                Media y desvío AUC ROC de la clase partial agonist: [0.590546218487395, 0.049751563074820294]
                Media y desvío AUC ROC de la clase ligand: [0.4623673925181463, 0.17072654272447596]
                Media y desvío AUC ROC de la clase product of: [0.3714684533780011, 0.07637800142486256]
                Media y desvío AUC ROC de la clase multitarget: [0.6707023411371238, 0.1170796919913859]
                Media y desvío AUC ROC de la clase potentiator: [0.5062207357859532, 0.019747457582206914]
                Media y desvío AUC ROC de la clase modulator: [0.6668227424749164, 0.07017572027082372]
                Media y desvío AUC ROC de la clase activator: [0.45592654424040063, 0.06051364330394323]
                Media y desvío AUC ROC de la clase negative modulator: [0.4712854757929883, 0.10155265419897334]
                Media y desvío AUC ROC de la clase other: [0.3823333333333333, 0.07920652018303906]
                Media y desvío AUC ROC de la clase suppressor: [0.6183028286189685, 0.2800896745233011]
                Media y desvío AUC ROC de la clase blocker: [0.48036605657237935, 0.22893702430122462]
                Media y desvío AUC ROC de la clase stimulator: [0.7427620632279534, 0.15655460776426403]
                Media y desvío AUC ROC de la clase allosteric modulator: [0.5843853820598006, 0.39825109382325086]
                Media y desvío AUC ROC de la clase unknown: [0.751827242524917, 0.0690578532628452]
                Media y desvío AUC ROC de la clase partial antagonist: [0.053820598006644495, 0.03230886334309244]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.30116279069767443, 0.09222186841875758]
                Media y desvío AUC ROC de la clase binding: [0.5923588039867109, 0.13262327811126093]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.39202657807308966, 0.14906266295422022]
                Media y desvío AUC ROC de la clase inverse agonist: [0.4910299003322259, 0.23224528077644785]
                Media y desvío AUC ROC de la clase neutralizer: [0.553156146179402, 0.12439631379966153]
                Media y desvío AUC ROC de la clase adduct: [0.6644518272425249, 0.21039371623971706]
                Media y desvío AUC ROC de la clase positive allosteric modulator: [0.25249169435215946, 0.12684548970506648]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 1872
        Cantidad de ejemplos utilizados para validar: 468
        Cantidad de ejemplos utilizados para probar: 603
        Top de palabras frecuentes utilizadas: 445849
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 35
        Dimensión de los kernels: (2, 3)
        Neuronas en la capa oculta: 90
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [40.07% / 9.83%]
        Acierto en el validación [media, desvío]: [49.87% / 18.49%]
        Acierto en el prueba [media, desvío]: [28.62% / 9.73%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [nan, nan]
                Media y desvío AUC ROC de la clase inhibitor: [0.699370516761821, 0.09674717362826382]
                Media y desvío AUC ROC de la clase agonist: [0.7248729331531879, 0.10338053912060893]
                Media y desvío AUC ROC de la clase antagonist: [0.5371068466417304, 0.07074069828407073]
                Media y desvío AUC ROC de la clase cofactor: [0.5238288091068302, 0.11772899430368954]
                Media y desvío AUC ROC de la clase binder: [0.5156193535434651, 0.0344117067129334]
                Media y desvío AUC ROC de la clase inducer: [0.49802594472645234, 0.08631394031702838]
                Media y desvío AUC ROC de la clase antibody: [0.4113022113022113, 0.09727722010811309]
                Media y desvío AUC ROC de la clase partial agonist: [0.5339495798319328, 0.09731706069823888]
                Media y desvío AUC ROC de la clase ligand: [0.5579006141820212, 0.1519654502688058]
                Media y desvío AUC ROC de la clase product of: [0.5496929089893914, 0.09700892544384011]
                Media y desvío AUC ROC de la clase multitarget: [0.6188628762541806, 0.08706084557547848]
                Media y desvío AUC ROC de la clase potentiator: [0.4931772575250836, 0.15014871283511103]
                Media y desvío AUC ROC de la clase modulator: [0.5384615384615384, 0.1356258426351749]
                Media y desvío AUC ROC de la clase activator: [0.4776293823038397, 0.04321423042960358]
                Media y desvío AUC ROC de la clase negative modulator: [0.44156928213689484, 0.24233927382702297]
                Media y desvío AUC ROC de la clase other: [0.36177777777777775, 0.08046297361803621]
                Media y desvío AUC ROC de la clase suppressor: [0.6618968386023294, 0.16783750010421855]
                Media y desvío AUC ROC de la clase blocker: [0.36089850249584027, 0.14964800528510172]
                Media y desvío AUC ROC de la clase stimulator: [0.637936772046589, 0.3321496758824177]
                Media y desvío AUC ROC de la clase allosteric modulator: [0.6843853820598007, 0.1273610908088294]
                Media y desvío AUC ROC de la clase unknown: [0.4196013289036545, 0.18356270935063906]
                Media y desvío AUC ROC de la clase partial antagonist: [0.3358803986710963, 0.18012114381726307]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.4074750830564784, 0.21144489497241103]
                Media y desvío AUC ROC de la clase binding: [0.6691029900332226, 0.24000419417754373]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.46677740863787376, 0.1348075984403554]
                Media y desvío AUC ROC de la clase inverse agonist: [0.3571428571428571, 0.12032014519874654]
                Media y desvío AUC ROC de la clase neutralizer: [0.3338870431893688, 0.14931697710461284]
                Media y desvío AUC ROC de la clase adduct: [0.6624584717607974, 0.27608603084799355]
                Media y desvío AUC ROC de la clase positive allosteric modulator: [0.6428571428571429, 0.1980614040536922]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 1872
        Cantidad de ejemplos utilizados para validar: 468
        Cantidad de ejemplos utilizados para probar: 603
        Top de palabras frecuentes utilizadas: 445849
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 35
        Dimensión de los kernels: (2, 3)
        Neuronas en la capa oculta: 90
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [57.90% / 22.02%]
        Acierto en el validación [media, desvío]: [62.09% / 21.42%]
        Acierto en el prueba [media, desvío]: [35.36% / 14.21%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [nan, nan]
                Media y desvío AUC ROC de la clase inhibitor: [0.7220050749036255, 0.11823962205244841]
                Media y desvío AUC ROC de la clase agonist: [0.7722656501318922, 0.10816084658575732]
                Media y desvío AUC ROC de la clase antagonist: [0.5939225890388681, 0.1270456919699787]
                Media y desvío AUC ROC de la clase cofactor: [0.8711799474605955, 0.1691428089754353]
                Media y desvío AUC ROC de la clase binder: [0.533406946396306, 0.0675065583790813]
                Media y desvío AUC ROC de la clase inducer: [0.4874788494077834, 0.09803594957371421]
                Media y desvío AUC ROC de la clase antibody: [0.45906019656019653, 0.1347912582205728]
                Media y desvío AUC ROC de la clase partial agonist: [0.6168067226890757, 0.11523477890275287]
                Media y desvío AUC ROC de la clase ligand: [0.6520379676158571, 0.1596642139276721]
                Media y desvío AUC ROC de la clase product of: [0.6359017308766053, 0.1885374575761438]
                Media y desvío AUC ROC de la clase multitarget: [0.5876923076923077, 0.07502657031312436]
                Media y desvío AUC ROC de la clase potentiator: [0.4866220735785953, 0.14410583023498627]
                Media y desvío AUC ROC de la clase modulator: [0.645551839464883, 0.12800091826104332]
                Media y desvío AUC ROC de la clase activator: [0.6334724540901503, 0.11114397227250938]
                Media y desvío AUC ROC de la clase negative modulator: [0.4231218697829716, 0.18656849767866734]
                Media y desvío AUC ROC de la clase other: [0.5033333333333333, 0.25578884279570413]
                Media y desvío AUC ROC de la clase suppressor: [0.5158069883527454, 0.1439111587793059]
                Media y desvío AUC ROC de la clase blocker: [0.44409317803660564, 0.11940885148827587]
                Media y desvío AUC ROC de la clase stimulator: [0.6222961730449251, 0.34889232360739386]
                Media y desvío AUC ROC de la clase allosteric modulator: [0.8269102990033222, 0.13648279664397125]
                Media y desvío AUC ROC de la clase unknown: [0.3853820598006644, 0.11035577732692829]
                Media y desvío AUC ROC de la clase partial antagonist: [0.1418604651162791, 0.11887004191293699]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.48521594684385383, 0.2128891626296895]
                Media y desvío AUC ROC de la clase binding: [0.4548172757475083, 0.14583639158244785]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.41362126245847175, 0.16125367690082684]
                Media y desvío AUC ROC de la clase inverse agonist: [0.3498338870431894, 0.22207817571513205]
                Media y desvío AUC ROC de la clase neutralizer: [0.5591362126245847, 0.18762530167123104]
                Media y desvío AUC ROC de la clase adduct: [0.786046511627907, 0.13276260469838694]
                Media y desvío AUC ROC de la clase positive allosteric modulator: [0.3059800664451827, 0.20233553701728052]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 1872
        Cantidad de ejemplos utilizados para validar: 468
        Cantidad de ejemplos utilizados para probar: 603
        Top de palabras frecuentes utilizadas: 445849
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 35
        Dimensión de los kernels: (3,)
        Neuronas en la capa oculta: 90
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [39.76% / 17.24%]
        Acierto en el validación [media, desvío]: [49.02% / 15.47%]
        Acierto en el prueba [media, desvío]: [32.40% / 11.44%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [nan, nan]
                Media y desvío AUC ROC de la clase inhibitor: [0.7043685648758112, 0.0917246083562873]
                Media y desvío AUC ROC de la clase agonist: [0.7595010615711253, 0.08551948966446149]
                Media y desvío AUC ROC de la clase antagonist: [0.5711351439258416, 0.06633885575492122]
                Media y desvío AUC ROC de la clase cofactor: [0.5035464098073555, 0.0897174694576814]
                Media y desvío AUC ROC de la clase binder: [0.5132704276249749, 0.07678489995728187]
                Media y desvío AUC ROC de la clase inducer: [0.48350253807106597, 0.06851638508080304]
                Media y desvío AUC ROC de la clase antibody: [0.43925061425061424, 0.16850863872155958]
                Media y desvío AUC ROC de la clase partial agonist: [0.593655462184874, 0.09415848266276766]
                Media y desvío AUC ROC de la clase ligand: [0.6300390843104411, 0.13910461096920212]
                Media y desvío AUC ROC de la clase product of: [0.5056951423785595, 0.08222424576074551]
                Media y desvío AUC ROC de la clase multitarget: [0.6147826086956522, 0.06479901823206373]
                Media y desvío AUC ROC de la clase potentiator: [0.5250167224080268, 0.10373620168077799]
                Media y desvío AUC ROC de la clase modulator: [0.5761204013377926, 0.06526351169162299]
                Media y desvío AUC ROC de la clase activator: [0.5311352253756261, 0.11357262532954007]
                Media y desvío AUC ROC de la clase negative modulator: [0.3988313856427379, 0.16985890677432244]
                Media y desvío AUC ROC de la clase other: [0.3877777777777778, 0.21530698726569955]
                Media y desvío AUC ROC de la clase suppressor: [0.5452579034941765, 0.0916173219588297]
                Media y desvío AUC ROC de la clase blocker: [0.3342762063227953, 0.13694359128467692]
                Media y desvío AUC ROC de la clase stimulator: [0.5043261231281198, 0.17332607871513225]
                Media y desvío AUC ROC de la clase allosteric modulator: [0.6528239202657807, 0.1792827523008522]
                Media y desvío AUC ROC de la clase unknown: [0.28538205980066444, 0.2196538454803523]
                Media y desvío AUC ROC de la clase partial antagonist: [0.16312292358803987, 0.11896749731122577]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.5536544850498339, 0.24524427735759555]
                Media y desvío AUC ROC de la clase binding: [0.24750830564784052, 0.21894481708135702]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.5259136212624586, 0.2614540898112263]
                Media y desvío AUC ROC de la clase inverse agonist: [0.7169435215946843, 0.13949829452247073]
                Media y desvío AUC ROC de la clase neutralizer: [0.574750830564784, 0.26281306212087474]
                Media y desvío AUC ROC de la clase adduct: [0.8295681063122924, 0.12983722796192562]
                Media y desvío AUC ROC de la clase positive allosteric modulator: [0.2794019933554817, 0.18281257303730591]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 16768
        Cantidad de ejemplos utilizados para validar: 4191
        Cantidad de ejemplos utilizados para probar: 5258
        Top de palabras frecuentes utilizadas: 445849
        Longitud de los ejemplos (filas): 6500
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3,)
        Neuronas en la capa oculta: 90
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 30
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [99.34% / 0.37%]
        Acierto en el validación [media, desvío]: [99.34% / 1.48%]
        Acierto en el prueba [media, desvío]: [88.53% / 0.00%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.6571570361582706, 0.008216236900019205]
                Media y desvío AUC ROC de la clase inhibitor: [0.6585901103430994, 0.010425322134074235]
                Media y desvío AUC ROC de la clase agonist: [0.6443682829071046, 0.031500183047503925]
                Media y desvío AUC ROC de la clase antagonist: [0.6073570442817713, 0.012674744318898317]
                Media y desvío AUC ROC de la clase cofactor: [0.6737382797550708, 0.03134085959881337]
                Media y desvío AUC ROC de la clase binder: [0.6375792675398723, 0.048049486396146215]
                Media y desvío AUC ROC de la clase inducer: [0.6922162917778625, 0.0380442781392784]
                Media y desvío AUC ROC de la clase antibody: [0.687428314014935, 0.09879090308684788]
                Media y desvío AUC ROC de la clase partial agonist: [0.5457928571428572, 0.03478522191724816]
                Media y desvío AUC ROC de la clase ligand: [0.7594852754506219, 0.07781557406088851]
                Media y desvío AUC ROC de la clase product of: [0.6808041381061183, 0.07075114533910978]
                Media y desvío AUC ROC de la clase multitarget: [0.5938168665524463, 0.03939096946738341]
                Media y desvío AUC ROC de la clase potentiator: [0.43741861793260994, 0.07908387408372763]
                Media y desvío AUC ROC de la clase modulator: [0.6867466209784885, 0.10926739667306695]
                Media y desvío AUC ROC de la clase activator: [0.5893985534830605, 0.13811284932703122]
                Media y desvío AUC ROC de la clase negative modulator: [0.5712552341073468, 0.06375920627045735]
                Media y desvío AUC ROC de la clase other: [0.6092483349191247, 0.16761023271320435]
                Media y desvío AUC ROC de la clase suppressor: [0.8391552511415525, 0.09323517011835498]
                Media y desvío AUC ROC de la clase blocker: [0.5040144596651446, 0.11860190137636344]
                Media y desvío AUC ROC de la clase stimulator: [0.5833904109589041, 0.20788923348855667]
                Media y desvío AUC ROC de la clase allosteric modulator: [0.48440175004755565, 0.20719096815105315]
                Media y desvío AUC ROC de la clase unknown: [0.9979455963477268, 0.002754617094041539]
                Media y desvío AUC ROC de la clase partial antagonist: [0.4080654365607761, 0.22540949615932301]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.5779341829941032, 0.20411416555377423]
                Media y desvío AUC ROC de la clase binding: [0.5926003424006087, 0.29835892864282615]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.6245767548031197, 0.08039492712857393]
                Media y desvío AUC ROC de la clase inverse agonist: [0.564428381206011, 0.13572167398458646]
                Media y desvío AUC ROC de la clase neutralizer: [0.45349058398326036, 0.2700687439009168]
                Media y desvío AUC ROC de la clase adduct: [0.4908502948449686, 0.2787171632874968]
                Media y desvío AUC ROC de la clase positive allosteric modulator: [0.4904318052120981, 0.1729956483238994]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 402192
        Cantidad de ejemplos utilizados para validar: 100548
        Cantidad de ejemplos utilizados para probar: 125658
        Top de palabras frecuentes utilizadas: 445849
        Longitud de los ejemplos (filas): 3000
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 35
        Dimensión de los kernels: (3,)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [75.08% / 1.39%]
        Acierto en el validación [media, desvío]: [70.53% / 11.63%]
        Acierto en el prueba [media, desvío]: [23.83% / 4.16%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7009748511938014, 0.03214449986098875]
                Media y desvío AUC ROC de la clase inhibitor: [0.7265293143910388, 0.02953800652180143]
                Media y desvío AUC ROC de la clase agonist: [0.7726696389882347, 0.035164343191096556]
                Media y desvío AUC ROC de la clase antagonist: [0.6222817835582957, 0.022237385875061733]
                Media y desvío AUC ROC de la clase cofactor: [0.7960960797525621, 0.03904604008469197]
                Media y desvío AUC ROC de la clase binder: [0.754935286671917, 0.06407270051977146]
                Media y desvío AUC ROC de la clase inducer: [0.6957993362140397, 0.03171622534364707]
                Media y desvío AUC ROC de la clase antibody: [0.79628211014117, 0.024451529655312942]
                Media y desvío AUC ROC de la clase partial agonist: [0.855414937466969, 0.06888459699519502]
                Media y desvío AUC ROC de la clase ligand: [0.8672900077587493, 0.028455220347770732]
                Media y desvío AUC ROC de la clase product of: [0.7897040694915284, 0.06638369539573825]
                Media y desvío AUC ROC de la clase multitarget: [0.8856095659156097, 0.02354633586284755]
                Media y desvío AUC ROC de la clase potentiator: [0.9074803189762684, 0.03991726702828601]
                Media y desvío AUC ROC de la clase modulator: [0.7501791352772479, 0.17039148221672912]
                Media y desvío AUC ROC de la clase activator: [0.548037676699703, 0.09145016472812016]
                Media y desvío AUC ROC de la clase negative modulator: [0.8176411033487946, 0.08280343699543359]
                Media y desvío AUC ROC de la clase other: [0.44754584536991654, 0.03649339161802965]
                Media y desvío AUC ROC de la clase suppressor: [0.7546598764268193, 0.14543614724539672]
                Media y desvío AUC ROC de la clase blocker: [0.5860679983061643, 0.1251211079282892]
                Media y desvío AUC ROC de la clase stimulator: [0.6435896126601675, 0.2258031945388473]
                Media y desvío AUC ROC de la clase allosteric modulator: [0.8521296816634161, 0.3260676861364419]
                Media y desvío AUC ROC de la clase unknown: [0.12694291097814947, 0.06933494641431885]
                Media y desvío AUC ROC de la clase partial antagonist: [0.8158441043271297, 0.1683122832141163]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.17743049816534992, 0.09729978006072654]
                Media y desvío AUC ROC de la clase binding: [0.6382846848038082, 0.35173594340569014]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.6077204059369938, 0.16506140016733245]
                Media y desvío AUC ROC de la clase inverse agonist: [0.386826881755975, 0.3383340543790546]

