Una descripción general del conjunto de herramientas Análisis de entidades y tabulares
El conjunto de herramientas Análisis de entidades y tabulares contiene herramientas para aplicar algoritmos de aprendizaje automático y aprendizaje profundo a datos tabulares o de entidades.
La herramienta Entrenar con AutoML utiliza el aprendizaje automático automatizado (AutoML) para entrenar y ajustar modelos de aprendizaje automático según los datos de entrenamiento y los recursos informáticos disponibles. Los modelos entrenados se pueden utilizar en Predecir con AutoML para predecir tanto variables de categorías (clasificación) como variables continuas (regresión).
El entrenamiento de modelos de aprendizaje automático (ML) ha representado tradicionalmente un proceso complejo que requería un conocimiento especializado de diferentes tipos de modelos y cómo sus parámetros (conocidos como hiperparámetros) se pueden ajustar para obtener los mejores resultados. Se trata de un proceso iterativo que requiere varios experimentos antes de poder identificar el modelo más preciso y sus hiperparámetros apropiados. Las herramientas de AutoML automatizan este proceso sin código. Al hacerlo, brindan visibilidad del rendimiento y los hiperparámetros de los modelos entrenados, así como información sobre qué características tienen el mayor impacto en los resultados del modelo.
El modelo Predecir valores perdidos usando IA sustituye los valores perdidos (nulos) de una clase de entidades o una tabla mediante el entrenamiento automático de un modelo de aprendizaje automático o de aprendizaje profundo con los datos disponibles y su aplicación para estimar los valores numéricos que faltan. Está diseñado para el preprocesamiento de datos y suele utilizarse antes de los flujos de trabajo de entrenamiento, como Entrenar con AutoML, para mejorar el rendimiento y la estabilidad del modelo.
Herramientas del conjunto de herramientas Análisis de entidades y tabulares
|
Herramienta |
Descripción |
|---|---|
|
Reemplaza los valores que faltan (valores nulos) por valores estimados de las entidades. Utiliza modelos de aprendizaje automático y aprendizaje profundo entrenados con los patrones del dataset para garantizar la coherencia estadística. |
|
|
Predice variables continuas (regresión) o variables de categorías (clasificación) en datasets compatibles ocultos mediante el uso de un modelo entrenado |
|
|
Entrena un modelo de aprendizaje profundo creando tuberías de entrenamiento y automatizando gran parte del proceso de entrenamiento. Incluye el análisis de datos exploratorios, la selección de entidades, la ingeniería de entidades, la selección de modelos, el ajuste de hiperparámetros y el entrenamiento de modelos. Sus salidas incluyen métricas de rendimiento del mejor modelo de los datos de entrenamiento, así como el paquete de modelo de aprendizaje profundo entrenado ( |