Se considera que AutoML se trata de selección de algoritmos, ajuste de hiperparámetros de modelos, modelado iterativo y evaluación de modelos.
En el lado del modelo: en lugar de hacer una búsqueda en la cuadrícula o usar hyperopt para encontrar los mejores parámetros para su modelo predictivo, utiliza un enfoque bayesiano para seleccionar el mejor conjunto de parámetros.
Del lado de la ingeniería de características, se puede usar el mismo enfoque bayesiano para seleccionar las mejores características como entrada para su modelo predictivo. De esa manera, ya no necesita experiencia en el dominio para encontrar las variables más predictivas.
- ¿Por qué no solo construimos microprocesadores asíncronos?
- ¿Cómo funciona el código de visualización en Windows Media Player?
- ¿Estaría de acuerdo con Elon Musk en sus miedos a la inteligencia artificial?
- ¿Cómo se compara el programa de pregrado de CS de Yale con el de Harvard?
- No puedo decidir entre especializarme en Física, Informática o Matemáticas. ¿Alguien me puede ayudar?
Básicamente, el enfoque bayesiano consiste en definir un espacio de parámetro (o característica), definir una métrica de éxito y seleccionar los parámetros de mejor rendimiento de acuerdo con esa métrica. ver Hacia la construcción automática de características para la clasificación supervisada
Aplicación para construir una canalización de análisis predictivo en este artículo: AutoML en AWS