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 402192
        Cantidad de ejemplos utilizados para validar: 100548
        Cantidad de ejemplos utilizados para probar: 125658
        Top de palabras frecuentes utilizadas: 445849
        Longitud de los ejemplos (filas): 100
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 35
        Dimensión de los kernels: (3,)
        Neuronas en la capa oculta: 81
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 27
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [78.38% / 2.95%]
        Acierto en el validación [media, desvío]: [73.30% / 12.13%]
        Acierto en el prueba [media, desvío]: [28.82% / 2.72%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.7419526002876634, 0.022540283940368798]
                Media y desvío AUC ROC de la clase inhibitor: [0.7352036343910014, 0.03227241175331595]
                Media y desvío AUC ROC de la clase agonist: [0.7341526290628116, 0.017687274469254145]
                Media y desvío AUC ROC de la clase antagonist: [0.6543543166280879, 0.012793572765699392]
                Media y desvío AUC ROC de la clase cofactor: [0.718765143585873, 0.02146369192245102]
                Media y desvío AUC ROC de la clase binder: [0.6742722866087156, 0.0345263975187512]
                Media y desvío AUC ROC de la clase inducer: [0.8045346794588982, 0.052656925129021086]
                Media y desvío AUC ROC de la clase antibody: [0.6663082935940761, 0.0531032303882601]
                Media y desvío AUC ROC de la clase partial agonist: [0.8515266659082695, 0.07048521137441899]
                Media y desvío AUC ROC de la clase ligand: [0.9016992434604973, 0.04737333420827035]
                Media y desvío AUC ROC de la clase product of: [0.7853169677897758, 0.05559228490880159]
                Media y desvío AUC ROC de la clase multitarget: [0.6031781423883149, 0.036823128503534995]
                Media y desvío AUC ROC de la clase potentiator: [0.6997960890232285, 0.07990863472291654]
                Media y desvío AUC ROC de la clase modulator: [0.7368231676650864, 0.12290778512319246]
                Media y desvío AUC ROC de la clase activator: [0.5433083915568635, 0.1148358487145253]
                Media y desvío AUC ROC de la clase negative modulator: [0.738104024007588, 0.045781569644133456]
                Media y desvío AUC ROC de la clase other: [0.6671357346584713, 0.05761315273462481]
                Media y desvío AUC ROC de la clase suppressor: [0.8890203347648127, 0.08827444252900694]
                Media y desvío AUC ROC de la clase blocker: [0.7167824900950118, 0.04437799653765407]
                Media y desvío AUC ROC de la clase stimulator: [0.7797912314057331, 0.1410273013795395]
                Media y desvío AUC ROC de la clase allosteric modulator: [0.8012140094542329, 0.44311429574530986]
                Media y desvío AUC ROC de la clase unknown: [0.3791891177151168, 0.1264080551456171]
                Media y desvío AUC ROC de la clase partial antagonist: [0.8493967141582096, 0.2044450123865052]
                Media y desvío AUC ROC de la clase inhibitory immune response: [0.36231198968629136, 0.19429908742771362]
                Media y desvío AUC ROC de la clase binding: [0.37886681432018776, 0.23480807577673168]
                Media y desvío AUC ROC de la clase inhibitor, competitive: [0.49793725827245383, 0.271554491366123]
                Media y desvío AUC ROC de la clase inverse agonist: [0.7937241744074576, 0.11337944373616536]

------------------------------------------------------------------------------------------------------------------------------------

