Entrenamiento de modelos

En esta página se describe cómo usar AutoML Tables para entrenar un modelo personalizado en función de tu conjunto de datos. Ya debes haber creado un conjunto de datos y haberle importado datos.

Introducción

Para crear un modelo personalizado, debes entrenarlo con un conjunto de datos preparado. AutoML Tables usa los elementos del conjunto de datos para entrenar el modelo, probarlo y evaluar su rendimiento. Puedes revisar los resultados, ajustar el conjunto de datos de entrenamiento según sea necesario y entrenar un nuevo modelo con el conjunto de datos mejorado.

Como parte de la preparación para entrenar un modelo, debes actualizar la información de esquema del conjunto de datos. Estas actualizaciones de esquema afectan a cualquier modelo futuro que use ese conjunto de datos. Los modelos que ya se comenzaron a entrenar no se verán afectados.

El entrenamiento de un modelo puede tomar varias horas en completarse. Puedes comprobar el progreso del entrenamiento en Cloud Console o mediante la API de Cloud AutoML.

Debido a que AutoML Tables crea un modelo nuevo cada vez que comienzas el entrenamiento, tu proyecto puede incluir varios modelos. Puedes obtener una lista de los modelos en tu proyecto y borrar modelos que ya no necesites.

La vida útil máxima de un modelo personalizado es de dos años. Debes crear y entrenar un modelo nuevo para seguir recibiendo predicciones después de dos años.

Entrena un modelo

Console

  1. Si es necesario, abre la página Conjuntos de datos y haz clic en el conjunto de datos que deseas usar.

    Se abrirá el conjunto de datos en la pestaña Entrenar (Train).

    Página del esquema de AutoML Tables

  2. Selecciona la columna objetivo para tu modelo.

    Este es el valor que el modelo está entrenado para predecir. El tipo de datos determina si el modelo resultante es un modelo de regresión (numérico) o de clasificación (categórico). Más información.

    Si tu columna objetivo tiene un tipo de datos categórico, debe tener al menos dos valores distintos y no más de 500.

  3. Revisa Tipo de datos (Data type), Nulidad (Nullability) y las estadísticas de datos de cada columna de tu conjunto de datos.

    Puedes hacer clic en las columnas individuales para obtener más detalles sobre esa columna. Obtén más información acerca de la revisión del esquema.

    Página del esquema de AutoML Tables

  4. Si deseas controlar tu división de datos, haz clic en Editar parámetros adicionales (Edit additional parameters) y especifica una columna de división de datos o una columna de tiempo. Más información.

    Página del esquema de AutoML Tables

  5. Si deseas ponderar los ejemplos de entrenamiento por el valor de una columna, haz clic en Editar parámetros adicionales (Edit additional parameters) y especifica la columna adecuada. Más información.

  6. Revisa las estadísticas y los detalles del resumen para asegurarte de que la calidad de los datos sea la esperada y de identificar las columnas que deben excluirse cuando creas tu modelo.

    Para obtener más información, consulta Analiza los datos de entrenamiento.

  7. Cuando estés satisfecho con el esquema del conjunto de datos, haz clic en Entrenar modelo (Train model) en la parte superior de la pantalla.

    Cuando realizas cambios en tu esquema, AutoML Tables actualiza las estadísticas del resumen, que pueden tardar unos minutos en completarse. No es necesario esperar a que se complete este proceso antes de iniciar el entrenamiento de modelos.

    Página del esquema de AutoML Tables

  8. En Presupuesto de entrenamiento (Training budget), ingresa la cantidad máxima de horas de entrenamiento para este modelo.

    El presupuesto de entrenamiento es de entre 1 y 72 horas. Esta es la cantidad máxima de tiempo de entrenamiento que se te cobrará.

    El tiempo de entrenamiento sugerido se relaciona con el tamaño de los datos de entrenamiento. En la siguiente tabla, se muestran los intervalos de tiempo de entrenamiento sugeridos por conteo de filas; una gran cantidad de columnas también aumentará el tiempo de entrenamiento.

    Filas Tiempo de entrenamiento sugerido
    Menor que 100,000 1-3 horas
    100,000-1,000,000 1-6 horas
    1,000,000-10,000,000 1-12 horas
    Más de 10,000,000 3-24 horas

    La creación del modelo incluye otras tareas aparte del entrenamiento, por lo que el tiempo total que se necesita para crear el modelo es mayor que el tiempo de entrenamiento. Por ejemplo, si especificas 2 horas de entrenamiento, podrían pasar 3 o más horas hasta que el modelo esté listo para implementarse. Solo se te cobra por el tiempo de entrenamiento real.

