Este tutorial utiliza el nodo Auto Numérico para crear y comparar automáticamente diferentes modelos para resultados continuos (rango numérico), como predecir el valor imponible de una propiedad. Con un nodo único, puede estimar y comparar un conjunto de modelos candidatos y generar un subconjunto de modelos para su análisis posterior. El nodo funciona de la misma manera que el nodo Autoclasificador, pero para objetivos continuos en lugar de objetivos de bandera o nominales.
El nodo combina las mejores opciones de los modelos candidatos en un único nugget de modelo de conjunto (agregado). Este método combina la facilidad de la automatización con los beneficios de combinar múltiples modelos, que suelen producir predicciones más precisas que cualquier otro modelo.
Este ejemplo se centra en una oficina municipal ficticia responsable del ajuste y valoración de los impuestos sobre bienes inmuebles. Para lograr este objetivo con mayor precisión, se construye un modelo que predice los valores inmobiliarios en función del tipo de edificio, el vecindario, el tamaño y otros factores conocidos.
Vista previa de la guía de aprendizaje
Vea este vídeo para obtener una vista preliminar de los pasos de esta guía de aprendizaje. Puede haber ligeras diferencias en la interfaz de usuario que se muestra en el vídeo. El vídeo pretende ser un complemento del tutorial escrito. Este vídeo ofrece un método visual para aprender los conceptos y tareas de esta documentación.
Pruebe el tutorial
En esta guía de aprendizaje, realizará estas tareas:
Este tutorial utiliza el flujo Modelado automatizado para un objetivo continuo en el proyecto de ejemplo. El archivo de datos utilizado es property_values_train.csv. La siguiente imagen muestra el flujo del modelador de muestra.
Figura 1. Flujo del modelador de muestras
El archivo de datos incluye un campo denominado " taxable_value", que es el campo objetivo, o valor, que desea predecir. Los demás campos contienen información como el barrio, el tipo de edificio y el volumen interior, y podrían utilizarse como predictores.
Nombre de campo
Etiqueta
property_id
ID de la propiedad
neighborhood
Zona de la ciudad
building_type
Tipo de edificio
year_built
Año de construcción
volume_interior
Volumen del interior
volume_other
Volumen del garaje y de construcciones adicionales
lot_size
Tamaño de la parcela
taxable_value
Valor gravable
La siguiente imagen muestra el conjunto de datos de muestra.Figura 2. Muestra de datos
Tarea 1: Abrir el proyecto de ejemplo
El proyecto de muestra contiene varios conjuntos de datos y flujos de modelado de muestra. Si aún no tiene el proyecto de muestra, consulte el tema Tutoriales para crear el proyecto de muestra. A continuación, siga estos pasos para abrir el proyecto de ejemplo:
En Cloud Pak for Data, en el menú de navegación, elija Proyectos > Ver todos los proyectos.
Haga clic en ProyectoSPSS Modeler.
Haga clic en la pestaña Activos para ver los conjuntos de datos y los flujos del modelador.
Compruebe su progreso
La siguiente imagen muestra la pestaña Activos del proyecto. Ya está preparado para trabajar con el flujo del modelador de ejemplo asociado a este tutorial.
Tarea 2: Examinar los nodos Activo de datos y Tipo
La modelización automatizada para un objetivo continuo incluye varios nodos. Siga estos pasos para examinar los nodos Activo de datos y Tipo:
En la pestaña Activos, abra el flujo del modelador Modelado automatizado para un objetivo continuo y espere a que se cargue el lienzo.
Haga doble clic en el nodo property_values_train.csv. Este nodo es un nodo de Activo de Datos que apunta al archivo property_values_train.csv en el proyecto.
Revise las propiedades del formato de archivo.
Opcional: Haga clic en Vista previa de datos para ver el conjunto de datos completo.
Haga doble clic en el nodo Tipo.
Para el campo taxable_value, establezca el Rol en Target. Otros campos se utilizan como predictores.Figura 3. Establecer el nivel de medición y el rol
Opcional: Haga clic en Vista previa de datos para ver el conjunto de datos filtrados.
Compruebe su progreso
La siguiente imagen muestra el nodo Tipo. Ya está listo para configurar el nodo de Modelado.
Este ejemplo utiliza un nodo de Modelado Numérico Automático que estima y compara modelos para probar varios enfoques para un rango numérico continuo. Siga estos pasos para configurar el nodo de Modelado:
Haga doble clic en el nodo de valor imponible para ver sus propiedades.
