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.

Herramientas del conjunto de herramientas Análisis de entidades y tabulares

HerramientaDescripción

Predecir con AutoML

Predice variables continuas (regresión) o variables de categorías (clasificación) en datasets compatibles ocultos mediante el uso de un modelo entrenado .dlpk producido por la herramienta Entrenar con AutoML.

Entrenar con AutoML

Entrena un modelo de aprendizaje profundo creando procesos 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 (.dlpk) que se puede utilizar como entrada para la herramienta Predecir usando AutoML para predecir en un nuevo dataset.