    Obtén más información sobre los precios de entrenamiento.

    Si AutoML Tables detecta que el modelo ya no mejora antes de que se agote el presupuesto de entrenamiento, este deja de entrenar. Si deseas usar todo el tiempo de entrenamiento presupuestado, abre Opciones avanzadas (Advanced options) y, luego, inhabilita Interrupción anticipada.

  9. En la sección Seleccionar el atributo de entrada (Input feature selection), excluye las columnas a las que orientaste la exclusión en el paso de análisis del esquema.

  10. Si no deseas usar el objetivo de optimización predeterminado, abre Opciones avanzadas (Advanced options) y selecciona la métrica que deseas que AutoML Tables optimice cuando entrene tu modelo. Más información.

    Según el tipo de datos de la columna objetivo, puede haber solo una opción para el Objetivo de optimización.

  11. Haz clic en Entrenar modelo (Train model) para comenzar el entrenamiento de modelos.

    El entrenamiento de un modelo puede tardar varias horas en completarse según el tamaño del conjunto de datos y el presupuesto de entrenamiento. Puedes cerrar la ventana del navegador; esto no afectará el proceso de entrenamiento.

    Una vez que el modelo se entrenó de forma correcta, la pestaña Modelos (Models) mostrará métricas de alto nivel para el modelo, como precisión y recuperación.

    Métricas de alto nivel para un modelo entrenado

    Para obtener ayuda con la evaluación de la calidad de tu modelo, consulta la página sobre cómo evaluar modelos.

LÍNEA DE CMD Y REST

En el siguiente ejemplo, se muestra cómo revisar y actualizar el esquema de datos antes de entrenar el modelo.

Si tus recursos se encuentran en la región de la UE, usa eu para {location} y usa el extremo eu-automl.googleapis.com. De lo contrario, usa us-central1. Más información.

  1. Una vez completada la importación, enumera las especificaciones de la tabla para obtener tu ID de tabla.

    Antes de usar cualquiera de los siguientes datos de solicitud, realiza estos reemplazos:

    • endpoint: automl.googleapis.com para la ubicación global y eu-automl.googleapis.com para la región de la UE
    • project-id: Es el ID de tu proyecto de Google Cloud.
    • location: la ubicación del recurso: us-central1 para la global o eu para la Unión Europea
    • dataset-id: el ID del conjunto de datos. Por ejemplo: TBL6543.

    Método HTTP y URL:

    GET https://endpoint/v1beta1/projects/project-id/locations/location/datasets/dataset-id/tableSpecs/

    Para enviar tu solicitud, expande una de estas opciones:

    El ID de la tabla se muestra en negrita en el campo name.

  2. Enumera tus especificaciones de columna.

    Antes de usar cualquiera de los siguientes datos de solicitud, realiza estos reemplazos:

    • endpoint: automl.googleapis.com para la ubicación global y eu-automl.googleapis.com para la región de la UE
    • project-id: Es el ID de tu proyecto de Google Cloud.
    • location: la ubicación del recurso: us-central1 para la global o eu para la Unión Europea
    • dataset-id: el ID del conjunto de datos. Por ejemplo: TBL6543.
    • table-id: el ID de la tabla.

    Método HTTP y URL:

    GET https://endpoint/v1beta1/projects/project-id/locations/location/datasets/dataset-id/tableSpecs/table-id/columnSpecs/

    Para enviar tu solicitud, expande una de estas opciones:

  3. De manera opcional, configura tu columna objetivo.

    Este es el valor que el modelo está entrenado para predecir. El tipo de datos determina si el modelo resultante es un modelo de regresión (numérico) o de clasificación (categórico). Más información.

    Si tu columna objetivo tiene un tipo de datos categórico, debe tener al menos dos valores distintos y no más de 500.

    También puedes especificar la columna objetivo cuando entrenes el modelo. Si planeas hacerlo, conserva el ID de la tabla y el ID de la columna objetivo que desees usar más adelante.

