En esta guía de inicio rápido, se te guiará en el proceso de uso de la aplicación web AutoML Tables para realizar los siguientes pasos:
- Crear un conjunto de datos
- Importar los datos de la tabla de un archivo CSV al conjunto de datos
- Identificar las columnas de esquema en los datos importados
- Entrenar un modelo a partir de los datos importados
- Usar el modelo para hacer predicciones
Todo el proceso tarda un par de horas en completarse. La mayor parte de ese tiempo no es tiempo de actividad; puedes cerrar la ventana del navegador y volver a la tarea más tarde.
Antes de comenzar
Crea un proyecto y habilita las AutoML Tables
- Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.
-
En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.
-
Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.
-
Habilita las API de Cloud AutoML and Storage.
-
En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.
-
Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.
-
Habilita las API de Cloud AutoML and Storage.
Datos de muestra
En esta guía de inicio rápido, se usa el conjunto de datos de código abierto de Bank Marketing, que está disponible mediante una licencia de Creative Commons CCO: de dominio público. Los nombres de las columnas se actualizaron para una vista más clara.
Crea un conjunto de datos y entrena un modelo
Visita AutoML Tables en la consola de Google Cloud para comenzar el proceso de crear tu conjunto de datos y entrenar tu modelo.
Selecciona Conjuntos de datos (Datasets) y, luego, selecciona Conjunto de datos nuevo (New Dataset).
Ingresa
Quickstart_Dataset
para el nombre del conjunto de datos y haz clic en Crear conjunto de datos.En la página Importar tus datos (Import your data), selecciona Seleccionar un archivo CSV de Cloud Storage (Select a CSV file from Cloud Storage).
Deja la Ubicación en
Global
.Ingresa
cloud-ml-tables-data/bank-marketing.csv
para el bucket.Haz clic en Importar (Importar).
La importación del conjunto de datos tarda unos minutos en completarse.
Una vez que se complete la importación del conjunto de datos, selecciona
Deposit
para la Columna objetivo (Target column).La columna objetivo identifica el valor con el que el modelo se entrenará para predecir.
Esta ventana proporciona información sobre tus datos importados. Puedes hacer clic en las filas individuales para obtener más información sobre la distribución y correlación de un atributo específico.
Haz clic en Entrenar modelo (Train model). Ingresa
Quickstart_Model
en Nombre del modelo (Model name) y1
en Presupuesto de entrenamiento (Training budget).Haz clic en Entrenar modelo (Train model) para iniciar el proceso de entrenamiento.
El entrenamiento del modelo tarda alrededor de dos horas en completarse. Una vez que el modelo se haya entrenado con éxito, en la pestaña Modelos (Models), se muestran las métricas de alto nivel del modelo.
Selecciona la pestaña Evaluar (Evaluate) para obtener una vista detallada de las métricas de evaluación del modelo.
Para este modelo,
1
representa un resultado negativo, ya que no se realiza un depósito en el banco.2
representa un resultado positivo, ya que se realiza un depósito en el banco.Puedes seleccionar una etiqueta y así ver las métricas de evaluación específicas para esa etiqueta. También puedes ajustar el Umbral de puntuación a fin de ver cómo difieren las métricas para los diferentes valores del umbral.
También puedes desplazarte hacia abajo para ver la matriz de confusión y el gráfico de importancia de los atributos.
Selecciona la pestaña Probar y usar (Test & Use) y selecciona Predicción en línea (Online prediction).
Haz clic en Implementar modelo (Deploy model) para implementar tu modelo.
Debes implementar tu modelo para poder solicitar predicciones en línea. La implementación de un modelo tarda unos minutos en completarse.
Cuando se implementa el modelo, AutoML Tables completa los datos de muestra para ayudarte a probar tu modelo.
Selecciona la casilla de verificación Generar importancia de los atributos (Generate feature importance).
Haz clic en Predecir (Predict) para solicitar la predicción en línea.
AutoML Tables determina la probabilidad de cada resultado posible en función de los valores de entrada, y muestra los valores de confianza para la predicción en la sección Resultado de la predicción (Prediction result).
En el ejemplo anterior, el modelo predice el resultado de “1”, con un 99,8% de certeza.
También puedes enviar solicitudes de predicción por lotes. Obtener más información.
Limpieza
Si ya no necesitas tu conjunto de datos o modelo personalizado, puedes borrarlos.
A fin de evitar cargos innecesarios de Google Cloud Platform, usa la consola de Google Cloud para borrar tu proyecto si no lo necesitas.
Anula la implementación de tu modelo
Tu modelo generará cargos mientras esté implementado.
- Selecciona Modelos y haz clic en el modelo que quieras anular.
- Selecciona la pestaña Probar y usar y haz clic en Predicción en línea.
- Haz clic en Quitar implementación (Remove deployment).
Borra un modelo
Para borrar un modelo, selecciona Modelos. Haz clic en el menú de más acciones del modelo que deseas borrar y, luego, selecciona Borrar modelo (Delete model).
Borra un conjunto de datos
Para borrar un conjunto de datos, selecciona Conjuntos de datos. Haz clic en el menú de más acciones del modelo que deseas borrar y, luego, selecciona Borrar conjunto de datos (Delete dataset).
¿Qué sigue?
- Obtén información sobre los atributos y funciones de AutoML Tables.
- Descubre más ejemplos con los notebooks de Colab.
- Lee nuestra guía para principiantes.
- Comienza a preparar tus datos de entrenamiento para tu propia implementación de AutoML Tables.
- Obtén más información sobre cómo interpretar los resultados de las predicciones.
- Obtén información sobre la importancia de los atributos locales.