AutoML

Selecione uma opção na lista suspensa. As opções incluem todas as colunas presentes nos dados que você inseriu. O tipo de dados de cada coluna é exibido ao lado do nome.

A ferramenta AutoML seleciona automaticamente o melhor método de machine learning com base na variável-alvo selecionada. Os métodos de machine learning disponíveis são regressão e classificação. Você também tem a opção de selecionar manualmente qual método utilizar.

O método de regressão resolve problemas cujo objetivo é encontrar uma linha de tendência nos dados, como prever o crescimento do PIB. Você também pode usar algoritmos de regressão para descrever associações entre eventos. Por exemplo, você pode usar esse método para descobrir se as vendas de uma empresa sobem em relação ao número de vendedores contratados.

O método de classificação resolve problemas cujo objetivo é descobrir a que categoria um dado pertence, como prever de que espécie é uma flor. Os problemas de classificação são binários, com duas categorias, ou multiclasse, com mais de duas categorias. Muitas vezes, algoritmos diferentes são usados para resolver cada tipo de problema de classificação.

Selecione uma função-objetivo para otimizar o desempenho do modelo. No menu suspenso, selecione para qual medida você deseja que a ferramenta otimize o modelo.

A função-objetivo é o que você deseja usar para determinar o ranking dos modelos que a ferramenta avalia. Funções-objetivo são medidas que você pode usar para determinar o quão adequado um modelo é para seu caso de uso.

Selecione os tipos de algoritmos que você deseja avaliar como parte do processo de modelagem automática. Você pode selecionar mais de uma opção. Quanto mais tipos você seleciona, mais tempo o fluxo de trabalho leva para ser executado. Marque a caixa ao lado de cada algoritmo que deseja avaliar.

Floresta aleatória : esses algoritmos treinam modelos usando os resultados de um conjunto de árvores de decisão geradas aleatoriamente. O algoritmo tem melhor desempenho ao modelar associações não lineares entre classes. Esse método ajuda a evitar problemas de sobreajuste e subajuste, mas é computacionalmente caro.

XGBoost : esses algoritmos treinam modelos usando os resultados de um conjunto de árvores de decisão geradas aleatoriamente. Como resultado da capacidade de boosting desse algoritmo — um método pelo qual as árvores de decisão otimizam umas às outras —, ele é menos suscetível a sobreajuste e subajuste. O algoritmo XGBoost é mais útil quando você deseja usar muitos recursos diferentes para treinar o modelo.

Linear : esses algoritmos treinam o modelo traçando linhas através dos dados e encontrando o melhor ajuste ou dividindo-os em grupos. Esses algoritmos apresentam melhor desempenho ao modelar associações lineares ou tendências. Eles são computacionalmente eficientes, mas estão sujeitos a subajuste.

CatBoost : esse algoritmo treina um modelo usando os resultados de um conjunto de árvores de decisão. Esse algoritmo usa métodos de boosting similares ao XGBoost, mas tende a ser ainda menos propenso a sobreajuste. Em termos computacionais, o algoritmo é ainda mais caro que o XGBoost.

Insira o número de pipelines que você deseja que a ferramenta AutoML construa, usando os algoritmos escolhidos, e avalie, com base na função-objetivo. Podem ser avaliados de 1 a 50 pipelines.

Para habilitar as verificações de dados, marque a caixa nesta seção. Usamos as verificações de dados padrão do EvalML .