IA de bajo código

Capítulo 8. Mejorar el rendimiento de los modelos personalizados

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

En los Capítulos 6 y 7, aprendiste a preparar datos y construir modelos personalizados utilizando SQL, BigQuery ML y Python con scikit-learn y Keras. En este capítulo volverás a examinar esas herramientas con la vista puesta en la ingeniería de características adicionales y el ajuste de hiperparámetros. A diferencia de los capítulos anteriores, empezarás con datos preparados y un modelo ya entrenado, y trabajarás para mejorar a partir de ahí. Si te sientes confuso al explorar el código de los modelos construidos anteriormente o la interfaz de usuario de BigQuery, vuelve a consultar los debates de los Capítulos 6 y 7.

El caso de uso empresarial: Precios de subasta de coches usados

Tu objetivo en este proyecto será mejorar el rendimiento de un modelo ML entrenado para predecir el precio de subasta de los coches usados. El modelo inicial es un modelo de regresión lineal construido en scikit-learn y no cumple del todo tus objetivos empresariales. En última instancia, explorarás el uso de herramientas en scikit-learn, Keras y BigQuery ML para mejorar el rendimiento de tu modelo mediante ingeniería de características y ajuste de hiperparámetros.

El conjunto de datos utilizado para entrenar el modelo de regresión lineal se te ha proporcionado como archivos CSV. Estos conjuntos de datos se han limpiado (los ...