    Antes de usar cualquiera de los siguientes datos de solicitud, realiza estos reemplazos:

    • endpoint: automl.googleapis.com para la ubicación global y eu-automl.googleapis.com para la región de la UE
    • project-id: Es el ID de tu proyecto de Google Cloud.
    • location: la ubicación del recurso: us-central1 para la global o eu para la Unión Europea
    • dataset-id: Es el ID del conjunto de datos.
    • target-column-id: el ID de la columna de destino.

    Método HTTP y URL:

    PATCH https://endpoint/v1beta1/projects/project-id/locations/location/datasets/dataset-id

    Cuerpo JSON de la solicitud:

    {
      "tablesDatasetMetadata": {
        "targetColumnSpecId": "target-column-id"
      }
    }
    

    Para enviar tu solicitud, expande una de estas opciones:

  4. De forma opcional, actualiza el campo mlUseColumnSpecId para especificar tu división de datos y el campo weightColumnSpecId para usar una columna de ponderación.

    Antes de usar cualquiera de los siguientes datos de solicitud, realiza estos reemplazos:

    • endpoint: automl.googleapis.com para la ubicación global y eu-automl.googleapis.com para la región de la UE
    • project-id: Es el ID de tu proyecto de Google Cloud.
    • location: la ubicación del recurso: us-central1 para la global o eu para la Unión Europea
    • dataset-id: Es el ID del conjunto de datos.
    • split-column-id: el ID de la columna de destino.
    • weight-column-id: el ID de la columna de destino.

    Método HTTP y URL:

    PATCH https://endpoint/v1beta1/projects/project-id/locations/location/datasets/dataset-id

    Cuerpo JSON de la solicitud:

    {
      "tablesDatasetMetadata": {
        "mlUseColumnSpecId": "split-column-id",
        "weightColumnSpecId": "weight-column-id"
      }
    }
    

    Para enviar tu solicitud, expande una de estas opciones:

  5. Revisa las estadísticas de las columnas para asegurarte de que los valores dataType sean correctos y que las columnas tengan el valor correcto para nullable.

    Si un campo está marcado como no anulable, significa que no tenía valores nulos para el conjunto de datos de entrenamiento. Asegúrate de que esto también se aplique a tus datos de predicción; si una columna está marcada como no anulable y no se le proporciona un valor en el momento de la predicción, se muestra un error de predicción para esa fila.

    Obtén más información acerca de la revisión del esquema.

  6. Revisa la calidad de los datos.

    Obtén más información sobre cómo analizar los datos de entrenamiento.

  7. Entrena el modelo.

    Antes de usar cualquiera de los siguientes datos de solicitud, realiza estos reemplazos:

    • endpoint: automl.googleapis.com para la ubicación global y eu-automl.googleapis.com para la región de la UE
    • project-id: Es el ID de tu proyecto de Google Cloud.
    • location: la ubicación del recurso: us-central1 para la global o eu para la Unión Europea
    • dataset-id: El ID del conjunto de datos.
    • table-id: el ID de la tabla, que se usa para establecer la columna de destino.
    • target-column-id: el ID de la columna de destino.
    • model-display-name: el nombre visible del modelo nuevo.
    • optimization-objective con la métrica que se debe optimizar (opcional).

      Consulta Información acerca de los objetivos de optimización del modelo.

    • train-budget-milli-node-hours con la cantidad de milihora de procesamiento de nodo para el entrenamiento. Por ejemplo, 1,000 = 1 hora.

      El tiempo de entrenamiento sugerido se relaciona con el tamaño de los datos de entrenamiento. En la siguiente tabla, se muestran los intervalos de tiempo de entrenamiento sugeridos por conteo de filas; una gran cantidad de columnas también aumentará el tiempo de entrenamiento.

      Filas Tiempo de entrenamiento sugerido
      Menor que 100,000 1-3 horas
      100,000-1,000,000 1-6 horas
      1,000,000-10,000,000 1-12 horas
      Más de 10,000,000 3-24 horas

      La creación del modelo incluye otras tareas aparte del entrenamiento, por lo que el tiempo total que se necesita para crear el modelo es mayor que el tiempo de entrenamiento. Por ejemplo, si especificas 2 horas de entrenamiento, podrían pasar 3 o más horas hasta que el modelo esté listo para implementarse. Solo se te cobra por el tiempo de entrenamiento real.

      Obtén más información sobre los precios de entrenamiento.