Amplíe la sección Conceptos básicos y defina las siguientes propiedades:
En el campo Clasificar modelos por, seleccione Correlación.
En el campo Número de modelos a utilizar, escriba " 3. Esto significa que los tres mejores modelos se construirán al ejecutar el nodo.
Figura 4. Nodo numérico automático Sección básica
Amplíe la sección Experto. Se seleccionan seis algoritmos, lo que hace que el nodo estime un único modelo para cada algoritmo, con un total de seis modelos. (También puede modificar esta configuración para comparar múltiples variantes para cada tipo de modelo). Dado que ha establecido la propiedad Número de modelos a utilizar en " 3 " en la sección Conceptos básicos, el nodo calcula la precisión de los seis algoritmos y construye un único modelo que contiene los tres más precisos.Figura 5. Nodo Auto Numérico Sección Experto
Expanda la sección Ensemble para ver la configuración predeterminada. Dado que en este ejemplo se utiliza un objetivo continuo, la puntuación del conjunto se genera promediando las puntuaciones de los modelos individuales.Figura 6. Nodo numérico automático Sección Ensemble
Compruebe su progreso
La siguiente imagen muestra el nodo Modelado. Ya puedes comparar los modelos.
Ahora que ha especificado los tres modelos que debe construir, siga estos pasos para generar y comparar los modelos:
Pase el cursor sobre el nodo taxable_value y haga clic en el icono Ejecutar.
En el panel Salidas y modelos, haga clic en los resultados con el nombre taxable_value para ver los resultados.
Verá detalles sobre cada uno de los modelos que se crean durante la ejecución. (En una situación real, en la que se estiman cientos de modelos sobre un gran conjunto de datos, ejecutar el flujo podría llevar muchas horas) La tabla contiene un conjunto de modelos generados por el nodo Modelado.
Para explorar más a fondo cualquiera de los modelos individuales, haga clic en el nombre de un modelo en la columna Estimador para ver los resultados del modelo individual.
Ver la página de información del modelo. Esta tabla contiene información sobre el tipo de modelo que se ajusta, identifica el campo objetivo, el número de características de entrada, las funciones de activación y el tamaño de la red resultante.
Ver otras páginas del modelo.
Cierre los detalles del modelo.
Por defecto, los modelos se ordenan por precisión (correlación) porque ha seleccionado la correlación como medida en las propiedades del nodo Auto Numérico. A efectos de la clasificación, se utiliza el valor absoluto de la precisión, donde los valores más cercanos a 1 indican una relación más fuerte.
Puede ordenar una columna distinta pulsando en la cabecera de dicha columna.
En función de estos resultados, puede decidir utilizar los tres modelos más precisos. Al combinar las predicciones de varios modelos, pueden evitarse las limitaciones de los modelos individuales, lo que se traduce en una mayor precisión global.
Compruebe que los tres modelos están seleccionados en la columna Utilizar.
Cierre la ventana View Model: taxable_value.
Compruebe su progreso
La siguiente imagen muestra la tabla comparativa de modelos. Ya está listo para ejecutar el análisis del modelo.
Ahora que ha visto una comparación de los tres modelos, puede seguir estos pasos para realizar un análisis de los modelos:
Pase el cursor sobre el nodo Análisis y haga clic en el icono Ejecutar.
En el panel Salidas y modelos, haga clic en los resultados de salida con el nombre Análisis para ver los resultados.
La puntuación media generada por el modelo ensamblado se añade a un campo denominado " $XR-taxable_value", con una correlación de 0.934, superior a las puntuaciones de los tres modelos individuales. Las puntuaciones del conjunto también muestran un error absoluto medio bajo y podrían funcionar mejor que cualquiera de los modelos individuales cuando se aplican a otros conjuntos de datos.
Compruebe su progreso
La siguiente imagen muestra la comparación de modelos desde el nodo Análisis.
Con este flujo de ejemplo ' Modelización automatizada de un objetivo bandera, usted utilizó el nodo ' Auto Numérico ' para comparar varios modelos diferentes, seleccionó los tres modelos más precisos y los añadió al flujo dentro de un nugget de modelo Auto Numérico ensamblado.
