Regresión TPOT XGBoost

Paquetes del SO > Datos tabulares > TPOTXGBoostRegression

Este modelo es un modelo tabular genérico de regresión de datos (solo valores numéricos) que debe reentrenarse antes de utilizarse para las predicciones. Depende de TPOT para encontrar automáticamente el mejor modelo.

TPOT es una herramienta de aprendizaje automático automatizado de Python que optimiza los procesos de aprendizaje automático utilizando programación genética. TPOT automatiza la parte más tediosa del aprendizaje automático explorando de forma inteligente miles de procesos posibles para encontrar el mejor para tus datos. Una vez que TPOT haya terminado de buscar (o te canses de esperar), te proporciona el código Python para el mejor proceso encontrado para que puedas retocar el proceso a partir de ahí. TPOT está desarrollado sobre scikit-learn, por lo que todo el código que genera debe ser familiar para los usuarios de scikit-learn.

Esta versión de TPOT solo utiliza XGBoost y el conjunto estándar de métodos de preprocesamiento para optimizar un proceso de aprendizaje automático.

Detalles del modelo

Tipo de entrada

JSON

Descripción de entrada

Características que utiliza el modelo para hacer predicciones. Por ejemplo: { “Feature1”: 12, “Feature2”: 222, ..., “FeatureN”: 110}

Descripción de salida

JSON con lista de predicciones.

Ejemplo:

{ "predictions" : "[12, 12, 2, 354, 12, 2] }

Procesos

Este paquete es compatible con los tres tipos de procesos (entrenamiento completo, entrenamiento y evaluación).

Formato del conjunto de datos

Este paquete ML buscará archivos .csv en tu conjunto de datos (no en los subdirectorios).

Los archivos .csv deben seguir estas dos reglas:

• La primera fila de los datos debe contener los nombres de encabezado/columna.
• todas las columnas deben ser numéricas (int, float). El modelo no es capaz de realizar la codificación de características; sin embargo, puede realizar la codificación del target. Si el modelo lleva a cabo la codificación del target, en el momento de la predicción, el modelo también devuelve la etiqueta de la variable de destino.

Variables de entorno

• max_time_mins: tiempo de ejecución del proceso (en minutos). Cuanto mayor sea el tiempo de entrenamiento, mayores serán las posibilidades de que TPOT encuentre un buen modelo. (valor predeterminado: 2).
• target_column: nombre de la columna de destino (valor predeterminado: "target").
• scoring: TPOT hace uso de sklearn.model_selection.cross_val_score para la evaluación de procesos, y como tal ofrece el mismo support para las funciones de puntuación (valor predeterminado: "accuracy"). Utiliza los indicadores de puntuación estándar de scikit-learn (https://scikit-learn.org/stable/modules/model_evaluation.html)
• keep_training: las ejecuciones de TPOT típicas tardarán de horas a días en terminar (a menos que se trate de un conjunto de datos pequeño), pero siempre puedes interrumpir la ejecución en medio y ver los mejores resultados hasta el momento. Si keep_training está establecido en true, TPOT continuará el entrenamiento en el que se detuvo.

Aviso: Si la columna de destino de su archivo es diferente al valor por defecto (target), debes actualizar la variable de entorno target_column manualmente. Puedes hacerlo en la ventana Crear proceso nuevo haciendo clic en el botón + Añadir nuevo en la sección Introducir parámetros. En el campo Variable de entorno añade la variable (target_column), y en el campo Valor añade el nombre de la columna de su archivo. Cuando hayas finalizado, haz clic en el símbolo.

Artefactos

TPOT exporta el código Python correspondiente para el proceso optimizado a un archivo python llamado "TPOT_pipeline.py". Una vez que el código haya terminado de ejecutarse, "TPOT_pipeline.py." contendrá el código Python para el proceso optimizado.

Papel

El modelo se basa en dos publicaciones:

• "Scaling tree-based automated machine learning to biomedical big data with a feature set selector." de Trang T. Le, Weixuan Fu y Jason H. Moore (2020)
• "Evaluation of a Tree-based Pipeline Optimization Tool for Automating Data Science." de Randal S. Olson, Nathan Bartley, Ryan J. Urbanowicz, y Jason H. Moore