Evaluación y comparación de modelos

Cuando se haya completado un experimento de aprendizaje automático automatizado (AutoML), querrá revisar los modelos que se han entrenado y decidir cuál ha realizado mejor.

En Azure Machine Learning Studio, puede seleccionar un experimento de AutoML para explorar sus detalles.

En la página Información general de la ejecución del experimento de AutoML, puede revisar el recurso de datos de entrada y el resumen del mejor modelo. Para explorar todos los modelos entrenados, puede seleccionar la pestaña Modelos:

Explorar los pasos de preprocesamiento

Cuando haya habilitado la caracterización para el experimento de AutoML, los límites de protección de datos también se aplicarán de forma automática. Los tres límites de protección de datos que se admiten para los modelos de clasificación son:

• Detección del equilibrio de clases.
• Imputación de valores de características que faltan.
• Detección de la característica de cardinalidad alta.

Cada uno de estos límites de protección de datos mostrará uno de los tres estados posibles:

• Aprobado: No se detectaron problemas y no se requiere ninguna acción.
• Done: Se han aplicado cambios a tus datos. Debe revisar los cambios que AutoML ha realizado en sus datos.
• Alerta: se ha detectado un problema, pero no se ha podido corregir. Debe revisar los datos para corregir el problema.

Junto a los límites de protección de datos, AutoML puede aplicar técnicas de escalado y normalización a cada modelo entrenado. Puede revisar la técnica aplicada en la lista de modelos en Nombre del algoritmo.

Por ejemplo, el nombre del algoritmo de un modelo enumerado puede ser MaxAbsScaler, LightGBM. MaxAbsScaler hace referencia a una técnica de escalado donde cada característica se escala según su valor absoluto máximo. LightGBM hace referencia al algoritmo de clasificación usado para entrenar el modelo.

Recuperar la ejecución óptima y su modelo

Al revisar los modelos en AutoML, puede identificar fácilmente la mejor ejecución en función de la métrica principal especificada. En Azure Machine Learning Studio, los modelos se ordenan automáticamente para mostrar el modelo de mejor rendimiento en la parte superior.

En la pestaña de Modelos del experimento de AutoML, puede editar las columnas si desea mostrar otras métricas en la misma visión general. Al crear una introducción más completa que incluya varias métricas, puede ser más fácil comparar modelos.

Para explorar un modelo aún más, puede generar explicaciones para cada modelo que se ha entrenado. Al configurar un experimento de AutoML, puede especificar que se deben generar explicaciones para el modelo de mejor rendimiento. Sin embargo, si le interesa la interpretación de otro modelo, puede seleccionar el modelo en la información general y seleccionar Explicar modelo.