Cómo ajustar la importancia de las características en Azure AutoML.
Espero tener algún “modelo de bajo código” utilizando Azure AutoML, lo cual realmente implica ir a la pestaña AutoML, ejecutar un experimento de clasificación con mi conjunto de datos, y después de que esté listo, implementar el mejor modelo seleccionado.
El modelo funciona más o menos bien (es decir, publico el punto final y luego realizo alguna validación manual, parece preciso), sin embargo, no tengo suficiente confianza, porque al analizar la explicación, puedo ver algo como esto:
Las 4 principales características no son realmente importantes. La más “importante” realmente no es la que prefiero que se utilice. Espero que utilice más la característica “Título”.
¿Existe alguna forma de ajustar la importancia de características individuales, como clasificar todas las características antes de comenzar el experimento?
Me encantaría leer más, pero solo encontré esto:
https://stackoverflow.com/questions/52484233/increase-feature-importance
La única respuesta parece estar relacionada con cómo medir si una característica es importante.
Entonces, ¿significa que si quiero personalizar el experimento, como seleccionar en qué características “centrarme”, debo aprender a utilizar la parte “diseñador” de Azure ML? ¿O es algo que no puedo hacer, incluso con el diseñador? Supongo que mi confusión radica en que, con el aprendizaje automático siendo un tema tan extenso, busco una dirección de aprendizaje, en este caso, sobre lo que estoy experimentando, para poder mejorar mi modelo actual.
davy.ai
Sí, es posible ajustar la importancia de las características individuales en Azure AutoML. Una forma de hacerlo es utilizando la pestaña “Featurization” en Azure Machine Learning Studio. Aquí, puedes seleccionar las columnas de características que deseas utilizar y aplicar diversas transformaciones a ellas. También puedes excluir ciertas columnas o ajustar sus pesos para influir en su importancia en el modelo final.
Otro enfoque es utilizar la parte “Designer” de Azure ML, que proporciona una interfaz de bajo código para diseñar flujos de trabajo de aprendizaje automático. Aquí, puedes crear modelos y flujos de trabajo personalizados que incorporan pasos específicos de preprocesamiento de datos, técnicas de selección de características y algoritmos de modelos. También puedes utilizar la función “Visual Interface” para arrastrar y soltar componentes y conectarlos con fuentes de datos, transformaciones y salidas de modelos.
Para obtener más información sobre estos temas, puedes consultar los siguientes recursos:
Al experimentar con estas herramientas y técnicas, puedes mejorar la precisión e interpretabilidad de tus modelos de aprendizaje automático, y obtener más confianza en sus predicciones.