Características de los datos de entrada:
        Cantidad de ejemplos utilizados para entrenar: 17322
        Cantidad de ejemplos utilizados para validar: 4330
        Cantidad de ejemplos utilizados para probar: 5414
        Longitud de los ejemplos (filas): 10000
        Dimension del embedding (columnas): 8
Parámetros:
        Dropout: 0.4
        Cantidad de filtros: 10
        Dimensión de los kernels: (3,)
        Neuronas en la capa oculta: 51
        Activación en la capa oculta: relu
        Neuronas en la capa de salida: 17
        Activación en la capa de salida: softmax
        Optimizador: adam
        Loss function: categorical_crossentropy
        Cantidad de épocas: 100
        Dimensión batch: 32
        Cantidad de particiones: 5
Resultados del entrenamiento:
        Acierto en el entrenamiento [media, desvío]: [18.02% / 1.93%]
        Acierto en el validación [media, desvío]: [17.99% / 2.17%]
        Áreas bajo la curva ROC para las distintas clases:
                Media y desvío AUC ROC de la clase sin_interaccion: [0.6522783111516148, 0.015176018494417583]
                Media y desvío AUC ROC de la clase inhibitor: [0.48509612897884585, 0.0716406194740116]
                Media y desvío AUC ROC de la clase agonist: [0.5410870337621158, 0.07143271502765694]
                Media y desvío AUC ROC de la clase antagonist: [0.4812844558952358, 0.05748831810743665]
                Media y desvío AUC ROC de la clase cofactor: [0.6532340646684285, 0.03958531145899133]
                Media y desvío AUC ROC de la clase binder: [0.5258928107177812, 0.10315191269718631]
                Media y desvío AUC ROC de la clase inducer: [0.5853768796199684, 0.1572318602466969]
                Media y desvío AUC ROC de la clase antibody: [0.6958590180206413, 0.2219639294683522]
                Media y desvío AUC ROC de la clase partial agonist: [0.5413690160577073, 0.12962059373777374]
                Media y desvío AUC ROC de la clase ligand: [0.627792417938049, 0.1431215969550518]
                Media y desvío AUC ROC de la clase product of: [0.5800726803743143, 0.1329031083413577]
                Media y desvío AUC ROC de la clase multitarget: [0.551579743958915, 0.2092640454448238]
                Media y desvío AUC ROC de la clase potentiator: [0.674850236112185, 0.1328946126250107]
                Media y desvío AUC ROC de la clase modulator: [0.6465873772870372, 0.06243328921402899]
                Media y desvío AUC ROC de la clase activator: [0.7416244083190406, 0.14971206992827227]
                Media y desvío AUC ROC de la clase negative modulator: [0.5977120032961583, 0.24314257768706554]
                Media y desvío AUC ROC de la clase other: [0.5638756976715374, 0.11774934106643418]

-------------------------------------------------------------------------------------------------------------------------------

Acierto en el entrenamiento: 82.18%
Acierto en la validación: 47.27%
Áreas bajo la curva ROC para las distintas clases:
{0: 0.6077670670037927, 1: 0.8003300467219793, 2: 0.8086137180116163, 3: 0.7821200583741653, 4: 0.9467580073312902, 5: 0.8857863797692991, 6: 0.7989001692047377, 7: 0.9930291508238276, 8: 0.7441113787991105}

Acierto en el entrenamiento: 83.09%
Acierto en la validación: 50.97%
Áreas bajo la curva ROC para las distintas clases:
{0: 0.6197266118836915, 1: 0.8329150616707522, 2: 0.8067502017820122, 3: 0.776918615498179, 4: 0.9380821465056186, 5: 0.6592357610522046, 6: 0.7991962774957698, 7: 0.9307455385451582, 8: 0.7525064862861379}

---

Acierto en el entrenamiento: 89.21%
Acierto en la validación: 56.21%

Acierto en el entrenamiento: 89.16%
Acierto en la validación: 54.81%

Acierto en el entrenamiento: 90.57%
Acierto en la validación: 52.15%

Áreas bajo la curva ROC para las distintas clases:
        Media y desvío AUC ROC de la clase sin_interaccion: {0: 0.6573424691933778, 1: 0.8389546144822633, 2: 0.8659676571970425, 3: 0.8260714239736344, 4: 0.9632560507196075, 5: 0.8261302133078637, 6: 0.8831612621782754, 7: 0.9929475061800205, 8: 0.7355063396730064}

        Media y desvío AUC ROC de la clase inhibitor: {0: 0.6244235903244073, 1: 0.832432162718753, 2: 0.8598265895953757, 3: 0.8036222417673383, 4: 0.9306623834947063, 5: 0.7831895121141719, 6: 0.9598594404649277, 7: 0.9960129747263142, 8: 0.7329482260037816}

        Media y desvío AUC ROC de la clase agonist: {0: 0.6215641537963064, 1: 0.7997760882203329, 2: 0.858803590645762, 3: 0.7813005458142428, 4: 0.9286700935214329, 5: 0.7410406544578714, 6: 0.9121606869951241, 7: 0.9734848484848485, 8: 0.763432446531038}

Características de los datos de entrada:
	Longitud de los ejemplos: 7500
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 60
	Dropout: 0.4
	Dimension de los embeddings: 102
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 27
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 9
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [89.65% / 0.80%]
	Acierto en el validación [media, desvío]: [54.39% / 2.06%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.6344434044380305, 0.01988264241283717]

		Media y desvío AUC ROC de la clase inhibitor: [0.8237209551404497, 0.02099173844917112]

		Media y desvío AUC ROC de la clase agonist: [0.8615326124793934, 0.0038747706962332816]

		Media y desvío AUC ROC de la clase antagonist: [0.8036647371850718, 0.022385469331380317]

		Media y desvío AUC ROC de la clase cofactor: [0.9408628425785822, 0.019418654252286935]

		Media y desvío AUC ROC de la clase binder: [0.783453459959969, 0.042545393495307504]

		Media y desvío AUC ROC de la clase inducer: [0.9183937965461091, 0.038727140084554516]

		Media y desvío AUC ROC de la clase antibody: [0.9874817764637277, 0.012218214639894334]

		Media y desvío AUC ROC de la clase other: [0.7439623374026086, 0.016910051699828704]

---

Características de los datos de entrada:
	Longitud de los ejemplos: 7500
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 102
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 27
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 9
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [96.71% / 0.24%]
	Acierto en el validación [media, desvío]: [76.41% / 2.24%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9765361412267648, 0.0026272007708071916]

		Media y desvío AUC ROC de la clase inhibitor: [0.9281608520746805, 0.006670360398146156]

		Media y desvío AUC ROC de la clase agonist: [0.9342615161195525, 0.01117892237705001]

		Media y desvío AUC ROC de la clase antagonist: [0.8696453715913363, 0.02573960676661429]

		Media y desvío AUC ROC de la clase cofactor: [0.9865023219788555, 0.00717137357322731]

		Media y desvío AUC ROC de la clase binder: [0.8027562151945364, 0.02712679686165573]

		Media y desvío AUC ROC de la clase inducer: [0.9225883369394685, 0.014037782927794994]

		Media y desvío AUC ROC de la clase antibody: [0.9844888945019876, 0.015426363321399742]

		Media y desvío AUC ROC de la clase other: [0.7885941492619108, 0.019109297234802113]

---

Nuevos SI, sin balanced

Model: "model_4"
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_5 (InputLayer)            (None, 7500)         0                                            
__________________________________________________________________________________________________
embedding_5 (Embedding)         (None, 7500, 102)    51645864    input_5[0][0]                    
__________________________________________________________________________________________________
conv1d_16 (Conv1D)              (None, 7500, 100)    10200       embedding_5[0][0]                
__________________________________________________________________________________________________
conv1d_17 (Conv1D)              (None, 7500, 100)    30600       embedding_5[0][0]                
__________________________________________________________________________________________________
conv1d_18 (Conv1D)              (None, 7500, 100)    51000       embedding_5[0][0]                
__________________________________________________________________________________________________
conv1d_19 (Conv1D)              (None, 7500, 100)    71400       embedding_5[0][0]                
__________________________________________________________________________________________________
conv1d_20 (Conv1D)              (None, 7500, 100)    91800       embedding_5[0][0]                
__________________________________________________________________________________________________
batch_normalization_19 (BatchNo (None, 7500, 100)    400         conv1d_16[0][0]                  
__________________________________________________________________________________________________
batch_normalization_20 (BatchNo (None, 7500, 100)    400         conv1d_17[0][0]                  
__________________________________________________________________________________________________
batch_normalization_21 (BatchNo (None, 7500, 100)    400         conv1d_18[0][0]                  
__________________________________________________________________________________________________
batch_normalization_22 (BatchNo (None, 7500, 100)    400         conv1d_19[0][0]                  
__________________________________________________________________________________________________
batch_normalization_23 (BatchNo (None, 7500, 100)    400         conv1d_20[0][0]                  
__________________________________________________________________________________________________
activation_19 (Activation)      (None, 7500, 100)    0           batch_normalization_19[0][0]     
__________________________________________________________________________________________________
activation_20 (Activation)      (None, 7500, 100)    0           batch_normalization_20[0][0]     
__________________________________________________________________________________________________
activation_21 (Activation)      (None, 7500, 100)    0           batch_normalization_21[0][0]     
__________________________________________________________________________________________________
activation_22 (Activation)      (None, 7500, 100)    0           batch_normalization_22[0][0]     
__________________________________________________________________________________________________
activation_23 (Activation)      (None, 7500, 100)    0           batch_normalization_23[0][0]     
__________________________________________________________________________________________________
global_max_pooling1d_16 (Global (None, 100)          0           activation_19[0][0]              
__________________________________________________________________________________________________
global_max_pooling1d_17 (Global (None, 100)          0           activation_20[0][0]              
__________________________________________________________________________________________________
global_max_pooling1d_18 (Global (None, 100)          0           activation_21[0][0]              
__________________________________________________________________________________________________
global_max_pooling1d_19 (Global (None, 100)          0           activation_22[0][0]              
__________________________________________________________________________________________________
global_max_pooling1d_20 (Global (None, 100)          0           activation_23[0][0]              
__________________________________________________________________________________________________
dropout_19 (Dropout)            (None, 100)          0           global_max_pooling1d_16[0][0]    
__________________________________________________________________________________________________
dropout_20 (Dropout)            (None, 100)          0           global_max_pooling1d_17[0][0]    
__________________________________________________________________________________________________
dropout_21 (Dropout)            (None, 100)          0           global_max_pooling1d_18[0][0]    
__________________________________________________________________________________________________
dropout_22 (Dropout)            (None, 100)          0           global_max_pooling1d_19[0][0]    
__________________________________________________________________________________________________
dropout_23 (Dropout)            (None, 100)          0           global_max_pooling1d_20[0][0]    
__________________________________________________________________________________________________
concatenate_4 (Concatenate)     (None, 500)          0           dropout_19[0][0]                 
                                                                 dropout_20[0][0]                 
                                                                 dropout_21[0][0]                 
                                                                 dropout_22[0][0]                 
                                                                 dropout_23[0][0]                 
__________________________________________________________________________________________________
dense_7 (Dense)                 (None, 27)           13500       concatenate_4[0][0]              
__________________________________________________________________________________________________
batch_normalization_24 (BatchNo (None, 27)           108         dense_7[0][0]                    
__________________________________________________________________________________________________
activation_24 (Activation)      (None, 27)           0           batch_normalization_24[0][0]     
__________________________________________________________________________________________________
dropout_24 (Dropout)            (None, 27)           0           activation_24[0][0]              
__________________________________________________________________________________________________
dense_8 (Dense)                 (None, 9)            252         dropout_24[0][0]                 
==================================================================================================
Total params: 51,916,724
Trainable params: 51,915,670
Non-trainable params: 1,054
__________________________________________________________________________________________________
Particion: 1/3
Train on 2266 samples, validate on 1134 samples
Epoch 1/40
2266/2266 [==============================] - 1065s 470ms/step - loss: 2.3059 - categorical_accuracy: 0.2846 - val_loss: 1.5230 - val_categorical_accuracy: 0.3880

Epoch 00001: val_categorical_accuracy improved from -inf to 0.38801, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 2/40
2266/2266 [==============================] - 1087s 480ms/step - loss: 1.9306 - categorical_accuracy: 0.4100 - val_loss: 1.4952 - val_categorical_accuracy: 0.4524

Epoch 00002: val_categorical_accuracy improved from 0.38801 to 0.45238, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 3/40
2266/2266 [==============================] - 1069s 472ms/step - loss: 1.8188 - categorical_accuracy: 0.4170 - val_loss: 1.4807 - val_categorical_accuracy: 0.4392