      Si AutoML Tables detecta que el modelo ya no mejora antes de que se agote el presupuesto de entrenamiento, este deja de entrenar. Si desea usar todo el tiempo de entrenamiento presupuestado, establece la propiedad disableEarlyStopping en el objeto tablesModelMetadata en true.

    Método HTTP y URL:

    POST https://endpoint/v1beta1/projects/project-id/locations/location/models/

    Cuerpo JSON de la solicitud:

    {
      "datasetId": "dataset-id",
      "displayName": "model-display-name",
      "tablesModelMetadata": {
        "trainBudgetMilliNodeHours": "train-budget-milli-node-hours",
        "optimizationObjective": "optimization-objective",
        "targetColumnSpec": {
          "name": "projects/project-id/locations/location/datasets/dataset-id/tableSpecs/table-id/columnSpecs/target-column-id"
        }
      },
    }
    

    Para enviar tu solicitud, expande una de estas opciones:

    Deberías recibir una respuesta JSON similar a la que se muestra a continuación:

    {
    
      "name": "projects/292381/locations/us-central1/operations/TBL64984",
      "metadata": {
        "@type": "type.googleapis.com/google.cloud.automl.v1beta1.OperationMetadata",
        "createTime": "2019-12-30T22:12:03.014058Z",
        "updateTime": "2019-12-30T22:12:03.014058Z",
        "cancellable": true,
        "createModelDetails": {
          "modelDisplayName": "new_model1"
        },
        "worksOn": [
          "projects/292381/locations/us-central1/datasets/TBL3718"
        ],
        "state": "RUNNING"
      }
    }
    

    El entrenamiento de un modelo es una operación de larga duración. Puedes consultar el estado de la operación o esperar a que esta se muestre. Más información.

Java

Si tus recursos se encuentran en la región de la UE, debes establecer el extremo de manera explícita. Obtén más información.

import com.google.api.gax.longrunning.OperationFuture;
import com.google.cloud.automl.v1beta1.AutoMlClient;
import com.google.cloud.automl.v1beta1.ColumnSpec;
import com.google.cloud.automl.v1beta1.ColumnSpecName;
import com.google.cloud.automl.v1beta1.LocationName;
import com.google.cloud.automl.v1beta1.Model;
import com.google.cloud.automl.v1beta1.OperationMetadata;
import com.google.cloud.automl.v1beta1.TablesModelMetadata;
import java.io.IOException;
import java.util.concurrent.ExecutionException;

class TablesCreateModel {

  public static void main(String[] args)
      throws IOException, ExecutionException, InterruptedException {
    // TODO(developer): Replace these variables before running the sample.
    String projectId = "YOUR_PROJECT_ID";
    String datasetId = "YOUR_DATASET_ID";
    String tableSpecId = "YOUR_TABLE_SPEC_ID";
    String columnSpecId = "YOUR_COLUMN_SPEC_ID";
    String displayName = "YOUR_DATASET_NAME";
    createModel(projectId, datasetId, tableSpecId, columnSpecId, displayName);
  }

  // Create a model
  static void createModel(
      String projectId,
      String datasetId,
      String tableSpecId,
      String columnSpecId,
      String displayName)
      throws IOException, ExecutionException, InterruptedException {
    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests. After completing all of your requests, call
    // the "close" method on the client to safely clean up any remaining background resources.
    try (AutoMlClient client = AutoMlClient.create()) {
      // A resource that represents Google Cloud Platform location.
      LocationName projectLocation = LocationName.of(projectId, "us-central1");

      // Get the complete path of the column.
      ColumnSpecName columnSpecName =
          ColumnSpecName.of(projectId, "us-central1", datasetId, tableSpecId, columnSpecId);

      // Build the get column spec.
      ColumnSpec targetColumnSpec =
          ColumnSpec.newBuilder().setName(columnSpecName.toString()).build();

      // Set model metadata.
      TablesModelMetadata metadata =
          TablesModelMetadata.newBuilder()
              .setTargetColumnSpec(targetColumnSpec)
              .setTrainBudgetMilliNodeHours(24000)
              .build();

      Model model =
          Model.newBuilder()
              .setDisplayName(displayName)
              .setDatasetId(datasetId)
              .setTablesModelMetadata(metadata)
              .build();