El modelo ensamblado mostró un rendimiento superior al de dos de los modelos individuales y podría funcionar mejor cuando se aplique a otros conjuntos de datos. Si su objetivo es automatizar el proceso en la medida de lo posible, este enfoque ayuda a obtener un modelo sólido en la mayoría de las circunstancias sin tener que profundizar en los detalles específicos de cada modelo.
Use this interactive map to learn about the relationships between your tasks, the tools you need, the services that provide the tools, and where you use the tools.
Select any task, tool, service, or workspace
You'll learn what you need, how to get it, and where to use it.
Tasks you'll do
Some tasks have a choice of tools and services.
Tools you'll use
Some tools perform the same tasks but have different features and levels of automation.
Create a notebook in which you run Python, R, or Scala code to prepare, visualize, and analyze data, or build a model.
Automatically analyze your tabular data and generate candidate model pipelines customized for your predictive modeling problem.
Create a visual flow that uses modeling algorithms to prepare data and build and train a model, using a guided approach to machine learning that doesn’t require coding.
Create and manage scenarios to find the best solution to your optimization problem by comparing different combinations of your model, data, and solutions.
Create a flow of ordered operations to cleanse and shape data. Visualize data to identify problems and discover insights.
Automate the model lifecycle, including preparing data, training models, and creating deployments.
Work with R notebooks and scripts in an integrated development environment.
Create a federated learning experiment to train a common model on a set of remote data sources. Share training results without sharing data.
Deploy and run your data science and AI solutions in a test or production environment.
Find and share your data and other assets.
Import asset metadata from a connection into a project or a catalog.
Enrich imported asset metadata with business context, data profiling, and quality assessment.
Measure and monitor the quality of your data.
Create and run masking flows to prepare copies of data assets that are masked by advanced data protection rules.
Create your business vocabulary to enrich assets and rules to protect data.
Track data movement and usage for transparency and determining data accuracy.
Track AI models from request to production.
Create a flow with a set of connectors and stages to transform and integrate data. Provide enriched and tailored information for your enterprise.
Create a virtual table to segment or combine data from one or more tables.
Measure outcomes from your AI models and help ensure the fairness, explainability, and compliance of all your models.
Replicate data to target systems with low latency, transactional integrity and optimized data capture.
Consolidate data from the disparate sources that fuel your business and establish a single, trusted, 360-degree view of your customers.
Services you can use
Services add features and tools to the platform.
Develop powerful AI solutions with an integrated collaborative studio and industry-standard APIs and SDKs. Formerly known as Watson Studio.
Quickly build, run and manage generative AI and machine learning applications with built-in performance and scalability. Formerly known as Watson Machine Learning.
Discover, profile, catalog, and share trusted data in your organization.
Create ETL and data pipeline services for real-time, micro-batch, and batch data orchestration.
View, access, manipulate, and analyze your data without moving it.
Monitor your AI models for bias, fairness, and trust with added transparency on how your AI models make decisions.
Provide efficient change data capture and near real-time data delivery with transactional integrity.
Improve trust in AI pipelines by identifying duplicate records and providing reliable data about your customers, suppliers, or partners.
Increase data pipeline transparency so you can determine data accuracy throughout your models and systems.
Where you'll work
Collaborative workspaces contain tools for specific tasks.
Where you work with data.
> Projects > View all projects
Where you find and share assets.
> Catalogs > View all catalogs
Where you deploy and run assets that are ready for testing or production.
> Deployments
Where you manage governance artifacts.
> Governance > Categories
Where you virtualize data.
> Data > Data virtualization
Where you consolidate data into a 360 degree view.
Acerca de las cookies de este sitioNuestros sitios web necesitan algunas cookies para funcionar correctamente (necesarias). Además, se pueden utilizar otras cookies con su consentimiento para analizar el uso del sitio, para mejorar la experiencia del usuario y para publicidad.Para obtener más información, consulte sus opciones de. Al visitar nuestro sitio web, acepta que procesemos la información tal y como se describe en ladeclaración de privacidad de IBM.Para facilitar la navegación, sus preferencias de cookies se compartirán entre los dominios web de IBM que se muestran aquí.
Vea este vídeo para obtener una vista preliminar de los pasos de esta guía de aprendizaje. Puede haber ligeras diferencias en la interfaz de usuario que se muestra en el vídeo. El vídeo pretende ser un complemento del tutorial escrito. Este vídeo ofrece un método visual para aprender los conceptos y tareas de esta documentación.
, elija Proyectos > Ver todos los proyectos.
Compruebe su progreso
.
