Introducción
Una vez que haya creado un experimento de AI, generado el modelo y esté evaluando la exactitud de la predicción, puede cambiar a opciones avanzadas para modificar el algoritmo empleado o explorar otras combinaciones.
Estas opciones generalmente asumen un buen grado de experiencia en el aprendizaje de máquina.
Para obtener información sobre la generación del modelo para interpretar los resultados, consulte Trabajar con experimentos de AI.
Opciones avanzadas
Cambie a las opciones avanzadas haciendo clic en Vista Avanzada:
En la vista avanzada, se ve una visualización gráfica de cómo Artificial Intelligence de Bizagi ha determinado el mejor tratamiento y algoritmo para el servicio de predicción.
La vista presenta los pasos llevados a cabo (cada paso representado por un cuadro) en orden de proceso de arriba a abajo.
1. El flujo de entrenamiento
Esto maneja el tratamiento de datos, la elección del algoritmo y el entrenamiento del modelo, tal como lo empleó Bizagi durante el paso de generación del modelo.
Interpretar los flujos
Puede explorar la secuencia de cada flujo y revisar la configuración específica de cada uno de los pasos haciendo clic en su casilla.
A la derecha, verá la configuración que Artificial Intelligence de Bizagi ha aplicado como la más adecuada para el caso de uso.
La imagen de abajo muestra un ejemplo de un flujo de entrenamiento y cómo se configura el primer paso.
El paso es del tipo DataSource (típicamente el primero para un flujo de entrenamiento), el paso donde se obtienen los datos.
Se configura con indicaciones del Dataset de destino y los atributos a utilizar (características seleccionadas):
Para los otros pasos, como Limpiar Datos, existen diferentes configuraciones disponibles.
La imagen de abajo muestra, como ejemplo, que el paso superior de Limpiar Datos se aplica para los atributos de pregnant, plasma, bpressure, skinthickness, 2h_insulin, BMI y edad y que su política de limpieza para los valores vacíos los reemplaza por el valor promedio del conjunto.
Puede que vea más de un paso de Limpiar Datos. Cada paso proporcionaría un tratamiento diferente para los valores vacíos de los atributos seleccionados.
Puede reemplazar los valores vacíos editando las características seleccionadas en el experimento.
Haga clic en Ver resultados de los dos tipos de pasos anteriores para ver una muestra de los datos seleccionados, no se muestran todos los datos.
Puede haber múltiples líneas de secuencia que van o vienen de otros pasos.
En el caso de Dividir Datos, la propiedad del modelo Porcentaje de datos de entrenamiento (5% - 95%) indica qué fracción de datos va a un paso (y por implicación, la fracción restante que va a otro paso).
La imagen de abajo muestra cómo Split Data envía el 70% de sus datos al paso de Modelo de Entrenamiento (para lograr una mayor certeza en una predicción, se utiliza un modelo preseleccionado), y el 30% restante va al paso de Validar el Modelo (para verificar los resultados de la prueba).
También tiene un paso que indica qué algoritmo se selecciona para el modelo. La imagen de arriba muestra la Regresión Logística.
De manera similar y generalmente con menos pasos, se interpreta un flujo predictivo.
Haga clic en el paso Dividir Datos para ver una muestra de los datos seleccionados: haga clic en el botón Ver resultados de Tabla Izquierda o de Tabla Derecha.
Tabla Izquierda tiene los datos usados para entrenar el modelo y Tabla Derecha tiene los datos usados para probar el modelo.
Cambiar el Algoritmo de aprendizaje de máquina
Puede utilizar la propiedad de modelo Algoritmos de aprendizaje de Máquina para cambiar el algoritmo a uno de los siguientes: Clasificador de Árbol de Decisión, Binario de Árbol de Decisión, Clasificador Lineal SVM, Regresión Lineal Múltiple o Regresión Logística:
Finalmente, cuando haya terminado, ejecute el modelo, revise sus resultados y pruébelo a fondo. Si los resultados son satisfactorios, puede publicar el experimento, como se describe en Publicar un experimento de AI.