Construir Pipelines de Aprendizaje Automático

Capítulo 7. Análisis y validación del modelo

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

En este punto de nuestro proceso de aprendizaje automático, hemos comprobado las estadísticas de nuestros datos, los hemos transformado en las características correctas y hemos entrenado nuestro modelo. ¿Seguro que ahora es el momento de poner el modelo en producción? En nuestra opinión, debería haber dos pasos adicionales antes de pasar a la implementación de tu modelo: analizar en profundidad el rendimiento de tu modelo y comprobar que supondrá una mejora respecto a cualquier modelo que ya esté en producción. En la Figura 7-1 mostramos dónde encajan estos pasos en el pipeline.

Figura 7-1. Análisis y validación de modelos como parte de las tuberías de ML

Mientras entrenamos un modelo, monitoreamos su rendimiento en un conjunto de evaluación durante el entrenamiento, y también probamos diversos hiperparámetros para obtener el máximo rendimiento. Pero es habitual utilizar sólo una métrica durante el entrenamiento, y a menudo esta métrica es la precisión.

Cuando construimos una cadena de aprendizaje automático, a menudo intentamos responder a una pregunta empresarial compleja o modelar un sistema complejo del mundo real. Una sola métrica no suele bastar para decirnos si nuestro modelo responderá a esa pregunta. Esto es ...