Epoch 00003: val_categorical_accuracy did not improve from 0.45238
Epoch 4/40
2266/2266 [==============================] - 1058s 467ms/step - loss: 1.6932 - categorical_accuracy: 0.4497 - val_loss: 1.4608 - val_categorical_accuracy: 0.4691

Epoch 00004: val_categorical_accuracy improved from 0.45238 to 0.46914, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 5/40
2266/2266 [==============================] - 1072s 473ms/step - loss: 1.5297 - categorical_accuracy: 0.4629 - val_loss: 1.4339 - val_categorical_accuracy: 0.4550

Epoch 00005: val_categorical_accuracy did not improve from 0.46914
Epoch 6/40
2266/2266 [==============================] - 1070s 472ms/step - loss: 1.3066 - categorical_accuracy: 0.4956 - val_loss: 1.3105 - val_categorical_accuracy: 0.5776

Epoch 00006: val_categorical_accuracy improved from 0.46914 to 0.57760, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 7/40
2266/2266 [==============================] - 1068s 471ms/step - loss: 1.1623 - categorical_accuracy: 0.5516 - val_loss: 1.2758 - val_categorical_accuracy: 0.5556

Epoch 00007: val_categorical_accuracy did not improve from 0.57760
Epoch 8/40
2266/2266 [==============================] - 1075s 474ms/step - loss: 1.0163 - categorical_accuracy: 0.6015 - val_loss: 1.2066 - val_categorical_accuracy: 0.6270

Epoch 00008: val_categorical_accuracy improved from 0.57760 to 0.62698, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 9/40
2266/2266 [==============================] - 1063s 469ms/step - loss: 0.8292 - categorical_accuracy: 0.6730 - val_loss: 1.1021 - val_categorical_accuracy: 0.6914

Epoch 00009: val_categorical_accuracy improved from 0.62698 to 0.69136, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 10/40
2266/2266 [==============================] - 1084s 479ms/step - loss: 0.7386 - categorical_accuracy: 0.7246 - val_loss: 1.0231 - val_categorical_accuracy: 0.7213

Epoch 00010: val_categorical_accuracy improved from 0.69136 to 0.72134, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 11/40
2266/2266 [==============================] - 1072s 473ms/step - loss: 0.6631 - categorical_accuracy: 0.7555 - val_loss: 1.0012 - val_categorical_accuracy: 0.7363

Epoch 00011: val_categorical_accuracy improved from 0.72134 to 0.73633, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 12/40
2266/2266 [==============================] - 1075s 475ms/step - loss: 0.5910 - categorical_accuracy: 0.7939 - val_loss: 0.9051 - val_categorical_accuracy: 0.7610

Epoch 00012: val_categorical_accuracy improved from 0.73633 to 0.76102, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 13/40
2266/2266 [==============================] - 1068s 471ms/step - loss: 0.4967 - categorical_accuracy: 0.8372 - val_loss: 0.8682 - val_categorical_accuracy: 0.7734

Epoch 00013: val_categorical_accuracy improved from 0.76102 to 0.77337, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 14/40
2266/2266 [==============================] - 1059s 467ms/step - loss: 0.5168 - categorical_accuracy: 0.8274 - val_loss: 0.8617 - val_categorical_accuracy: 0.7769

Epoch 00014: val_categorical_accuracy improved from 0.77337 to 0.77690, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 15/40
2266/2266 [==============================] - 1073s 473ms/step - loss: 0.4143 - categorical_accuracy: 0.8583 - val_loss: 0.8256 - val_categorical_accuracy: 0.7884

Epoch 00015: val_categorical_accuracy improved from 0.77690 to 0.78836, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 16/40
2266/2266 [==============================] - 1073s 473ms/step - loss: 0.3819 - categorical_accuracy: 0.8711 - val_loss: 0.8107 - val_categorical_accuracy: 0.7928

Epoch 00016: val_categorical_accuracy improved from 0.78836 to 0.79277, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 17/40
2266/2266 [==============================] - 1047s 462ms/step - loss: 0.3514 - categorical_accuracy: 0.8879 - val_loss: 0.8171 - val_categorical_accuracy: 0.7822

Epoch 00017: val_categorical_accuracy did not improve from 0.79277
Epoch 18/40
2266/2266 [==============================] - 1048s 463ms/step - loss: 0.3551 - categorical_accuracy: 0.8870 - val_loss: 0.7969 - val_categorical_accuracy: 0.7743

Epoch 00018: val_categorical_accuracy did not improve from 0.79277
Epoch 19/40
 832/2266 [==========>...................] - ETA: 9:15 - loss: 0.3360 - categorical_accuracy: 0.8966

---

Nuevos SI, con stratified

Model: "model_1"
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            (None, 7500)         0                                            
__________________________________________________________________________________________________
embedding_1 (Embedding)         (None, 7500, 102)    51645864    input_1[0][0]                    
__________________________________________________________________________________________________
conv1d_1 (Conv1D)               (None, 7500, 100)    10200       embedding_1[0][0]                
__________________________________________________________________________________________________
conv1d_2 (Conv1D)               (None, 7500, 100)    30600       embedding_1[0][0]                
__________________________________________________________________________________________________
conv1d_3 (Conv1D)               (None, 7500, 100)    51000       embedding_1[0][0]                
__________________________________________________________________________________________________
conv1d_4 (Conv1D)               (None, 7500, 100)    71400       embedding_1[0][0]                
__________________________________________________________________________________________________
conv1d_5 (Conv1D)               (None, 7500, 100)    91800       embedding_1[0][0]                
__________________________________________________________________________________________________
batch_normalization_1 (BatchNor (None, 7500, 100)    400         conv1d_1[0][0]                   
__________________________________________________________________________________________________
batch_normalization_2 (BatchNor (None, 7500, 100)    400         conv1d_2[0][0]                   
__________________________________________________________________________________________________
batch_normalization_3 (BatchNor (None, 7500, 100)    400         conv1d_3[0][0]                   
__________________________________________________________________________________________________
batch_normalization_4 (BatchNor (None, 7500, 100)    400         conv1d_4[0][0]                   
__________________________________________________________________________________________________
batch_normalization_5 (BatchNor (None, 7500, 100)    400         conv1d_5[0][0]                   
__________________________________________________________________________________________________
activation_1 (Activation)       (None, 7500, 100)    0           batch_normalization_1[0][0]      
__________________________________________________________________________________________________
activation_2 (Activation)       (None, 7500, 100)    0           batch_normalization_2[0][0]      
__________________________________________________________________________________________________
activation_3 (Activation)       (None, 7500, 100)    0           batch_normalization_3[0][0]      
__________________________________________________________________________________________________
activation_4 (Activation)       (None, 7500, 100)    0           batch_normalization_4[0][0]      
__________________________________________________________________________________________________
activation_5 (Activation)       (None, 7500, 100)    0           batch_normalization_5[0][0]      
__________________________________________________________________________________________________
global_max_pooling1d_1 (GlobalM (None, 100)          0           activation_1[0][0]               
__________________________________________________________________________________________________
global_max_pooling1d_2 (GlobalM (None, 100)          0           activation_2[0][0]               
__________________________________________________________________________________________________
global_max_pooling1d_3 (GlobalM (None, 100)          0           activation_3[0][0]               
__________________________________________________________________________________________________
global_max_pooling1d_4 (GlobalM (None, 100)          0           activation_4[0][0]               
__________________________________________________________________________________________________
global_max_pooling1d_5 (GlobalM (None, 100)          0           activation_5[0][0]               
__________________________________________________________________________________________________
dropout_1 (Dropout)             (None, 100)          0           global_max_pooling1d_1[0][0]     
__________________________________________________________________________________________________
dropout_2 (Dropout)             (None, 100)          0           global_max_pooling1d_2[0][0]     
__________________________________________________________________________________________________
dropout_3 (Dropout)             (None, 100)          0           global_max_pooling1d_3[0][0]     
__________________________________________________________________________________________________
dropout_4 (Dropout)             (None, 100)          0           global_max_pooling1d_4[0][0]     
__________________________________________________________________________________________________
dropout_5 (Dropout)             (None, 100)          0           global_max_pooling1d_5[0][0]     
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 500)          0           dropout_1[0][0]                  
                                                                 dropout_2[0][0]                  
                                                                 dropout_3[0][0]                  
                                                                 dropout_4[0][0]                  
                                                                 dropout_5[0][0]                  
__________________________________________________________________________________________________
dense_1 (Dense)                 (None, 27)           13500       concatenate_1[0][0]              
__________________________________________________________________________________________________
batch_normalization_6 (BatchNor (None, 27)           108         dense_1[0][0]                    
__________________________________________________________________________________________________
activation_6 (Activation)       (None, 27)           0           batch_normalization_6[0][0]      
__________________________________________________________________________________________________
dropout_6 (Dropout)             (None, 27)           0           activation_6[0][0]               
__________________________________________________________________________________________________
dense_2 (Dense)                 (None, 9)            252         dropout_6[0][0]                  
==================================================================================================
Total params: 51,916,724
Trainable params: 51,915,670
Non-trainable params: 1,054
__________________________________________________________________________________________________
Particion: 1/3
WARNING:tensorflow:From /usr/local/lib/python3.6/dist-packages/tensorflow_core/python/ops/math_grad.py:1424: where (from tensorflow.python.ops.array_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.where in 2.0, which has the same broadcast rule as np.where
WARNING:tensorflow:From /usr/local/lib/python3.6/dist-packages/keras/backend/tensorflow_backend.py:1033: The name tf.assign_add is deprecated. Please use tf.compat.v1.assign_add instead.

WARNING:tensorflow:From /usr/local/lib/python3.6/dist-packages/keras/backend/tensorflow_backend.py:1020: The name tf.assign is deprecated. Please use tf.compat.v1.assign instead.

Train on 2266 samples, validate on 1134 samples
Epoch 1/40
2266/2266 [==============================] - 1040s 459ms/step - loss: 2.5039 - categorical_accuracy: 0.2061 - val_loss: 1.5217 - val_categorical_accuracy: 0.3880

Epoch 00001: val_categorical_accuracy improved from -inf to 0.38801, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 2/40
2266/2266 [==============================] - 1034s 456ms/step - loss: 1.9638 - categorical_accuracy: 0.3658 - val_loss: 1.4767 - val_categorical_accuracy: 0.5132

Epoch 00002: val_categorical_accuracy improved from 0.38801 to 0.51323, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 3/40
2266/2266 [==============================] - 1032s 455ms/step - loss: 1.7831 - categorical_accuracy: 0.4184 - val_loss: 1.4590 - val_categorical_accuracy: 0.4921

Epoch 00003: val_categorical_accuracy did not improve from 0.51323
Epoch 4/40
2266/2266 [==============================] - 1029s 454ms/step - loss: 1.5690 - categorical_accuracy: 0.4828 - val_loss: 1.3747 - val_categorical_accuracy: 0.5899

Epoch 00004: val_categorical_accuracy improved from 0.51323 to 0.58995, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 5/40
2266/2266 [==============================] - 1031s 455ms/step - loss: 1.4547 - categorical_accuracy: 0.5238 - val_loss: 1.3245 - val_categorical_accuracy: 0.6437

Epoch 00005: val_categorical_accuracy improved from 0.58995 to 0.64374, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 6/40
2266/2266 [==============================] - 1030s 455ms/step - loss: 1.2780 - categorical_accuracy: 0.5397 - val_loss: 1.2151 - val_categorical_accuracy: 0.6896

Epoch 00006: val_categorical_accuracy improved from 0.64374 to 0.68959, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 7/40
2266/2266 [==============================] - 1033s 456ms/step - loss: 1.1328 - categorical_accuracy: 0.5936 - val_loss: 1.2262 - val_categorical_accuracy: 0.6367

