Introducción
Cuando se ha creado un experimento de AI, como se describe en Crear modelos y experimentos, se ven sus propiedades básicas y los pasos de diagnóstico.
En esta sección se describe cómo trabajar con un experimento y se exploran sus posibles combinaciones de parámetros de entrada y algoritmos para que pueda montar el experimento que proporcione resultados que satisfagan su caso de uso.
Configuración del experimento
Cuando se ha creado un experimento de AI, puede ver sus propriedades básicas (Nombre, Descripción y fuente del Dataset). Es necesario realizar cuatro pasos más para habilitar el análisis predictivo.
Estos pasos son Característica de predicción, Selección de características, Modelo de entrenamiento y Modelo de predicción resumida.
Ejemplo
Para el experimento mostrado arriba, la entrada de datos fue creada en un Dataset llamado Mujeres Indias Diabéticas
Los registros de este Dataset ayudan a determinar si los resultados de la diabetes serán positivos para un paciente determinado, sobre la base de la información contenida en el atributo/variable del testresult, como se muestra en la columna que figura a continuación:
Los datos reales se tomaron del Instituto Nacional de Diabetes y Enfermedades Digestivas y Renales, e incluyen atributos/variables como:
•Número de veces que se ha estado embarazada (acortada a embarazada).
•Concentración de glucosa en plasma a 2 horas en una prueba oral de tolerancia a la glucosa (acortada a plasma).
•Presión arterial diastólica en mm Hg (acortada a bpresión).
•Grosor del pliegue de la piel del tríceps en mm (acortada a espesordelapiel).
•Insulina sérica de dos horas en mu U/ml (acortada a 2h_insulina).
•Índice de masa corporal (acortado a BMI) peso en kg/(altura en m)^2.
•Función del pedigrí de la diabetes (acortado a diabetespf)
•Edad en años (acortada a años)
Paso 1: Característica Prevista
El paso Característica de predicción le permite seleccionar el atributo que desea predecir (que se relaciona con su declaración de caso de uso).
Para el ejemplo descrito anteriormente, queremos predecir (basándonos en otras variables) si se puede sospechar con exactitud la diabetes antes de realizar las pruebas.
Seleccione el nombre del atributo a predecir en la lista desplegable.
Al seleccionar TESTRESULT se convierte en la característica predicha:
Haga clic en Continuar cuando esté listo.
Paso 2: Selección de Características
El paso de Selección de Características le permite marcar los atributos que considera relevantes y que influyen directamente en su característica predicha.
En el ejemplo descrito anteriormente, queremos identificar qué variables tienen relación con la diabetes (para un resultado de diabetes positivo o negativo).
La primera vez que seleccione características, Artificial Intelligence de Bizagi ofrece marcar y resaltar automáticamente las características identificadas como relevantes.
También se pueden marcar o desmarcar atributos significativos para convertirlos en características seleccionadas (es decir, predictores).
Puede, por ejemplo, desmarcar la casilla de verificación de la edad, si cree que ésta no debe ser tenida en cuenta por el análisis.
Aunque puede ver datos de muestra de cada característica, en cualquier momento puede cambiar a Personalizar Características para un análisis en profundidad o para modificar la forma en que la aplicación trata los valores de las características.
Hay otras opciones disponibles para ayudarle a tomar una decisión informada sobre la selección de características:
•Modificar el tipo de datos por característica.
•Definir cómo reemplazar los valores vacíos por característica.
•Buscar un gráfico de distribución de valores por característica.
Modificar el tipo de datos
En este paso, puede editar el tipo de datos identificados por Artificial Intelligence.
Los tipos de datos disponibles son: Numérico, Categórico o Fecha.
Definir cómo reemplazar los valores vacíos.
En este paso, también puede decidir si desea sustituir los valores vacíos con un valor por defecto:
Puede establecer valores vacíos (los que se muestran como nulos) para utilizar el Cero (0), el valor Promedio del conjunto, el Valor más utilizado o el definido por usted (Definido por el usuario).
Buscar un gráfico de distribución de valores
En este paso, puede hacer clic en el icono 
de una característica determinada y ver un gráfico que representa cómo se distribuyen sus datos:
Paso 3: Modelo de entrenamiento
Cuando termine con la configuración del experimento, haga clic en Modelo de entrenamiento para que las capacidades de Artificial Intelligence interpreten los datos y generen el modelo que presente una determinada certeza.
Artificial Intelligence de Bizagi elige el mejor algoritmo para su caso de uso específico y lleva a cabo los pasos de análisis de aprendizaje automático como el entrenamiento del modelo.
Paso 4: Resumen del modelo de predicción
Cuando el modelo termina su entrenamiento, los resultados aparecen en este paso. Para este ejemplo anterior en el que estamos determinando si se puede predecir un resultado de diabetes (verdadero o falso), el análisis arroja una precisión (dado que los valores verdadero y falso describen la diabetes como un tipo de datos categóricos):
En un caso hipotético en el que queremos predecir la edad del paciente, basándonos en variables como el hecho de que el paciente tenga diabetes, el análisis arrojaría un error estándar (la edad tiene valores numéricos que no queremos interpretar como un tipo de datos de categoría).
Aunque la edad, cuando se registra en años para los seres humanos, no tiene valores infinitos, podría considerarse continua, porque nos gustaría obtener una predicción de la edad utilizando una compensación para esa predicción.
Dependiendo de lo buena que sea la certeza presentada para su caso de uso, puede optar por crear experimentos adicionales que pueden proporcionar una mayor precisión o un menor error estándar.
Probar el experimento
Una vez que se ha generado un modelo, se puede hacer clic en el botón de Predicción de la prueba para introducir manualmente los valores de la muestra y evaluar si la certeza de la predicción es lo suficientemente buena para su caso de uso.
Para ejecutar la prueba, introduzca los valores, seleccionándolos en el menú desplegable (para los tipos de datos de las categorías), o dejando algunos en blanco, y luego haga clic en Prueba de predicción:
Haga clic en Repetir predicción para volver a probar el experimento,
En este punto ha creado un experimento de AI. Es necesario publicarlo para que sus procesos Bizagi puedan confiar en las capacidades de la AI al usar el experimento.
Para más información sobre este próximo paso, refiérase a Publicar un experimento de AI.
Opciones avanzadas para los científicos de datos
En cualquier momento también puede elegir editar los parámetros del experimento en un modo avanzado (por ejemplo, para los científicos de datos) para seleccionar un algoritmo de aprendizaje de máquina diferente.
Para obtener más información sobre el modo avanzado, consulte Opciones avanzadas de los experimentos de AI.
Enlaces externo
Si usted está buscando conjuntos de datos para usar mientras prueba Artificial Intelligence de Bizagi, varios sitios web publican datos de muestra, tales como http://mldata.org/repository/tags/data/earthquakes/.
Los datos tienen la estructura definida en la pestaña de Datos que se muestra en: http://mldata.org/repository/data/viewslug/global-earthquakes/.
Del mismo modo, los conjuntos de datos pueden encontrarse en https://archive.ics.uci.edu/ml/datasets.html.