Lección 6 del curso PyTorch Nivel Básico.
En la lección anterior vimos en detalle cómo usar PyTorch para crear, entrenar, validar y generar predicciones con una Red Neuronal para una tarea de clasificación.
Y esto nos permitió entender la lógica que usualmente tendremos que implementar para poder construir prácticamente cualquier tipo de modelo de Deep Learning, sin importar su complejidad.
Así que en esta lección usaremos esta misma lógica, con algunas modificaciones, para crear una Red Neuronal para una tarea de regresión, en donde intentaremos predecir la tasa de interés de un préstamo otorgado por una entidad bancaria con base en información relacionada con el perfil del cliente (como por ejemplo la edad, el nivel de ingresos y el número de años de experiencia laboral, entre otras).
Comencemos viendo en detalle las características del set de datos y cómo realizar su pre-procesamiento:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
En este caso se trata de un set de datos tabular (en formato CSV) que podemos leer con Pandas. Lo importante en este caso es tener en cuenta que las variables predictoras (es decir los datos de entrada a la Red Neuronal) pueden ser tanto numéricas como categóricas.
En el caso de las variables categóricas vimos cómo codificarlas numéricamente (usando codificación ordinal y codificación one-hot).
Además, vimos cómo transformar las variables numéricas (usando la función «MinMaxScaler» de Scikit-Learn) para garantizar que todas tendrán la misma escala (entre 0 y 1), un paso necesario antes de alimentar la Red Neuronal.
Después de esto implementamos el «Dataset» de PyTorch y en este punto ya estamos listos para construir la Red Neuronal. Veamos en detalle cómo hacerlo:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
En este caso de la regresión vimos que, a diferencia de la clasificación, la Red Neuronal calcula directamente a la salida los valores a predecir (sin necesidad de realizar alguna operación adicional). Adicionalmente, la pérdida a usar en este caso es el error cuadrático medio (o MSE por sus siglas en Inglés), del cual hablo en detalle en la lección la Regresión Lineal del curso Fundamentos de Deep Learning con Python.
Al introducir estos cambios y seguir la misma lógica que vimos en la lección anterior, pudimos entrenar y validar el modelo.
Y una vez realizada la validación, el paso restante consiste en generar predicciones con este modelo entrenado, para lo cual hicimos uso precisamente del set de prueba (es decir, los datos que hasta el momento no ha visto el modelo).
Y con este ejemplo ya hemos visto paso a paso como crear, entrenar, validar y generar predicciones con una Red Neuronal en PyTorch para una tarea de regresión.
Así que en la próxima lección, la última de este curso, veremos cómo almacenar y cargar un modelo de PyTorch previamente entrenado para generar predicciones sobre datos nuevos.
Todas las lecciones del curso PyTorch Nivel Básico