## 📊 Evaluación

Las predicciones de los participantes serán evaluadas comparando el archivo `submission.csv` con las etiquetas reales contenidas en el archivo `solution.csv`, que permanece oculto durante la competencia. La métrica principal utilizada para la evaluación es la **exactitud (accuracy)**, que representa el porcentaje de imágenes correctamente clasificadas.

El archivo de solución (`solution.csv`) incluye una columna adicional llamada `Usage`, que determina cómo se utilizarán las imágenes del conjunto de prueba en la competencia:

* `Public`: estas imágenes se usan para calcular la puntuación de la **Public Leaderboard**, visible durante el transcurso de la competencia. Permite a los equipos monitorear su desempeño en tiempo real.
* `Private`: estas imágenes se reservan para calcular la puntuación final en la **Private Leaderboard**, la cual se revela **al finalizar** la competencia y define la clasificación definitiva.
* `Ignored`: estas imágenes no se usan en ninguna evaluación.

Esta estrategia ayuda a prevenir el sobreajuste (*leaderboard overfitting*) y fomenta el desarrollo de modelos que generalicen correctamente a datos no vistos.

---

### ✅ Formato de entrega esperado (`submission.csv`)

El archivo debe tener el siguiente formato:

```csv
ID,label
1001116.jpg,pizza
1032754.jpg,steak
...
```

Donde:

* `ID` corresponde exactamente al nombre de la imagen en el conjunto de prueba.
* `label` es la categoría predicha por el modelo (`pizza` o `steak`).

🧩 **Nota importante**:
El archivo `submission.csv` debe contener las predicciones generadas por el modelo para un total de **200 imágenes**: específicamente, los **primeros 100 archivos del folder `test/pizza/` y los primeros 100 archivos del folder `test/steak/`**, ordenados alfabéticamente. Estos son los archivos que serán utilizados para evaluar el desempeño de los participantes y deben coincidir con los incluidos en el archivo `solution.csv`.