Pipeline en Machine Learning#

En Machine Learning, un pipeline es una secuencia de pasos a seguir para preparar los datos y entrenar un modelo. El uso de pipelines es fundamental para garantizar la reproducibilidad, eficiencia y escalabilidad de nuestros proyectos de Machine Learning.

¿Qué es un Pipeline?

Un pipeline es una serie de procesos consecutivos que los datos atraviesan desde su forma cruda hasta la predicción final. Cada paso en un pipeline realiza una transformación específica y generalmente está compuesto por las siguientes etapas:

  1. Preprocesamiento de Datos

  2. Selección de Características

  3. Entrenamiento del Modelo

  4. Evaluación del Modelo

Beneficios de utilizar Pipelines:

  • Reproducibilidad: Cada paso en el pipeline es registrado, lo que permite reproducir exactamente el mismo flujo de trabajo.

  • Mantenimiento: Facilita la gestión y actualización de los procesos.

  • Escalabilidad: Permite aplicar el mismo pipeline a diferentes conjuntos de datos.

Ejemplo:#

import pandas as pd
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# Cargar el archivo CSV (ya lo hemos cargado y limpiado previamente)
credit_risk_data = pd.read_csv("credit_risk_data.csv")
credit_risk_data = credit_risk_data.drop(columns=["ID"])

# Dividir los datos en características (X) y etiqueta (y)
X = credit_risk_data.drop(columns=["Estado del Préstamo"])
y = credit_risk_data["Estado del Préstamo"]

# Dividir el conjunto de datos en entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=34)

# Crear un pipeline inicial con SVC
pipeline = make_pipeline(StandardScaler(), SVC(probability=True))

# Entrenar el pipeline
pipeline.fit(X_train, y_train)

# Evaluar la precisión inicial en el conjunto de prueba
y_pred = pipeline.predict(X_test)
initial_accuracy = accuracy_score(y_test, y_pred)
print(f"Initial SVC Test Accuracy: {initial_accuracy:.2f}")

Initial SVC Test Accuracy: 0.93

Actualización del Pipeline:

Puedes actualizar los parámetros del modelo directamente utilizando el método set_params del pipeline.

# Actualizar los parámetros del SVC dentro del pipeline
pipeline.set_params(svc__C=2.0, svc__kernel="rbf", svc__gamma=0.1)

# Reentrenar el pipeline con los nuevos parámetros
pipeline.fit(X_train, y_train)

# Evaluar la precisión después de actualizar los parámetros
y_pred = pipeline.predict(X_test)
updated_accuracy = accuracy_score(y_test, y_pred)
print(f"SVC actualizado Test Accuracy: {updated_accuracy:.2f}")

SVC actualizado Test Accuracy: 0.94