Modelos de Machine Learning Python – Ejemplos
Python nos ofrece numerosas herramientas para la construcción de modelos de Machine Learning que su vez pueden ser utilizados en el mundo laboral, en la empresa como modelos predictivos cuyo objetivo sea aportar información para la planificación y toma de decisiones. Los usos pueden ser muy variados por ejemplo modelos predictivos para clasificar clientes de alto, medio o bajo riesgo, o para forecast de ventas, o para predecir probabilidad de compra, entre muchos otros casos.
Los modelos de Machine Learning son variados y por lo mismo para comenzar a entender los separaremos por su principal característica y su uso práctico:
- Modelos de Regresión: Estos modelos permiten predecir comportamientos futuros de variables continuas, como pueden ser ventas, temperaturas, stocks, saldos, entre otros. Para su uso necesitan al menos una variable independiente que permita predecir la variable dependiente o target. En los casos reales suelen ser muchas variables involucradas para entender el comportamiento de una variable target, estos modelos no sólo permiten admitir un alto número de variables sino que también nos proveen de métodos para separar aquellas variables con mayor predictivo del target a objeto de seguir usándolas en el modelo. Esta selección de variables es relevante por varias razones, ya sea por la carga de procesamiento y obtención de numerosos datos, como también por su reflejo en el resultado final que es conseguir una predicción lo más precisa posible, en tal sentido encontraremos variables con mayor nivel de correlación y/o significancia que otras, que a su vez serán identificadas por el modelo como de mayor, menor o sin aporte predictivo, y de este modo podremos optimizar nuestro modelo utilizando el número de variables más óptimo, sin sobre cargar nuestro procesamiento, y con mejores resultados.
- Modelos de Clasificación: Estos modelos nos permiten predecir variables de clasificación binaria, es decir cero o uno, que en la vida práctica podría significar que un cliente tenga nivel de riesgo alto, medio o bajo, que un cliente tenga una alta o baja probabilidad de compra, que un cliente siga o pida la baja de un servicio, entre otros. Para lograr este objetivo al igual que el modelo de Regresión, admitirá un alto número de otras variables que complementen y aporten información para la predicción del modelo, en tal sentido también deberemos tener en cuenta el realizar una adecuada selección de variables a efectos de contar con un modelo optimizado y con el mejor valor predictivo posible.
- Series de Tiempo: Estos modelos tienen como especial característica que están diseñados para trabajar con la variable tiempo, no significa que un modelo tradicional de Regresión no pueda usarse, pero requerirá de adaptaciones mientras que un modelo de Series de Tiempo está hecho para eso. Si bien es cierto, estos modelos tienen implícitos en sus métodos altas complejidades matemáticas para el trabajo con el tiempo, siempre podrán ser ayudados a tener una mayor precisión si les aportamos más variables que ayuden al modelo a ‘entender’ mejor el comportamiento de la variable target a partir del tiempo y de otras variables complementarias involucradas. Por ejemplo en muchos modelos para forecast de ventas, junto a la variable tiempo, será importante evaluar que rol juegan variables como el IPC, tipo cambio dólar, UF, otras variables del mercado, otras variables internas de la empresa, entre otros.
A continuación unos breves ejemplos:
Serie de Tiempo: Este ejemplo utiliza un modelo Prophet y permite predecir el valor futuro de diferentes valores accionarios de empresas tales como: Google, Apple, Microsoft, entre otras.
Modelo de Regresión: Este ejemplo permite predecir el sueldo de developers según el país donde viven, su experiencia y nivel académico. En la zona superior izquierda permite elegir entre ver la predicción o ver una breve visualización de la data utilizada en el modelo.
Dashboard: Los Machine Learning necesitan de flujos de información para su funcionamiento. En este breve ejemplo encontramos una app que simula un dashboard con carga de datos en tiempo real.
Análisis de Datos: Python permite crear aplicaciones que automatizan el análisis y/o preparación de los datos. En este ejemplo se pueden obtener los primeros pasos, visualizando las dimensiones del dataset, los estadísticos generales y gráficas.
Es posible elegir entre varios dataset a cuál procesar, mediante el primer cuadro de selección.
En CAS Group Consulting encontrarás diferentes alternativas de cursos en Python para tu empresa, podremos conversar sobre los enfoques que buscas dar a la capacitación a efectos de maximizar los beneficios en tu equipo y organización. Te invitamos a conocer nuestros cursos.