      // Create a model with the model metadata in the region.
      OperationFuture<Model, OperationMetadata> future =
          client.createModelAsync(projectLocation, model);
      // OperationFuture.get() will block until the model is created, which may take several hours.
      // You can use OperationFuture.getInitialFuture to get a future representing the initial
      // response to the request, which contains information while the operation is in progress.
      System.out.format("Training operation name: %s%n", future.getInitialFuture().get().getName());
      System.out.println("Training started...");
    }
  }
}

Node.js

Si tus recursos se encuentran en la región de la UE, debes establecer el extremo de manera explícita. Obtén más información.

const automl = require('@google-cloud/automl');
const client = new automl.v1beta1.AutoMlClient();

/**
 * Demonstrates using the AutoML client to create a model.
 * TODO(developer): Uncomment the following lines before running the sample.
 */
// const projectId = '[PROJECT_ID]' e.g., "my-gcloud-project";
// const computeRegion = '[REGION_NAME]' e.g., "us-central1";
// const datasetId = '[DATASET_ID]' e.g., "TBL2246891593778855936";
// const tableId = '[TABLE_ID]' e.g., "1991013247762825216";
// const columnId = '[COLUMN_ID]' e.g., "773141392279994368";
// const modelName = '[MODEL_NAME]' e.g., "testModel";
// const trainBudget = '[TRAIN_BUDGET]' e.g., "1000",
// `Train budget in milli node hours`;

// A resource that represents Google Cloud Platform location.
const projectLocation = client.locationPath(projectId, computeRegion);

// Get the full path of the column.
const columnSpecId = client.columnSpecPath(
  projectId,
  computeRegion,
  datasetId,
  tableId,
  columnId
);

// Set target column to train the model.
const targetColumnSpec = {name: columnSpecId};

// Set tables model metadata.
const tablesModelMetadata = {
  targetColumnSpec: targetColumnSpec,
  trainBudgetMilliNodeHours: trainBudget,
};

// Set datasetId, model name and model metadata for the dataset.
const myModel = {
  datasetId: datasetId,
  displayName: modelName,
  tablesModelMetadata: tablesModelMetadata,
};

// Create a model with the model metadata in the region.
client
  .createModel({parent: projectLocation, model: myModel})
  .then(responses => {
    const initialApiResponse = responses[1];
    console.log(`Training operation name: ${initialApiResponse.name}`);
    console.log('Training started...');
  })
  .catch(err => {
    console.error(err);
  });

Python

La biblioteca cliente de AutoML Tables incluye métodos adicionales de Python que simplifican el uso de la API de AutoML Tables. Estos métodos hacen referencia a conjuntos de datos y modelos por nombre en lugar de ID. El conjunto de datos y los nombres de los modelos deben ser únicos. Para obtener más información, consulta la página de referencia del cliente.

Si tus recursos se encuentran en la región de la UE, debes establecer el extremo de manera explícita. Obtén más información.

# TODO(developer): Uncomment and set the following variables
# project_id = 'PROJECT_ID_HERE'
# compute_region = 'COMPUTE_REGION_HERE'
# dataset_display_name = 'DATASET_DISPLAY_NAME_HERE'
# model_display_name = 'MODEL_DISPLAY_NAME_HERE'
# train_budget_milli_node_hours = 'TRAIN_BUDGET_MILLI_NODE_HOURS_HERE'
# include_column_spec_names = 'INCLUDE_COLUMN_SPEC_NAMES_HERE'
#    or None if unspecified
# exclude_column_spec_names = 'EXCLUDE_COLUMN_SPEC_NAMES_HERE'
#    or None if unspecified

from google.cloud import automl_v1beta1 as automl

client = automl.TablesClient(project=project_id, region=compute_region)

# Create a model with the model metadata in the region.
response = client.create_model(
    model_display_name,
    train_budget_milli_node_hours=train_budget_milli_node_hours,
    dataset_display_name=dataset_display_name,
    include_column_spec_names=include_column_spec_names,
    exclude_column_spec_names=exclude_column_spec_names,
)

print("Training model...")
print("Training operation name: {}".format(response.operation.name))
print("Training completed: {}".format(response.result()))

Revisión del esquema

AutoML Tables infiere el tipo de datos y si una columna es anulable para cada columna según el tipo de datos original (si se importó de BigQuery) y los valores de la columna. Debes revisar cada columna y asegurarte de que sea correcta.

