Ejemplo: entrenamiento de modelos con aprendizaje automático

En este ejemplo, entrenará modelos de aprendizaje automático utilizando la optimización inteligente de modelos. Con la optimización inteligente de modelos, AutoML se encarga del proceso de iteración y perfeccionamiento de los modelos por usted.

Para obtener más información sobre la optimización inteligente de modelos, consulte Optimización inteligente de modelos.

Lo que aprenderá

En el siguiente ejemplo, aprenderá:

• Cómo crear y configurar un experimento de ML

• Cómo la optimización inteligente puede proporcionar un perfeccionamiento automático del modelo

• Cómo ver y analizar los resultados del entrenamiento

Otras consideraciones

La optimización inteligente de modelos ayuda en gran medida a perfeccionar los modelos a partir de un conjunto de datos bien preparados. Para garantizar que sus modelos sean de alta calidad en casos de uso del mundo real, es imprescindible que empiece por seguir el marco estructurado y prepare un conjunto de datos de entrenamiento con características y datos relevantes. Para obtener más información, consulte:

• Definir las preguntas de aprendizaje automático

• Cómo preparar su conjunto de datos para el entrenamiento

La optimización inteligente de modelos puede desactivarse de manera opcional para cada versión del experimento. Si desactiva este ajuste, estará optimizando manualmente sus modelos. La optimización manual puede resultar útil si desea realizar ajustes específicos en la configuración del experimento. Podría ejecutar una versión con optimización inteligente de modelos y, a continuación, desactivarla para realizar pequeños ajustes manuales sin dejar de beneficiarse del perfeccionamiento automático que proporciona.

Este ejemplo abarca el entrenamiento de experimentos con optimización inteligente. Para ver un tutorial completo que muestra cómo utilizar la optimización manual, consulte Tutorial – Generar y visualizar datos de predicciones. El tutorial también proporciona una guía de principio a fin sobre la implementación de modelos, la realización de predicciones y la visualización de datos de predicciones con apps interactivas de Qlik Sense.

Quién debe completar este ejemplo

Debe completar este ejemplo si desea aprender a utilizar la optimización inteligente de modelos a fin de perfeccionar sus modelos de aprendizaje automático.

Para completar este ejemplo, debe realizar los siguientes pasos:

• Derecho Profesional o Full User

• Rol de seguridad de Automl Experiment Contributor en el espacio empresarial inquilino

• Si trabaja en un espacio colaborativo, los roles de espacio requeridos en los espacios en los que trabajará. Consulte: Administrar permisos en espacios compartidos

Si no puede ver o crear recursos de ML, probablemente significa que no tiene los roles, derechos o permisos necesarios. Contacte con su administrador del espacio empresarial inquilino para más información.

Para obtener más información, consulte Quién puede trabajar con Qlik AutoML.

Lo que debe hacer antes de comenzar

Descargue este paquete y descomprímalo en su escritorio:

Ejemplo de AutoML: Optimización inteligente de modelos

El paquete contiene el conjunto de datos de entrenamiento que utilizará para entrenar modelos. El conjunto de datos contiene información sobre los clientes cuya fecha límite de renovación ha vencido y han tomado la decisión de abandonar o permanecer suscritos al servicio.

Haga lo siguiente:

1. Abra el centro de actividades Analítica.

2. Vaya a la página Crear, seleccione Conjunto de datos y luego seleccione Cargar archivo de datos.

3. Arrastre el archivo AutoML Example - Churn data - training.csv al cuadro de diálogo de carga.

4. Seleccione un espacio. Puede ser su espacio personal o un espacio compartido si desea que otros usuarios puedan acceder a estos datos.

5. Haga clic en Cargar.

Ahora que el conjunto de datos está cargado, puede proceder a crear un experimento.

Parte 1: Crear un experimento

Haga lo siguiente:

1. Vaya a la página Crear del centro de actividades Analítica y seleccione Experimento de ML.

2. Escriba un nombre para el experimento, por ejemplo, Ejemplo de optimización inteligente.

3. Si lo desea, agregue una descripción y etiquetas.

4. Elija un espacio para su experimento. Puede ser su espacio personal o un espacio compartido.

5. Haga clic en Crear.

6. Seleccione el archivo AutoML Example - Churn data - training.csv.

Parte 2: Configurar el experimento

A continuación, podemos configurar el experimento.

La optimización inteligente de modelos requiere menos configuración inicial que la optimización manual. En este caso, seleccionaremos un objetivo y usaremos todas las características incluidas de forma predeterminada.

Seleccionar el objetivo

Queremos que nuestro modelo de aprendizaje automático prediga el abandono de clientes, por lo que seleccionamos Churned como nuestro objetivo.

