Este repositorio contiene herramientas para realizar modelos de machine learning.
Para instalar las dependencias necesarias, ejecute:
pip install git+https://github.com/pabloojavier/MLToolKitPara utilizar las herramientas se deben configurar unos parámetros, por ejemplo, para utilizar la librería dentro de databricks se debe configurar el parámetro databricks en True. Además, se debe especificar la ruta completa donde se creará el experimento de mlflow para descargar los archivos. A continuación se muestra un ejemplo de configuración en databricks:
features = ['feature_1','feature_2','feature_3','feature_4']
parametros = {
'xgboost_params' : {"random_state": 42, "max_depth": 2},
'experiment_name' : "test",
'nombre_reporte' : 'local_test',
'databricks' : False,
'target_name' : 'target',
'periodo_id' : 'event_time',
'cliente_id' : 'cliente_id',
'features' : features,
'threshold_low_variabilty' : 0.95,
'fill_na' : -9e8,
'threshold_correlation' : 0.5,
'correlation_metric' : 'aucpr', # Opciones: iv,ks,roc,aucpr
'training_period' : pd.date_range('2022-01-01', '2022-08-01', freq='MS'),
}
from MLToolKit.feature_analysis import FeatureAnalysis
fa = FeatureAnalysis(df,parametros)
fa.univariado()
fa.estabilidad()
fa.correlacion_por_metrica()
fa.consolidar_analisis()
fa.save_files()- xgboost_params: Diccionario con los parámetros del modelo xgboost para análisis univariado.
- experiment_name: En caso de utilizar mlflow, se debe especificar el nombre del experimento. Recomiendo usar la ruta completa a la carpeta de trabajo.
- nombre_reporte: Nombre de los reportes que se crearán.
- databricks: Booleano que indica si se está trabajando en databricks o no.
- target_name: Nombre de la marca de desempeño. En caso de no tener, se puede agregar una columna al dataframe con valores constantes.
- periodo_id: Nombre de la columna que contiene la fecha de los datos. Recomiendo que sea en formato string yyyy-mm-dd.
- cliente_id: Nombre de la columna que contiene el id del cliente.
- features: Lista con los nombres de las variables a analizar.
- threshold_low_variabilty: Umbral para eliminar variables con baja variabilidad.
- fill_na: Valor con el que se reemplazarán los valores nulos. Recomiendo que el dataframe contenga nulos, en los análisis correspondientes se reemplazarán por este valor.
- threshold_correlation: Umbral para eliminar variables con alta correlación familiar.
- correlation_metric: Métrica para escoger que variable seleccionar en caso de tener alta correlación. Opciones: iv,ks,roc,aucpr.
- training_period: Rango de entrenamiento para el CSI estático. En caso de no tener, especificar
None.
Las contribuciones son bienvenidas. Por favor, siga los siguientes pasos:
- Haga un clon del repositorio.
- Cree una nueva rama (
git checkout -b feature/nueva-funcionalidad). - Realice sus cambios y haga commit (
git commit -am 'Añadir nueva funcionalidad'). - Haga push a la rama (
git push origin feature/nueva-funcionalidad). - Cree un Pull Request.
Este proyecto está licenciado bajo la Licencia MIT. Consulte el archivo LICENSE para más detalles.