Usa la siguiente lista para revisar tu esquema:

  • Los campos que contengan texto de formato libre deben ser de texto.

    Los campos de texto se separan en tokens con UnicodeScriptTokenizer , y se usan tokens individuales para el entrenamiento del modelo. UnicodeScriptTokenizer hace un token de texto por espacios en blanco, a la vez que separa la puntuación del texto y de los diferentes lenguajes entre sí.

  • Si el valor de una columna es uno de un conjunto finito de valores, tal vez deba ser categórico, sin importar el tipo de datos usados en el campo.

    Por ejemplo, es posible que tengas códigos para los colores: 1 = rojo, 2 = amarillo, y así sucesivamente. Debes asegurarte de que dicho campo se haya designado como categórico.

    Una excepción a esta guía es si la columna contiene strings de varias palabras. En este caso, debes establecerlo como una columna de texto, incluso si tiene una cardinalidad baja. AutoML Tables convierte en tokens las columnas de texto y puede derivar la señal de predicción de los tokens individuales o su orden.

  • Si un campo está marcado como no anulable, significa que no tenía valores nulos para el conjunto de datos de entrenamiento. Asegúrate de que esto también se aplique a tus datos de predicción; si una columna está marcada como no anulable y no se le proporciona un valor en el momento de la predicción, se muestra un error de predicción para esa fila.

Analiza los datos de entrenamiento

  • Si una columna tiene un alto porcentaje de valores faltantes, asegúrate de que esto sea lo esperado y no un problema de recopilación de datos.

  • Asegúrate de que la cantidad de valores no válidos sea relativamente baja o nula.

    Cualquier fila que contenga uno o más valores no válidos se excluye de forma automática del entrenamiento de modelos.

  • Si los Valores distintos de una columna categórica se acercan a la cantidad de filas (por ejemplo, más del 90%), esa columna no proporcionará mucha señal de entrenamiento. Debe excluirse del entrenamiento. Las columnas de ID siempre deben excluirse.

  • Si el valor de Correlación con el objetivo de una columna es alto, asegúrate de que sea lo esperado y no una indicación de filtración de objetivos.

    Si la columna estará disponible cuando solicites predicciones, es probable que sea un atributo con un gran poder explicativo y que se pueda incluir. Sin embargo, a veces, los atributos con una alta correlación se derivan del objetivo o se recopilan después del hecho. Estos atributos deben excluirse del entrenamiento, ya que no están disponibles en el momento de la predicción, por lo que el modelo no se puede usar en producción.

    La correlación se calcula para columnas categóricas, numéricas y de marca de tiempo, mediante el coeficiente V de Cramer. En el caso de las columnas numéricas, se hace un cálculo mediante recuentos de depósitos generados a partir de cuantiles.

Información acerca de los objetivos de optimización del modelo

El objetivo de optimización influye en la forma en la que se entrena tu modelo y, por lo tanto, en cómo es su rendimiento en la producción. En la siguiente tabla, se proporcionan algunos detalles sobre los tipos de problemas que son más adecuados para cada objetivo:

Objetivo de optimización Tipo de problema Valor de la API Usa este objetivo si quieres…
AUC ROC Clasificación MAXIMIZE_AU_ROC Distinguir las clases. Valor predeterminado para la clasificación binaria.
Pérdida logística Clasificación MINIMIZE_LOG_LOSS Mantener las probabilidades de predicción lo más precisas posible. Valor predeterminado para la clasificación de clases múltiples.
AUC PR Clasificación MAXIMIZE_AU_PRC Optimizar los resultados para las predicciones de la clase menos común.
Precisión en recuperación Clasificación MAXIMIZE_PRECISION_AT_RECALL Optimizar la precisión en un valor de recuperación específico.
Recuperación en precisión Clasificación MAXIMIZE_RECALL_AT_PRECISION Optimizar la recuperación con un valor de precisión específico.
RMSE Regresión MINIMIZE_RMSE Captura valores más extremos con exactitud.
MAE Regresión MINIMIZE_MAE Observar los valores extremos como valores atípicos con un impacto menor en el modelo.
RMSLE Regresión MINIMIZE_RMSLE Penalizar errores de tamaño relativo en lugar de valor absoluto. De gran utilidad cuando los valores previstos y reales pueden ser bastante grandes.

¿Qué sigue?