Epoch 00007: val_categorical_accuracy did not improve from 0.68959
Epoch 8/40
2266/2266 [==============================] - 1030s 454ms/step - loss: 1.0109 - categorical_accuracy: 0.6297 - val_loss: 1.1290 - val_categorical_accuracy: 0.6825

Epoch 00008: val_categorical_accuracy did not improve from 0.68959
Epoch 9/40
2266/2266 [==============================] - 1031s 455ms/step - loss: 0.9204 - categorical_accuracy: 0.6770 - val_loss: 1.0791 - val_categorical_accuracy: 0.7178

Epoch 00009: val_categorical_accuracy improved from 0.68959 to 0.71781, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 10/40
2266/2266 [==============================] - 1036s 457ms/step - loss: 0.7880 - categorical_accuracy: 0.7158 - val_loss: 0.9593 - val_categorical_accuracy: 0.7637

Epoch 00010: val_categorical_accuracy improved from 0.71781 to 0.76367, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 11/40
 160/2266 [=>............................] - ETA: 14:24 - loss: 0.7108 - categorical_accuracy: 0.7688

 ---

Nuevos SI, con las etiquetas stratified por Juan

 Model: "model_1"
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            (None, 7500)         0                                            
__________________________________________________________________________________________________
embedding_1 (Embedding)         (None, 7500, 102)    51645864    input_1[0][0]                    
__________________________________________________________________________________________________
conv1d_1 (Conv1D)               (None, 7500, 100)    10200       embedding_1[0][0]                
__________________________________________________________________________________________________
conv1d_2 (Conv1D)               (None, 7500, 100)    30600       embedding_1[0][0]                
__________________________________________________________________________________________________
conv1d_3 (Conv1D)               (None, 7500, 100)    51000       embedding_1[0][0]                
__________________________________________________________________________________________________
conv1d_4 (Conv1D)               (None, 7500, 100)    71400       embedding_1[0][0]                
__________________________________________________________________________________________________
conv1d_5 (Conv1D)               (None, 7500, 100)    91800       embedding_1[0][0]                
__________________________________________________________________________________________________
batch_normalization_1 (BatchNor (None, 7500, 100)    400         conv1d_1[0][0]                   
__________________________________________________________________________________________________
batch_normalization_2 (BatchNor (None, 7500, 100)    400         conv1d_2[0][0]                   
__________________________________________________________________________________________________
batch_normalization_3 (BatchNor (None, 7500, 100)    400         conv1d_3[0][0]                   
__________________________________________________________________________________________________
batch_normalization_4 (BatchNor (None, 7500, 100)    400         conv1d_4[0][0]                   
__________________________________________________________________________________________________
batch_normalization_5 (BatchNor (None, 7500, 100)    400         conv1d_5[0][0]                   
__________________________________________________________________________________________________
activation_1 (Activation)       (None, 7500, 100)    0           batch_normalization_1[0][0]      
__________________________________________________________________________________________________
activation_2 (Activation)       (None, 7500, 100)    0           batch_normalization_2[0][0]      
__________________________________________________________________________________________________
activation_3 (Activation)       (None, 7500, 100)    0           batch_normalization_3[0][0]      
__________________________________________________________________________________________________
activation_4 (Activation)       (None, 7500, 100)    0           batch_normalization_4[0][0]      
__________________________________________________________________________________________________
activation_5 (Activation)       (None, 7500, 100)    0           batch_normalization_5[0][0]      
__________________________________________________________________________________________________
global_max_pooling1d_1 (GlobalM (None, 100)          0           activation_1[0][0]               
__________________________________________________________________________________________________
global_max_pooling1d_2 (GlobalM (None, 100)          0           activation_2[0][0]               
__________________________________________________________________________________________________
global_max_pooling1d_3 (GlobalM (None, 100)          0           activation_3[0][0]               
__________________________________________________________________________________________________
global_max_pooling1d_4 (GlobalM (None, 100)          0           activation_4[0][0]               
__________________________________________________________________________________________________
global_max_pooling1d_5 (GlobalM (None, 100)          0           activation_5[0][0]               
__________________________________________________________________________________________________
dropout_1 (Dropout)             (None, 100)          0           global_max_pooling1d_1[0][0]     
__________________________________________________________________________________________________
dropout_2 (Dropout)             (None, 100)          0           global_max_pooling1d_2[0][0]     
__________________________________________________________________________________________________
dropout_3 (Dropout)             (None, 100)          0           global_max_pooling1d_3[0][0]     
__________________________________________________________________________________________________
dropout_4 (Dropout)             (None, 100)          0           global_max_pooling1d_4[0][0]     
__________________________________________________________________________________________________
dropout_5 (Dropout)             (None, 100)          0           global_max_pooling1d_5[0][0]     
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 500)          0           dropout_1[0][0]                  
                                                                 dropout_2[0][0]                  
                                                                 dropout_3[0][0]                  
                                                                 dropout_4[0][0]                  
                                                                 dropout_5[0][0]                  
__________________________________________________________________________________________________
dense_1 (Dense)                 (None, 27)           13500       concatenate_1[0][0]              
__________________________________________________________________________________________________
batch_normalization_6 (BatchNor (None, 27)           108         dense_1[0][0]                    
__________________________________________________________________________________________________
activation_6 (Activation)       (None, 27)           0           batch_normalization_6[0][0]      
__________________________________________________________________________________________________
dropout_6 (Dropout)             (None, 27)           0           activation_6[0][0]               
__________________________________________________________________________________________________
dense_2 (Dense)                 (None, 9)            252         dropout_6[0][0]                  
==================================================================================================
Total params: 51,916,724
Trainable params: 51,915,670
Non-trainable params: 1,054
__________________________________________________________________________________________________
Particion: 1/3
WARNING:tensorflow:From /usr/local/lib/python3.6/dist-packages/tensorflow_core/python/ops/math_grad.py:1424: where (from tensorflow.python.ops.array_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.where in 2.0, which has the same broadcast rule as np.where
WARNING:tensorflow:From /usr/local/lib/python3.6/dist-packages/keras/backend/tensorflow_backend.py:1033: The name tf.assign_add is deprecated. Please use tf.compat.v1.assign_add instead.

WARNING:tensorflow:From /usr/local/lib/python3.6/dist-packages/keras/backend/tensorflow_backend.py:1020: The name tf.assign is deprecated. Please use tf.compat.v1.assign instead.

Train on 2266 samples, validate on 1134 samples
Epoch 1/40
2266/2266 [==============================] - 1055s 466ms/step - loss: 2.3532 - categorical_accuracy: 0.2070 - val_loss: 1.5865 - val_categorical_accuracy: 0.3148

Epoch 00001: val_categorical_accuracy improved from -inf to 0.31481, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 2/40
2266/2266 [==============================] - 1040s 459ms/step - loss: 1.9485 - categorical_accuracy: 0.3482 - val_loss: 1.5582 - val_categorical_accuracy: 0.3325

Epoch 00002: val_categorical_accuracy improved from 0.31481 to 0.33245, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 3/40
2266/2266 [==============================] - 1038s 458ms/step - loss: 1.8146 - categorical_accuracy: 0.3857 - val_loss: 1.4803 - val_categorical_accuracy: 0.4436

Epoch 00003: val_categorical_accuracy improved from 0.33245 to 0.44356, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 4/40
2266/2266 [==============================] - 1038s 458ms/step - loss: 1.5945 - categorical_accuracy: 0.4316 - val_loss: 1.4389 - val_categorical_accuracy: 0.4929

Epoch 00004: val_categorical_accuracy improved from 0.44356 to 0.49295, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 5/40
2266/2266 [==============================] - 1040s 459ms/step - loss: 1.4125 - categorical_accuracy: 0.4850 - val_loss: 1.3769 - val_categorical_accuracy: 0.5053

Epoch 00005: val_categorical_accuracy improved from 0.49295 to 0.50529, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 6/40
2266/2266 [==============================] - 1032s 455ms/step - loss: 1.2384 - categorical_accuracy: 0.5432 - val_loss: 1.2524 - val_categorical_accuracy: 0.6093

Epoch 00006: val_categorical_accuracy improved from 0.50529 to 0.60935, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 7/40
2266/2266 [==============================] - 1040s 459ms/step - loss: 1.0761 - categorical_accuracy: 0.6200 - val_loss: 1.1851 - val_categorical_accuracy: 0.6596

Epoch 00007: val_categorical_accuracy improved from 0.60935 to 0.65961, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 8/40
2266/2266 [==============================] - 1045s 461ms/step - loss: 0.9751 - categorical_accuracy: 0.6726 - val_loss: 1.1021 - val_categorical_accuracy: 0.7178

Epoch 00008: val_categorical_accuracy improved from 0.65961 to 0.71781, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 9/40
2266/2266 [==============================] - 1043s 460ms/step - loss: 0.8987 - categorical_accuracy: 0.7140 - val_loss: 1.0252 - val_categorical_accuracy: 0.7434

Epoch 00009: val_categorical_accuracy improved from 0.71781 to 0.74339, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 10/40
2266/2266 [==============================] - 1040s 459ms/step - loss: 0.7511 - categorical_accuracy: 0.7577 - val_loss: 0.9744 - val_categorical_accuracy: 0.7469

Epoch 00010: val_categorical_accuracy improved from 0.74339 to 0.74691, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 11/40
2266/2266 [==============================] - 1047s 462ms/step - loss: 0.6588 - categorical_accuracy: 0.7846 - val_loss: 0.9041 - val_categorical_accuracy: 0.7601

Epoch 00011: val_categorical_accuracy improved from 0.74691 to 0.76014, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 12/40
2266/2266 [==============================] - 1040s 459ms/step - loss: 0.5742 - categorical_accuracy: 0.8164 - val_loss: 0.8936 - val_categorical_accuracy: 0.7557

Epoch 00012: val_categorical_accuracy did not improve from 0.76014
Epoch 13/40
2266/2266 [==============================] - 1033s 456ms/step - loss: 0.5440 - categorical_accuracy: 0.8323 - val_loss: 0.8101 - val_categorical_accuracy: 0.7725

Epoch 00013: val_categorical_accuracy improved from 0.76014 to 0.77249, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 14/40
2266/2266 [==============================] - 1035s 457ms/step - loss: 0.4866 - categorical_accuracy: 0.8663 - val_loss: 0.7998 - val_categorical_accuracy: 0.7716

Epoch 00014: val_categorical_accuracy did not improve from 0.77249
Epoch 15/40
2266/2266 [==============================] - 1035s 457ms/step - loss: 0.4209 - categorical_accuracy: 0.8658 - val_loss: 0.7815 - val_categorical_accuracy: 0.7804

Epoch 00015: val_categorical_accuracy improved from 0.77249 to 0.78042, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 16/40
2266/2266 [==============================] - 1036s 457ms/step - loss: 0.4047 - categorical_accuracy: 0.8773 - val_loss: 0.7608 - val_categorical_accuracy: 0.7866

Epoch 00016: val_categorical_accuracy improved from 0.78042 to 0.78660, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 17/40
2266/2266 [==============================] - 1040s 459ms/step - loss: 0.3582 - categorical_accuracy: 0.8910 - val_loss: 0.7890 - val_categorical_accuracy: 0.7795

Epoch 00017: val_categorical_accuracy did not improve from 0.78660
Epoch 18/40
2266/2266 [==============================] - 1042s 460ms/step - loss: 0.3742 - categorical_accuracy: 0.8932 - val_loss: 0.7442 - val_categorical_accuracy: 0.7857

Epoch 00018: val_categorical_accuracy did not improve from 0.78660
Epoch 19/40
2266/2266 [==============================] - 1044s 461ms/step - loss: 0.3338 - categorical_accuracy: 0.9091 - val_loss: 0.7254 - val_categorical_accuracy: 0.7910

