Entrenamiento y Resultados
El paso final - Entrenar y desplegar - es donde ML Studio realiza el trabajo pesado. Busca entre muchos modelos para encontrar el que mejor predice tu objetivo, te muestra la búsqueda en tiempo real y presenta una tarjeta de puntuación clara del ganador. Esta es la parte de "AutoML" de ML Studio: tú no eliges ni ajustas un algoritmo; la búsqueda lo hace por ti.
El entrenamiento se ejecuta en el servidor
El entrenamiento se ejecuta en segundo plano en el servidor, por lo que puedes cerrar el navegador y regresar después: la ejecución continúa. La pantalla se actualiza a medida que avanza la búsqueda. Puedes Detener una ejecución en cualquier momento y reanudarla luego; las ejecuciones largas retoman donde se quedaron.
La búsqueda en vivo
Mientras la búsqueda está en curso, ML Studio prueba diferentes familias de modelos contra distintos conjuntos de características (por ejemplo, Solo características del proceso frente a + Enriquecimientos). Puntúa cada combinación con datos que el modelo no ha visto, por lo que los números reflejan qué tan bien funcionará la predicción en casos nuevos.
La cuadrícula de búsqueda muestra las familias de modelos en el lateral y los conjuntos de características en la parte superior. Cada celda es la mejor puntuación fuera de muestra que esa familia alcanzó en ese conjunto de características:
- Las celdas más oscuras son mejores.
- La celda verde es la mejor actual.
- Una celda con contorno está entrenando en este momento.
- Las celdas vacías aún no se han probado.
Encima de la cuadrícula, una barra en vivo te indica cuántas configuraciones se han puntuado del total, cuánto tiempo queda en la búsqueda, qué se está entrenando ahora y el mejor resultado hasta el momento.
La curva de pérdida de entrenamiento
Junto a la cuadrícula, un gráfico Pérdida de entrenamiento - menor es mejor traza dos líneas conforme avanza la búsqueda:
- Fuera de muestra (test) - cómo se desempeña el modelo en casos que no ha visto.
- Dentro de muestra (train) - cómo se desempeña en los casos con los que aprendió.
Cuando las dos líneas están cercanas, el modelo está generalizando a casos nuevos en lugar de memorizar los antiguos, justo lo que se desea.
La tarjeta de puntuación
Cuando la búsqueda termina, el encabezado cambia a Tu predicción está lista y ML Studio presenta el modelo ganador.
En la parte superior, Ganador: [familia de modelos] muestra qué familia ganó, qué conjunto de características usó, sus configuraciones clave y cuántas señales y casos se usaron para entrenamiento y prueba. Las tarjetas de métricas principales dependen del tipo de predicción:
| Tipo de predicción | Tarjetas de métricas |
|---|---|
| Binaria | Puntaje F1 (la principal), Precisión, Exactitud, Recall |
| Clasificación | Exactitud, Exactitud balanceada, Log-loss |
| Regresión | R-cuadrado, Error típico (MAE) en las propias unidades del objetivo, RMSE |
Cada métrica tiene una descripción en lenguaje sencillo, y una nota al pie nombra la única métrica principal que la búsqueda optimizó. Las puntuaciones son validadas cruzadamente en varias particiones y se muestran como una media con un pequeño margen plus/minus, para que puedas ver cuán estable es el resultado.
Qué impulsa la predicción y el ranking completo
Debajo de las métricas, ML Studio explica por qué el modelo hace la predicción que hace y muestra cada familia que probó.
- Lo que más impulsa esta predicción clasifica las señales que más influyen en la predicción, con un gráfico de barras sencillo.
- Tabla de clasificación - la mejor configuración de cada familia lista el mejor resultado de cada familia de modelos: su rango, el conjunto de características ganador, las configuraciones clave, la puntuación y el tiempo que tomó. El ganador está marcado como (mejor).
Si alguna señal fue eliminada por parecer que ya codificaba la respuesta, ML Studio también lo indica, junto con las columnas que descartó, para que puedas confiar en que la puntuación refleja una predicción genuina, no una fuga de información.
A partir de aquí, ML Studio pone automáticamente a trabajar el modelo ganador como una predicción en vivo sobre tus casos. Esa salida, y cómo usarla, se cubre en Usando tus predicciones.