¿Qué es el generador de modelos?

  • 4 minutos

El aprendizaje automático es una técnica que usa las matemáticas y la estadística para identificar patrones en los datos sin que haya que programarlos explícitamente. Model Builder es una extensión gráfica de Visual Studio para entrenar e implementar modelos de Machine Learning personalizados mediante ML.NET.

Captura de pantalla que muestra la Model Builder Visual Studio para ML .NET.

Por ejemplo, supongamos que quiere predecir el precio de una casa. Si va a usar una sola característica, como el tamaño por metro cuadrado, para calcular su precio, es probable que pueda programar una heurística que correlacione las casas más grandes con un precio más alto.

Grafo que muestra un modelo de regresión lineal para el precio de la casa.

Sin embargo, el mundo no siempre es tan simple. Hay muchas variables influyen en el precio de una casa. En situaciones como esta, es difícil dar con una heurística simple que capture los casos extremos y el aprendizaje automático podría ser una mejor solución.

Con el aprendizaje automático, en lugar de programar reglas explícitamente, se usan datos históricos para identificar estas reglas en función de observaciones reales. Después, los patrones que se detectan mediante el aprendizaje automático se usan para crear un artefacto denominado"modelo" para realizar predicciones mediante datos nuevos y desconocidos.

ML.NET es un marco de aprendizaje automático multiplataforma de código abierto para .NET. Por consiguiente, puede aplicar sus aptitudes de .NET y usar las herramientas con las que está familiarizado (como Visual Studio) para entrenar modelos de aprendizaje automático.

¿Qué tipos de problemas se pueden resolver mediante Model Builder?

Model Builder se puede usar para resolver muchos problemas comunes de aprendizaje automático, como los siguientes:

  • Categorización de datos: organizar artículos de noticias por tema.
  • Predicción de un valor numérico: calcular el precio de una casa.
  • Agrupación de elementos con características similares: segmentar clientes.
  • Recomendación de elementos: recomendar películas.
  • Clasificación de imágenes: etiquetar una imagen en función de su contenido.
  • Detección de objetos en una imagen: detectar peatones y bicicletas en un cruce.

¿Cómo se crean modelos mediante Model Builder?

Por lo general, el proceso de agregar modelos de Machine Learning a las aplicaciones consta de dos pasos: entrenamiento y consumo.

Cursos

El entrenamiento es el proceso de aplicar algoritmos a datos históricos para crear un modelo que capture patrones subyacentes. Luego, se puede usar el modelo para realizar predicciones sobre los datos nuevos.

Model Builder usa el aprendizaje automático automatizado (AutoML) para encontrar el mejor modelo para los datos. AutoML automatiza el proceso de aplicar el aprendizaje automático a los datos. Puede ejecutar un experimento de AutoML en un conjunto de datos para iterar por diferentes transformaciones de datos, algoritmos de aprendizaje automático y valores y, después, seleccionar el mejor modelo.

Para usar el Generador de modelos no se necesita experiencia previa con el aprendizaje automático. Lo único que necesita son algunos datos y un problema que resolver.

El proceso de entrenamiento del modelo consta de los siguientes pasos:

  1. Elegir un escenario: ¿qué problema intenta resolver? El escenario que elija dependerá de los datos y de lo que intente predecir.
  2. Elegir un entorno: ¿dónde quiere entrenar su modelo? En función de los recursos de proceso disponibles, el costo, los requisitos de privacidad y otros factores, puede elegir entrenar los modelos localmente en el equipo o en la nube.
  3. Cargar los datos: cargue el conjunto de datos que va a usar para el entrenamiento. Defina las columnas que desea predecir y, a continuación y, después, elija las columnas que desea usar como entradas para la predicción.
  4. Entrenar el modelo: deje que AutoML elija el mejor algoritmo para el conjunto de datos en función del escenario que haya elegido.
  5. Evaluar el modelo: use las métricas para evaluar el rendimiento del modelo y realizar predicciones sobre nuevos datos.

Consumo

Después de entrenar un modelo de Machine Learning, es el momento de usarlo para realizar predicciones. El consumo es el proceso consistente en usar un modelo de Machine Learning entrenado para realizar predicciones sobre datos nuevos y desconocidos. Con Model Builder, puede consumir modelos de Machine Learning de proyectos de .NET nuevos y existentes.

Los modelos de Machine Learning basados en ML.NET se serializan y se guardan en un archivo. Luego, el archivo de los modelos se puede cargar en cualquier aplicación .NET y usarse para realizar predicciones mediante las API de ML.NET. Estos tipos de aplicación incluyen:

  • API web de ASP.NET Core
  • Azure Functions
  • Blazor
  • Windows Presentation Foundation (WPF) o Windows Forms (WinForms)
  • Consola
  • Biblioteca de clases

En la siguiente unidad, obtendrá información sobre el proceso de entrenamiento de modelos de Machine Learning en Model Builder.