Epoch 00019: val_categorical_accuracy improved from 0.78660 to 0.79101, saving model to /content/drive/My Drive/FICH/Proyecto Final de Carrera (PFC)/Código/mejor_modelo_cnn_1.h5
Epoch 20/40
2266/2266 [==============================] - 1036s 457ms/step - loss: 0.3587 - categorical_accuracy: 0.9011 - val_loss: 0.7405 - val_categorical_accuracy: 0.7804

Epoch 00020: val_categorical_accuracy did not improve from 0.79101
Epoch 21/40
2266/2266 [==============================] - 1063s 469ms/step - loss: 0.3098 - categorical_accuracy: 0.9064 - val_loss: 0.7668 - val_categorical_accuracy: 0.7769

Epoch 00021: val_categorical_accuracy did not improve from 0.79101
Epoch 22/40
2266/2266 [==============================] - 1033s 456ms/step - loss: 0.2895 - categorical_accuracy: 0.9153 - val_loss: 0.7536 - val_categorical_accuracy: 0.7840

Epoch 00022: val_categorical_accuracy did not improve from 0.79101
Epoch 23/40
2266/2266 [==============================] - 1043s 460ms/step - loss: 0.2554 - categorical_accuracy: 0.9157 - val_loss: 0.7510 - val_categorical_accuracy: 0.7725

Epoch 00023: val_categorical_accuracy did not improve from 0.79101
Epoch 24/40
2240/2266 [============================>.] - ETA: 10s - loss: 0.2725 - categorical_accuracy: 0.9170













--- ENTRENAMIENTOS PARA EL INFORME ---

Características de los datos de entrada:
	Longitud de los ejemplos: 7500
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 102
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [96.91% / 0.19%]
	Acierto en el validación [media, desvío]: [75.29% / 0.23%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9685059082182976, 0.006456946008860456]

		Media y desvío AUC ROC de la clase inhibitor: [0.9280436003314767, 0.006418916072295463]

		Media y desvío AUC ROC de la clase agonist: [0.9132981149852235, 0.014194254999964843]

		Media y desvío AUC ROC de la clase antagonist: [0.8698755749269687, 0.012438529683558328]

		Media y desvío AUC ROC de la clase cofactor: [0.9809474444561997, 0.006140749475802254]

		Media y desvío AUC ROC de la clase binder: [0.8057203324976056, 0.08288614647574843]

		Media y desvío AUC ROC de la clase inducer: [0.8749834454441631, 0.027314908287356714]

		Media y desvío AUC ROC de la clase antibody: [0.9800457971908086, 0.01091570788179698]

		Media y desvío AUC ROC de la clase partial agonist: [0.8935254608430012, 0.08331464849057439]

		Media y desvío AUC ROC de la clase ligand: [0.966547385313972, 0.02092100403629105]

		Media y desvío AUC ROC de la clase product of: [0.8609601801070372, 0.1759179173135439]

		Media y desvío AUC ROC de la clase multitarget: [0.98968313132357, 0.013649147302651904]

		Media y desvío AUC ROC de la clase potentiator: [0.9521253709608023, 0.02776093873216741]

		Media y desvío AUC ROC de la clase modulator: [0.8859478561184984, 0.08312347314283608]

		Media y desvío AUC ROC de la clase activator: [0.793380667005886, 0.05321877713632337]

		Media y desvío AUC ROC de la clase negative modulator: [0.9022884889661876, 0.095654089409817]

		Media y desvío AUC ROC de la clase other: [0.823154160187144, 0.09532139290234945]

---

Características de los datos de entrada:
	Longitud de los ejemplos: 7500
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 52
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [97.07% / 0.11%]
	Acierto en el validación [media, desvío]: [76.24% / 1.71%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9713606265011974, 0.009591360047146119]

		Media y desvío AUC ROC de la clase inhibitor: [0.9324065684364705, 0.008049187135737977]

		Media y desvío AUC ROC de la clase agonist: [0.9207372411860929, 0.00571424512143388]

		Media y desvío AUC ROC de la clase antagonist: [0.8800720857919356, 0.01796105887929462]

		Media y desvío AUC ROC de la clase cofactor: [0.990465857451926, 0.000566692318966521]

		Media y desvío AUC ROC de la clase binder: [0.8364938766603933, 0.05627144960970676]

		Media y desvío AUC ROC de la clase inducer: [0.9102661237527938, 0.02779223825506544]

		Media y desvío AUC ROC de la clase antibody: [0.9919945023964077, 0.0038560845940739928]

		Media y desvío AUC ROC de la clase partial agonist: [0.9180172759421991, 0.03844138244998303]

		Media y desvío AUC ROC de la clase ligand: [0.9537592917182122, 0.023901022163351927]

		Media y desvío AUC ROC de la clase product of: [0.9139513157733775, 0.03956807275826655]

		Media y desvío AUC ROC de la clase multitarget: [0.9437517616330573, 0.08261808447502611]

		Media y desvío AUC ROC de la clase potentiator: [0.933389212765447, 0.058206133468843825]

		Media y desvío AUC ROC de la clase modulator: [0.7969249396747083, 0.08454165350686332]

		Media y desvío AUC ROC de la clase activator: [0.7673764100115795, 0.1412034007921175]

		Media y desvío AUC ROC de la clase negative modulator: [0.9146985164333288, 0.0666142262671706]

		Media y desvío AUC ROC de la clase other: [0.7848129032852181, 0.004795489616324958]
		
---

Características de los datos de entrada:
	Longitud de los ejemplos: 7500
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 77
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [96.93% / 0.25%]
	Acierto en el validación [media, desvío]: [75.91% / 1.46%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9697046062921574, 0.001440251382252873]

		Media y desvío AUC ROC de la clase inhibitor: [0.9300389822799199, 0.006693615617968008]

		Media y desvío AUC ROC de la clase agonist: [0.917345621063001, 0.012959775249954616]

		Media y desvío AUC ROC de la clase antagonist: [0.8783720162192562, 0.02207878631353698]

		Media y desvío AUC ROC de la clase cofactor: [0.9866311907570986, 0.00732188008868331]

		Media y desvío AUC ROC de la clase binder: [0.8420723326420281, 0.030702149763758173]

		Media y desvío AUC ROC de la clase inducer: [0.9134652612350871, 0.040136674389125174]

		Media y desvío AUC ROC de la clase antibody: [0.9821729846816021, 0.01129476681343209]

		Media y desvío AUC ROC de la clase partial agonist: [0.9171873043253322, 0.04736344806200851]

		Media y desvío AUC ROC de la clase ligand: [0.9772426416095724, 0.029784024067103523]

		Media y desvío AUC ROC de la clase product of: [0.93203237849976, 0.04724445979047325]

		Media y desvío AUC ROC de la clase multitarget: [0.975223249426127, 0.01748899782778998]

		Media y desvío AUC ROC de la clase potentiator: [0.932006079868337, 0.04040516438999258]

		Media y desvío AUC ROC de la clase modulator: [0.8954980568648468, 0.08183979115173083]

		Media y desvío AUC ROC de la clase activator: [0.8535805970680554, 0.09750879905406197]

		Media y desvío AUC ROC de la clase negative modulator: [0.9162662986068904, 0.06225109589141169]

		Media y desvío AUC ROC de la clase other: [0.7966275136009917, 0.0744985153021158]
		
---

Características de los datos de entrada:
	Longitud de los ejemplos: 7500
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 27
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [96.84% / 0.47%]
	Acierto en el validación [media, desvío]: [73.47% / 1.36%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9773503891976696, 0.007612384519265812]

		Media y desvío AUC ROC de la clase inhibitor: [0.9174878380442265, 0.010069971400654682]

		Media y desvío AUC ROC de la clase agonist: [0.8985087698488011, 0.0048257959728016985]

		Media y desvío AUC ROC de la clase antagonist: [0.8678489855571528, 0.007524614331684315]

		Media y desvío AUC ROC de la clase cofactor: [0.9841182823224538, 0.005518740209757682]

		Media y desvío AUC ROC de la clase binder: [0.8379227842666542, 0.048540225507326826]

		Media y desvío AUC ROC de la clase inducer: [0.8682573275672995, 0.022329984300961767]

		Media y desvío AUC ROC de la clase antibody: [0.9937440595438011, 0.002975504096165899]

		Media y desvío AUC ROC de la clase partial agonist: [0.9234801033449798, 0.034861657712597804]

		Media y desvío AUC ROC de la clase ligand: [0.969292383626982, 0.017497592036057486]

		Media y desvío AUC ROC de la clase product of: [0.8930258356003942, 0.06735654196573096]

		Media y desvío AUC ROC de la clase multitarget: [0.9500735898873963, 0.04313854480896946]

		Media y desvío AUC ROC de la clase potentiator: [0.9151877579689356, 0.05803986470276796]

		Media y desvío AUC ROC de la clase modulator: [0.7690089564965672, 0.18158402672392898]

		Media y desvío AUC ROC de la clase activator: [0.8358669568877246, 0.03945880521044892]

		Media y desvío AUC ROC de la clase negative modulator: [0.9161481595369656, 0.06295240945626487]

		Media y desvío AUC ROC de la clase other: [0.720064989411219, 0.03085092496617244]
		
---

Características de los datos de entrada:
	Longitud de los ejemplos: 20000
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 27
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [96.85% / 0.11%]
	Acierto en el validación [media, desvío]: [73.47% / 2.02%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9747433441250394, 0.008387851188775233]

		Media y desvío AUC ROC de la clase inhibitor: [0.916527946709262, 0.008916706462424446]

		Media y desvío AUC ROC de la clase agonist: [0.9042395999963849, 0.019469969373012968]

		Media y desvío AUC ROC de la clase antagonist: [0.8802064620220721, 0.011909821614293914]

		Media y desvío AUC ROC de la clase cofactor: [0.979385421032139, 0.010196567982023555]

		Media y desvío AUC ROC de la clase binder: [0.8479823006826517, 0.050899708030516674]

		Media y desvío AUC ROC de la clase inducer: [0.8575133853150939, 0.08667597709392297]

		Media y desvío AUC ROC de la clase antibody: [0.9953397866416106, 0.00380629024060099]

		Media y desvío AUC ROC de la clase partial agonist: [0.9040968106268854, 0.03614555520247598]

		Media y desvío AUC ROC de la clase ligand: [0.9506301515495795, 0.033161101491382454]

		Media y desvío AUC ROC de la clase product of: [0.8586849013184038, 0.0741435002749277]

		Media y desvío AUC ROC de la clase multitarget: [0.9561243139622054, 0.07407416395209401]

		Media y desvío AUC ROC de la clase potentiator: [0.8708452258809153, 0.03990679232985689]

		Media y desvío AUC ROC de la clase modulator: [0.8667173776695384, 0.0758575409496131]

		Media y desvío AUC ROC de la clase activator: [0.7929039276164391, 0.17102481234511693]

		Media y desvío AUC ROC de la clase negative modulator: [0.871191048904497, 0.07854232821248802]

		Media y desvío AUC ROC de la clase other: [0.8234334436253509, 0.050946113296112004]
		
---

Características de los datos de entrada:
	Longitud de los ejemplos: 20000
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 52
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [97.12% / 0.22%]
	Acierto en el validación [media, desvío]: [76.00% / 0.91%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.971466444335564, 0.01621965608951091]

		Media y desvío AUC ROC de la clase inhibitor: [0.9321189743798955, 0.0017378630332491472]

		Media y desvío AUC ROC de la clase agonist: [0.9162037388498767, 0.007884905508849531]

