No-code ML-Lab

Table of Content

Table of Content

Table of Content

Prueba y repite: crea y ejecuta nuevas sesiones

Para crear una nueva sesión sigue estos pasos:

🟡 Paso 1: Describe tu sesión

En esta pantalla defines el nombre y una descripción para la sesión que vas a ejecutar. Esto te ayudará a identificar fácilmente cada intento o variante de entrenamiento que realices dentro del mismo modelo.

📌 Ejemplo:

  • Nombre: Consumo energía

  • Descripción: Predicción con redes neuronales

🟡 Paso 2: Selecciona el algoritmo

En cada sesión puedes modificar el algoritmo escogido al crear el entrenamiento para realizar pruebas y comparar resultados.

🟡 Paso 3: Configura y ejecuta el entrenamiento

Una vez creada la sesión, puedes configurarla según el modelo escogido:

  • Configuración: define las variables de entrada y salida, el tamaño del conjunto de prueba y parámetros aleatorios. Puedes revisar los gráficos del preanálisis para comparar la distribución de variables escogidas.

  • Hiperparámetros: ajusta manualmente las variables específicas del algoritmo si deseas afinarlo.

  • Ejecutar entrenamiento: haz clic en el botón “Iniciar” para entrenar el modelo.

Tras completarse el proceso, verás el mensaje de éxito.

🟡 Paso 4: Analiza el resultado

Una vez que el entrenamiento se ha ejecutado correctamente, el modelo está listo para ser evaluado. En esta etapa:

📊 Analiza las métricas de la sesión

Al seleccionar “Ver métricas”, accedes a un resumen cuantitativo del rendimiento del modelo. Estas métricas varían según el tipo de modelo:

  • Para clasificación, verás precisión, recall, F1-score, matriz de confusión, entre otras.

  • Para regresión, se muestran errores medios (MAE, MSE), R², etc.

  • Para clustering, se presentan métricas de cohesión y separación entre grupos, como el índice de Silhouette.

✅ Realiza inferencias

Haz clic en el botón “Realizar inferencia” para aplicar el modelo entrenado sobre nuevos datos. Esto te permite obtener predicciones con el modelo actual. Las inferencias pueden visualizarse y compararse con los datos reales cuando están disponibles.

Este enfoque por sesiones permite iterar fácilmente con distintas configuraciones y comparar resultados, facilitando el proceso de ajuste y validación del modelo.