Recursos de Software de aprendizaje automático

Kraken requiere un conjunto de datos que esté mayormente listo para el aprendizaje automático. Sin embargo, aplicamos algunos pasos básicos de preprocesamiento a los datos antes de construir modelos. 1. Imputación de nulos 2. Codificación de características categóricas (también conocida como creación de "variables ficticias") 3. Escalado de características o normalización 4. Manejo de alta correlación de un Conductor con la Métrica predicha o correlación entre Conductores 5. Tomar muestras aleatorias de los datos y realizar validación cruzada de cinco pliegues Todos estos pasos de preprocesamiento se realizan dados diferentes umbrales establecidos en nuestra canalización. Los umbrales pueden ser cambiados por nosotros a medida que aprendemos más sobre cuán precisos son los modelos que Kraken crea.

Mostrar más

Mostrar menos

De forma predeterminada, Kraken ejecuta varios algoritmos diferentes basados en la Métrica seleccionada para las predicciones. Utilizamos algoritmos contenidos en la biblioteca de Python de código abierto, scikit-learn. Los parámetros que se utilizan son los valores predeterminados de scikit-learn para cada algoritmo. Modelos de Clasificación Binaria: - Random Forest - Regresión Logística - XGBoost - Clasificación de Vecinos Más Cercanos - Clasificación de Máquinas de Vectores de Soporte - Naive Bayes Gaussiano Modelos de Regresión: - Regresión Lineal - Regresión de Random Forest - Regressor XGB - Regressor de Vecinos Más Cercanos - Regresión de Máquinas de Vectores de Soporte - Regresión de Descenso de Gradiente Estocástico Modelos de Clasificación Multiclase: - Random Forest - Regresión Logística Multinomial - Clasificación de Vecinos Más Cercanos - Clasificación de Máquinas de Vectores de Soporte - Naive Bayes Gaussiano

Mostrar más

Mostrar menos

Kraken utilizará la Métrica que selecciones para predecir y determinar qué tipo de algoritmos usar en el proceso de análisis. - Si seleccionas una Métrica que tiene solo dos valores únicos, Kraken usará algoritmos que funcionan mejor con problemas de clasificación binaria. Por ejemplo: retención de clientes (¿mi cliente se irá, sí/no?), retención de empleados (¿mi empleado se irá, sí/no?), etc. - Si seleccionas una Métrica que es un valor de cadena y tiene más de dos valores únicos, Kraken usará algoritmos que funcionan mejor con problemas de clasificación multiclase. Por ejemplo: mezcla de campañas, recomendación de productos, oportunidad de venta adicional, etc. - Si seleccionas una Métrica que es un número y no hay fechas en tu conjunto de datos, Kraken usará algoritmos que funcionan mejor con problemas de regresión. Por ejemplo: cuánto comprará este cliente, cuál será el valor de esta venta, etc. - Si seleccionas una Métrica que es un número y hay fechas en tu conjunto de datos, Kraken te dará la opción de crear un modelo de series temporales o un modelo de regresión. Las series temporales funcionan mejor para problemas que pronostican valores a lo largo del tiempo. Por ejemplo: pronóstico de ventas, demanda de inventario, etc.

Mostrar más

Mostrar menos