		Media y desvío AUC ROC de la clase antagonist: [0.8785476772098347, 0.015464127302292007]

		Media y desvío AUC ROC de la clase cofactor: [0.9894854363444963, 0.0019191603438307079]

		Media y desvío AUC ROC de la clase binder: [0.7878855822142057, 0.04508142424045646]

		Media y desvío AUC ROC de la clase inducer: [0.9143739415667822, 0.02538307071051403]

		Media y desvío AUC ROC de la clase antibody: [0.9921460110647683, 0.0027672040353702307]

		Media y desvío AUC ROC de la clase partial agonist: [0.8811101727529668, 0.025670891244852043]

		Media y desvío AUC ROC de la clase ligand: [0.9822045347404567, 0.009968982521817956]

		Media y desvío AUC ROC de la clase product of: [0.8725145166569215, 0.07544413524293296]

		Media y desvío AUC ROC de la clase multitarget: [0.984006967304866, 0.025669589550534874]

		Media y desvío AUC ROC de la clase potentiator: [0.9347628956668186, 0.03941541485324396]

		Media y desvío AUC ROC de la clase modulator: [0.7383346338843894, 0.045162099569820216]

		Media y desvío AUC ROC de la clase activator: [0.8433673180935869, 0.08760000256873789]

		Media y desvío AUC ROC de la clase negative modulator: [0.920421850167968, 0.030594249045417993]

		Media y desvío AUC ROC de la clase other: [0.7770861059817671, 0.03641315561367897]
		
--

Características de los datos de entrada:
	Longitud de los ejemplos: 20000
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 77
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [96.82% / 0.08%]
	Acierto en el validación [media, desvío]: [75.79% / 1.01%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9721297437312678, 0.004018545310294136]

		Media y desvío AUC ROC de la clase inhibitor: [0.9249914543727554, 0.0128542295682602]

		Media y desvío AUC ROC de la clase agonist: [0.9109850518305633, 0.0035934407116699706]

		Media y desvío AUC ROC de la clase antagonist: [0.8675393566415176, 0.008919758138162598]

		Media y desvío AUC ROC de la clase cofactor: [0.9840775536680527, 0.009815115053127725]

		Media y desvío AUC ROC de la clase binder: [0.8600222064390873, 0.00775454825931463]

		Media y desvío AUC ROC de la clase inducer: [0.905777128467019, 0.023645877028668896]

		Media y desvío AUC ROC de la clase antibody: [0.9869137756154225, 0.016182927727410767]

		Media y desvío AUC ROC de la clase partial agonist: [0.899833338732267, 0.03775859256139127]

		Media y desvío AUC ROC de la clase ligand: [0.9699480641076036, 0.010528358649309726]

		Media y desvío AUC ROC de la clase product of: [0.9003636978770194, 0.052396690968907256]

		Media y desvío AUC ROC de la clase multitarget: [0.9691054685317894, 0.02501594329382262]

		Media y desvío AUC ROC de la clase potentiator: [0.9295706764993653, 0.023361298119480792]

		Media y desvío AUC ROC de la clase modulator: [0.7917076147963554, 0.12851548240401311]

		Media y desvío AUC ROC de la clase activator: [0.8009680317107337, 0.09466642419177111]

		Media y desvío AUC ROC de la clase negative modulator: [0.9509116169317924, 0.013766211043753774]

		Media y desvío AUC ROC de la clase other: [0.8135999506728827, 0.05516624231639069]
		
---

Características de los datos de entrada:
	Longitud de los ejemplos: 20000
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 102
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [97.00% / 0.16%]
	Acierto en el validación [media, desvío]: [77.27% / 2.23%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9742456702426686, 0.011028381927276506]

		Media y desvío AUC ROC de la clase inhibitor: [0.9367614437907424, 0.008954221952122518]

		Media y desvío AUC ROC de la clase agonist: [0.9316117463781869, 0.010102609290467943]

		Media y desvío AUC ROC de la clase antagonist: [0.8783015663627122, 0.008716214674744066]

		Media y desvío AUC ROC de la clase cofactor: [0.9839318744157234, 0.0014645379365012903]

		Media y desvío AUC ROC de la clase binder: [0.7426111234406632, 0.05401604126517864]

		Media y desvío AUC ROC de la clase inducer: [0.9188277653200595, 0.0037945011723594826]

		Media y desvío AUC ROC de la clase antibody: [0.992572797404519, 0.0038735714056106216]

		Media y desvío AUC ROC de la clase partial agonist: [0.8806165004205887, 0.05146728626092269]

		Media y desvío AUC ROC de la clase ligand: [0.924868275715127, 0.050102635658783264]

		Media y desvío AUC ROC de la clase product of: [0.8971690614619467, 0.03235864261782502]

		Media y desvío AUC ROC de la clase multitarget: [0.9724997869216712, 0.04446544613557703]

		Media y desvío AUC ROC de la clase potentiator: [0.9589492435287793, 0.00971856709727454]

		Media y desvío AUC ROC de la clase modulator: [0.8059402582083302, 0.09674501952290802]

		Media y desvío AUC ROC de la clase activator: [0.7999246179070162, 0.15472442296576136]

		Media y desvío AUC ROC de la clase negative modulator: [0.9597283724019722, 0.024493809672294684]

		Media y desvío AUC ROC de la clase other: [0.7492405745968549, 0.03515455425504801]
		
---

Características de los datos de entrada:
	Longitud de los ejemplos: 10000
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 102
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [96.78% / 0.26%]
	Acierto en el validación [media, desvío]: [75.79% / 1.51%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9703544302128243, 0.014977278811925407]

		Media y desvío AUC ROC de la clase inhibitor: [0.9338522029318536, 0.009994085635440153]

		Media y desvío AUC ROC de la clase agonist: [0.9174018969895796, 0.024319856614399893]

		Media y desvío AUC ROC de la clase antagonist: [0.8759323818801599, 0.02106806867281585]

		Media y desvío AUC ROC de la clase cofactor: [0.9874160321881529, 0.0014118723992055222]

		Media y desvío AUC ROC de la clase binder: [0.824836710289734, 0.03102429448127019]

		Media y desvío AUC ROC de la clase inducer: [0.9150710572103581, 0.028803737718575567]

		Media y desvío AUC ROC de la clase antibody: [0.9953808970828312, 0.0015908384635138456]

		Media y desvío AUC ROC de la clase partial agonist: [0.9287152629967297, 0.05726781390635276]

		Media y desvío AUC ROC de la clase ligand: [0.9677000700521325, 0.03423092997222471]

		Media y desvío AUC ROC de la clase product of: [0.9124804186206769, 0.015711028763321793]

		Media y desvío AUC ROC de la clase multitarget: [0.9818543695992273, 0.020063973548704796]

		Media y desvío AUC ROC de la clase potentiator: [0.926048329742335, 0.03128657754165943]

		Media y desvío AUC ROC de la clase modulator: [0.7158551376661261, 0.11520430558596446]

		Media y desvío AUC ROC de la clase activator: [0.8154457385037074, 0.12164274835136651]

		Media y desvío AUC ROC de la clase negative modulator: [0.9360824593385169, 0.032385020880274555]

		Media y desvío AUC ROC de la clase other: [0.785708191798139, 0.06573989856869777]

---

		
	
--- LAS MISMAS 6 PRUEBAS ANTERIORES PERO CON EMBEDDINGS ENTRENABLES ---

Características de los datos de entrada:
	Longitud de los ejemplos: 20000
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 102
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [97.07% / 0.51%]
	Acierto en el validación [media, desvío]: [76.59% / 1.29%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.973215885844295, 0.014226499599588134]

		Media y desvío AUC ROC de la clase inhibitor: [0.9426721113288105, 0.010173820151771014]

		Media y desvío AUC ROC de la clase agonist: [0.9339446809279794, 0.007080885407495911]

		Media y desvío AUC ROC de la clase antagonist: [0.8734053880063651, 0.017021905467770864]

		Media y desvío AUC ROC de la clase cofactor: [0.9885168857363729, 0.003945816253006565]

		Media y desvío AUC ROC de la clase binder: [0.8558152005521023, 0.05312975810339779]

		Media y desvío AUC ROC de la clase inducer: [0.913267866181495, 0.00904611555012867]

		Media y desvío AUC ROC de la clase antibody: [0.991502799218952, 0.0020613626878668023]

		Media y desvío AUC ROC de la clase partial agonist: [0.9049615760238521, 0.06263034861297354]

		Media y desvío AUC ROC de la clase ligand: [0.939899890902061, 0.04581605343230207]

		Media y desvío AUC ROC de la clase product of: [0.872624314224879, 0.05730831763716432]

		Media y desvío AUC ROC de la clase multitarget: [0.9932246970328865, 0.0077481991216350075]

		Media y desvío AUC ROC de la clase potentiator: [0.9228374763590627, 0.020789834532553727]

		Media y desvío AUC ROC de la clase modulator: [0.8667922161669683, 0.012726837018367493]

		Media y desvío AUC ROC de la clase activator: [0.8598880890011245, 0.1102777782353848]

		Media y desvío AUC ROC de la clase negative modulator: [0.9086063246631348, 0.10587841074798532]

		Media y desvío AUC ROC de la clase other: [0.8132640881903728, 0.029237609035095497]
		
---

Características de los datos de entrada:
	Longitud de los ejemplos: 20000
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 77
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [96.78% / 0.25%]
	Acierto en el validación [media, desvío]: [76.47% / 0.77%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9771689794169481, 0.003466755402260741]

		Media y desvío AUC ROC de la clase inhibitor: [0.9335864358143905, 0.009505660675309445]

		Media y desvío AUC ROC de la clase agonist: [0.9183892985928477, 0.010720787517789427]

		Media y desvío AUC ROC de la clase antagonist: [0.8913477563813385, 0.00868681102077267]

		Media y desvío AUC ROC de la clase cofactor: [0.9886381916790342, 0.004187986426583781]

		Media y desvío AUC ROC de la clase binder: [0.831478945801709, 0.02707176410827046]

		Media y desvío AUC ROC de la clase inducer: [0.8749172805256292, 0.020981452628457027]

		Media y desvío AUC ROC de la clase antibody: [0.9966690232668306, 0.0018933356466696728]

		Media y desvío AUC ROC de la clase partial agonist: [0.9081492590374336, 0.0571819688874865]

		Media y desvío AUC ROC de la clase ligand: [0.9627198128256251, 0.0437237828824974]

		Media y desvío AUC ROC de la clase product of: [0.9280249548933128, 0.05339441776035429]

		Media y desvío AUC ROC de la clase multitarget: [0.9656124849316035, 0.05615700226995168]

		Media y desvío AUC ROC de la clase potentiator: [0.9184072232940557, 0.05318994062577199]

		Media y desvío AUC ROC de la clase modulator: [0.8190246933391508, 0.1497538126023234]

		Media y desvío AUC ROC de la clase activator: [0.8509938396078457, 0.05484344414551412]

		Media y desvío AUC ROC de la clase negative modulator: [0.9240020614025942, 0.06058034779186865]

		Media y desvío AUC ROC de la clase other: [0.8223330258396153, 0.07838320816935848]
		
---

Características de los datos de entrada:
	Longitud de los ejemplos: 20000
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 52
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [96.96% / 0.16%]
	Acierto en el validación [media, desvío]: [75.76% / 0.45%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9741869205008987, 0.010022750140140315]

		Media y desvío AUC ROC de la clase inhibitor: [0.9331060466716489, 0.006785674836979996]

		Media y desvío AUC ROC de la clase agonist: [0.9191061204800767, 0.008356301142228035]

		Media y desvío AUC ROC de la clase antagonist: [0.8775699484036045, 0.012128860413103067]

		Media y desvío AUC ROC de la clase cofactor: [0.9879416456423241, 0.008621985537210932]