En el experimento, la pestaña Datos debe ser la única que+ se muestre. Puede seleccionar un objetivo de varias maneras, pero aquí usaremos la vista de esquema, que se ha abierto de forma predeterminada.

Haga lo siguiente:

• En el esquema, pase el cursor sobre Churned y haga clic en el icono que aparece.

Confirmación de la selección de características

Tras seleccionar un objetivo, todas las características disponibles y recomendadas se incluyen de forma predeterminada. En la vista de esquema, confirme que se han incluido todas las características menos dos. Debe haber casillas de verificación rellenas junto a cada característica incluida. Country no está disponible. AccountID no se recomienda su uso debido a su alta cardinalidad, por lo que la dejamos sin seleccionar.

Confirmación de la optimización inteligente

Debe abrirse un panel en la parte derecha de la página para configurar ajustes adicionales. Queremos comprobar que la optimización inteligente de modelos está activada.

Haga lo siguiente:

1. Si el panel de configuración del experimento no está abierto, haga clic en Ver configuración para abrirlo.

2. En el panel, expanda Optimización del modelo.

3. La opción de optimización seleccionada debe ser Inteligente.

Ejecute el entrenamiento

Haga clic en Ejecutar experimento en la esquina inferior derecha de la página para iniciar el entrenamiento del modelo.

Parte 3: Ver los resultados

Una vez completado el entrenamiento, aparece y se abre la pestaña Modelos. Aquí puede ver las optimizaciones que se llevaron a cabo durante el entrenamiento. El modelo superior, marcado con un icono , se selecciona automáticamente. Analicemos este modelo.

Mire el resumen del entrenamiento del modelo. Muestra los resultados de la optimización inteligente de este modelo. En este caso, podemos ver que se han eliminado las siguientes características y se indica la razón de su eliminación:

• DaysSinceLastService se eliminó debido a la sospecha de fuga del objetivo.  En este caso, la columna contenía datos con una lógica impropia. Los días transcurridos desde el último ticket de servicio seguían contándose activamente para los clientes que habían cancelado su servicio (en algunos casos, hace años). Era necesario eliminar esta característica porque habría dado al modelo puntuaciones de rendimiento falsas y habría hecho que el modelo funcionara muy mal si se implementaba. Consulte Fuga de datos

• PriorPeriodUsage y PriorPeriodUsage-Rounded se descartaron porque estaban demasiado correlacionadas con otra característica. La característica con la que se correlacionan seguía incluida en el entrenamiento. Vea Correlación.

• CurrentPeriodUsage, CustomerTenure, StartMonth, Territory, DeviceType y StartWeekse eliminaron debido a la baja importancia de la permutación. Las características que afectan poco al modelo se consideran ruido estadístico y pueden eliminarse para mejorar el rendimiento. Vea Comprensión de la importancia de la permutación.

Ahora que se han eliminado estas características, podemos ver visualizaciones que muestran las características que más influyen, así como algunos indicadores del rendimiento predictivo del modelo. Lo que vea en estos gráficos puede ayudarle a evaluar si falta algo en el conjunto de características o si los resultados están sesgados.

Para obtener más información sobre el análisis de modelos con estas visualizaciones, consulte Gráfico de dispersión para una función numérica seleccionada, que permite analizar la distribución de los valores SHAP.

Cómo profundizar en el análisis

Si desea explorar más a fondo las métricas del modelo, cambie a las pestañas Comparar y Analizar del experimento. Estas pestañas le ofrecen una visión más granular e interactiva de las métricas.

Para obtener más información, consulte Comparación de modelos y Realización de análisis detallados de modelos.

Siguientes pasos

Con un conjunto de datos de alta calidad, la optimización inteligente crea modelos listos para su implementación sin apenas iteración adicional. A partir de este punto, se recomienda implementar el modelo de mayor rendimiento. De lo contrario, puede seguir perfeccionando los modelos manualmente o actualizar los datos de entrenamiento y volver a ejecutar la optimización inteligente de modelos.

Para obtener más información sobre los siguientes pasos, consulte:

• Perfeccionamiento de los modelos

• Implementar los modelos

¡Muchas gracias!

Ha completado este ejemplo. Esperamos que haya aprendido cómo puede utilizar la optimización inteligente de modelos para entrenar con facilidad modelos de aprendizaje automático listos para su implementación.

Más información y recursos

• Qlik ofrece una amplia variedad de recursos si desea más información.
• La ayuda online de Qlik está disponible.
• Hay disponible formación, incluidos cursos gratuitos online, en Qlik Continuous Classroom.
• Puede encontrar foros de discusión, blogs y más en Qlik Community.

Su opinión importa

Agradecemos cualquier comentario que pueda hacer. Utilice la sección a continuación para informarnos sobre cómo lo estamos haciendo.