		Media y desvío AUC ROC de la clase binder: [0.8448837403361004, 0.03438537795873681]

		Media y desvío AUC ROC de la clase inducer: [0.9001867105771021, 0.03576285880323179]

		Media y desvío AUC ROC de la clase antibody: [0.9916536999587077, 0.0028603806490969893]

		Media y desvío AUC ROC de la clase partial agonist: [0.9141661974875944, 0.03530984243933169]

		Media y desvío AUC ROC de la clase ligand: [0.9650421485903905, 0.018898434677040218]

		Media y desvío AUC ROC de la clase product of: [0.920776851940869, 0.033229994600938034]

		Media y desvío AUC ROC de la clase multitarget: [0.9658543447828256, 0.041204649974190696]

		Media y desvío AUC ROC de la clase potentiator: [0.86892270523896, 0.08183949658866616]

		Media y desvío AUC ROC de la clase modulator: [0.8586133844533805, 0.07418296960087072]

		Media y desvío AUC ROC de la clase activator: [0.7471472589186439, 0.1408810096703881]

		Media y desvío AUC ROC de la clase negative modulator: [0.9390505372795878, 0.04473408576754341]

		Media y desvío AUC ROC de la clase other: [0.8528400494819318, 0.05477573456289307]
		
---

Características de los datos de entrada:
	Longitud de los ejemplos: 20000
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 27
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [96.82% / 0.36%]
	Acierto en el validación [media, desvío]: [74.94% / 1.63%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9742360889099879, 0.006965068387824156]

		Media y desvío AUC ROC de la clase inhibitor: [0.9326887900210005, 0.0080330368567844]

		Media y desvío AUC ROC de la clase agonist: [0.9181019485038274, 0.013157622647223153]

		Media y desvío AUC ROC de la clase antagonist: [0.8627119040709039, 0.011006490046057802]

		Media y desvío AUC ROC de la clase cofactor: [0.9824264917211905, 0.0053567732750872754]

		Media y desvío AUC ROC de la clase binder: [0.8314755854264302, 0.010388927111317104]

		Media y desvío AUC ROC de la clase inducer: [0.8920672025780012, 0.017069609193135347]

		Media y desvío AUC ROC de la clase antibody: [0.9753926970355064, 0.011637089479061233]

		Media y desvío AUC ROC de la clase partial agonist: [0.9150691794125514, 0.029947749207391523]

		Media y desvío AUC ROC de la clase ligand: [0.9855584999432416, 0.014193076969342138]

		Media y desvío AUC ROC de la clase product of: [0.916100135982374, 0.05992477229882564]

		Media y desvío AUC ROC de la clase multitarget: [0.975439417296877, 0.02071037751586183]

		Media y desvío AUC ROC de la clase potentiator: [0.9450890454773822, 0.022503678992290933]

		Media y desvío AUC ROC de la clase modulator: [0.8696423065063212, 0.036951474562303764]

		Media y desvío AUC ROC de la clase activator: [0.7891056124062173, 0.0834840423928057]

		Media y desvío AUC ROC de la clase negative modulator: [0.9291728699847351, 0.08302157003449437]

		Media y desvío AUC ROC de la clase other: [0.7450830616738442, 0.07768088641993427]
		
---

Características de los datos de entrada:
	Longitud de los ejemplos: 7500
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 102
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [96.91% / 0.38%]
	Acierto en el validación [media, desvío]: [75.97% / 1.28%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9702617541365407, 0.01054457637660956]

		Media y desvío AUC ROC de la clase inhibitor: [0.9332360116851025, 0.010257897659956345]

		Media y desvío AUC ROC de la clase agonist: [0.9140209129770717, 0.02525122263061346]

		Media y desvío AUC ROC de la clase antagonist: [0.8734376367978656, 0.009659335062223866]

		Media y desvío AUC ROC de la clase cofactor: [0.9865976130844322, 0.005770214677000275]

		Media y desvío AUC ROC de la clase binder: [0.8206071874355518, 0.017459880152173583]

		Media y desvío AUC ROC de la clase inducer: [0.8753343294259389, 0.04731811879676698]

		Media y desvío AUC ROC de la clase antibody: [0.9874981433334316, 0.011448039078643231]

		Media y desvío AUC ROC de la clase partial agonist: [0.8999489155244108, 0.0060970720044368435]

		Media y desvío AUC ROC de la clase ligand: [0.9547571536217575, 0.023002810743517618]

		Media y desvío AUC ROC de la clase product of: [0.9229018439011804, 0.049165311869243805]

		Media y desvío AUC ROC de la clase multitarget: [0.9710629622883505, 0.0229941848816856]

		Media y desvío AUC ROC de la clase potentiator: [0.9130175736398579, 0.051608774569890783]

		Media y desvío AUC ROC de la clase modulator: [0.8161666275102908, 0.13430124087694906]

		Media y desvío AUC ROC de la clase activator: [0.8124122897938928, 0.06351047917691534]

		Media y desvío AUC ROC de la clase negative modulator: [0.9272224562677166, 0.0968431529630429]

		Media y desvío AUC ROC de la clase other: [0.7900070147004419, 0.023654426817750925]
		
---

Características de los datos de entrada:
	Longitud de los ejemplos: 7500
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 52
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [97.01% / 0.41%]
	Acierto en el validación [media, desvío]: [74.65% / 0.55%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9787920192117909, 0.004997858948809979]

		Media y desvío AUC ROC de la clase inhibitor: [0.9218529908479254, 0.0046842982059104865]

		Media y desvío AUC ROC de la clase agonist: [0.9151042372728176, 0.009472635063936403]

		Media y desvío AUC ROC de la clase antagonist: [0.867383965752999, 0.021019710388450095]

		Media y desvío AUC ROC de la clase cofactor: [0.983376249001747, 0.010997618562113176]

		Media y desvío AUC ROC de la clase binder: [0.858428812142169, 0.043637130127619876]

		Media y desvío AUC ROC de la clase inducer: [0.8706296340949414, 0.012689635102169078]

		Media y desvío AUC ROC de la clase antibody: [0.9766638596732431, 0.023614682901432548]

		Media y desvío AUC ROC de la clase partial agonist: [0.872160182899441, 0.09293546555670242]

		Media y desvío AUC ROC de la clase ligand: [0.9827515586238835, 0.013546518128246216]

		Media y desvío AUC ROC de la clase product of: [0.9115010963621131, 0.1085176611975357]

		Media y desvío AUC ROC de la clase multitarget: [0.9822154832682791, 0.02169852942311263]

		Media y desvío AUC ROC de la clase potentiator: [0.9368585995198877, 0.051496875870578614]

		Media y desvío AUC ROC de la clase modulator: [0.8194367967147801, 0.10029028977055032]

		Media y desvío AUC ROC de la clase activator: [0.8130571731296342, 0.09761467293599707]

		Media y desvío AUC ROC de la clase negative modulator: [0.9126018890794864, 0.04415731446798037]

		Media y desvío AUC ROC de la clase other: [0.7483351263793843, 0.04183302949720484]
		
---

Características de los datos de entrada:
	Longitud de los ejemplos: 10000
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 52
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [96.97% / 0.30%]
	Acierto en el validación [media, desvío]: [74.82% / 1.72%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9767389722867004, 0.0070514335026991065]

		Media y desvío AUC ROC de la clase inhibitor: [0.9252678400464431, 0.015677213089639867]

		Media y desvío AUC ROC de la clase agonist: [0.9135312226048135, 0.011082178379482346]

		Media y desvío AUC ROC de la clase antagonist: [0.8722135057963866, 0.015243199544004911]

		Media y desvío AUC ROC de la clase cofactor: [0.9778421453049503, 0.028942153950113535]

		Media y desvío AUC ROC de la clase binder: [0.8797975734460299, 0.032755900214521044]

		Media y desvío AUC ROC de la clase inducer: [0.8847671754504943, 0.049426061998246826]

		Media y desvío AUC ROC de la clase antibody: [0.9950671723112837, 0.0037378290644395048]

		Media y desvío AUC ROC de la clase partial agonist: [0.9304430244662069, 0.04881700581526838]

		Media y desvío AUC ROC de la clase ligand: [0.9066710125139457, 0.0920693901307691]

		Media y desvío AUC ROC de la clase product of: [0.8192820589948412, 0.1871291906664031]

		Media y desvío AUC ROC de la clase multitarget: [0.9697629655880312, 0.05051737378909021]

		Media y desvío AUC ROC de la clase potentiator: [0.9676915340271269, 0.033515132059730925]

		Media y desvío AUC ROC de la clase modulator: [0.845132818776601, 0.1133451953956607]

		Media y desvío AUC ROC de la clase activator: [0.7898680708675431, 0.0876341317766147]

		Media y desvío AUC ROC de la clase negative modulator: [0.9512703799641903, 0.017314584986674663]

		Media y desvío AUC ROC de la clase other: [0.8479414453352508, 0.05265207024894671]
		
---

Características de los datos de entrada:
	Longitud de los ejemplos: 10000
Parámetros:
	Cantidad de particiones: 3
	Cantidad de épocas: 40
	Dropout: 0.4
	Dimension de los embeddings: 102
	Dimensión(es) de kernel(s): (1, 3, 5, 7, 9)
	Cantidad de kernels por tipo: 100
	Cantidad de capas ocultas: 1
	Cantidad de neuronas en la capa(s) oculta(s): 51
	Activación en la(s) capa(s) oculta(s): relu
	Cantidad de neuronas en la capa de salida: 17
	Activación en la capa de salida: softmax
	Optimizador: adam
	Función de error: categorical_crossentropy
	Métrica: categorical_accuracy
	Dimensión batch: 32
Resultados del entrenamiento:
	Acierto en el entrenamiento [media, desvío]: [96.82% / 0.28%]
	Acierto en el validación [media, desvío]: [75.94% / 0.96%]
	Áreas bajo la curva ROC para las distintas clases:
		Media y desvío AUC ROC de la clase sin_interaccion: [0.9737919069771007, 0.00750906100590863]

		Media y desvío AUC ROC de la clase inhibitor: [0.9298691983324042, 0.0023265300116452887]

		Media y desvío AUC ROC de la clase agonist: [0.9220260576236567, 0.01661692980825239]

		Media y desvío AUC ROC de la clase antagonist: [0.8804429354073476, 0.004364558049463955]

		Media y desvío AUC ROC de la clase cofactor: [0.9897545727008111, 0.002662731849400371]

		Media y desvío AUC ROC de la clase binder: [0.8700898907745582, 0.03537876573154946]

		Media y desvío AUC ROC de la clase inducer: [0.8905744474499662, 0.008154449897289657]

		Media y desvío AUC ROC de la clase antibody: [0.9898765609736023, 0.006946707848190916]

		Media y desvío AUC ROC de la clase partial agonist: [0.9497160322274086, 0.008316427834687]

		Media y desvío AUC ROC de la clase ligand: [0.8841944625334832, 0.06498378099985944]

		Media y desvío AUC ROC de la clase product of: [0.9067166842245211, 0.07857037641608743]

		Media y desvío AUC ROC de la clase multitarget: [0.9756690565712144, 0.03909339544724296]

		Media y desvío AUC ROC de la clase potentiator: [0.915854767562251, 0.05337651960708717]

		Media y desvío AUC ROC de la clase modulator: [0.8941914313263593, 0.012641698965532657]

		Media y desvío AUC ROC de la clase activator: [0.8162978178978029, 0.03760899253020386]

		Media y desvío AUC ROC de la clase negative modulator: [0.8996618418615568, 0.11089666425782779]

		Media y desvío AUC ROC de la clase other: [0.8160117877930332, 0.053735297819284614]
		
----------------