---
title: "Crear un Pipeline de ML"
url: https://docs.catalyst.zoho.com/es/tutorials/cancer-detection/create-ml-pipeline/
description: "Crea y configura un pipeline de ML que puede usarse para predecir las probabilidades de ser afectado por cáncer de mama con el servicio Catalyst QuickML."
last_updated: 2026-11-04T10:10:44Z
service: All Services
type: tutorial
related_links:
  - name: "ML Algorithms in QuickML"
    url: /es/quickml/help/ml-algorithms/classification-algorithms
  - name: "Operations in QuickML"
    url: /es/quickml/help/operations-in-quickml/encoding
---

# Crear Pipeline de ML

En esta sección, construiremos un modelo de ML de predicción usando los conjuntos de datos preprocesados en la sección anterior. Los conjuntos de datos serán la entrada al [ML Pipeline Builder](https://docs.catalyst.zoho.com/es/quickml/help/pipeline-builder-interface/walkthrough/) que te permite definir la arquitectura del modelo y seleccionar una columna objetivo para la predicción.

Para crear un pipeline de ML:

1. Navega al componente **Pipelines** en el menú izquierdo y haz clic en **Create Pipeline**.
  ![create-ml-pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/create-ml-pipeline.webp) 

2. En la ventana emergente que aparece, selecciona **Prediction** como tipo de pipeline y proporciona el nombre del pipeline como "**Pipeline_B**" y elige el conjunto de datos de entrada como **Cancer_detection_A**. En nuestro caso, la columna objetivo debe ser "**diagnosis**". El nombre del modelo se completará automáticamente basado en el nombre del pipeline. Haz clic en **Create Pipeline**.
  ![ml-pipeline-name](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/ml-pipeline-name.webp)
  La opción `Retrain model when the datasset is updated` es para reentrenar el pipeline creado cada vez que se actualice el conjunto de datos, consulta este documento sobre [periodic-sync](https://docs.catalyst.zoho.com/es/quickml/help/periodic-sync/), mientras que la opción `Create an Auto-generated pipeline using AutoML` creará un pipeline de ML automáticamente, documento de referencia sobre [AutoML pipeline](https://docs.catalyst.zoho.com/es/quickml/help/periodic-sync/).

3. Se mostrará la página de detalles del pipeline, como se muestra en la captura de pantalla a continuación.
  ![ml-pipeline-interface](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/ml-pipeline-interface.webp)

  Ahora que hemos creado nuestro pipeline de ML, procederemos a configurar el pipeline definiendo los nodos en la interfaz del ML Pipeline Builder.

### Conversión de Tipo de Datos

Dado que nuestra columna objetivo "**diagnosis**" contiene datos categóricos de tipo **String**, la codificaremos para los estándares de entrenamiento de ML.

1. En el menú **Operations**, navega a **ML operations->Encoding->Label Encoder**. Arrastra y suelta el [nodo Label Encoder](https://docs.catalyst.zoho.com/es/quickml/help/operations-in-quickml/encoding/#label-encoding) en la interfaz del ML Pipeline Builder. La codificación de etiquetas solo puede aplicarse a la columna objetivo. Por lo tanto, se ejecuta automáticamente.
![ordinal-encoder](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/label-encoder.webp)

Esta operación convertirá los valores de la columna de tipo **String** a **Integer**, manteniendo el orden y preservando la precisión de los datos.

### Ajuste de Hiperparámetros

Para cualquier modelo de ML, es obligatorio implementar un algoritmo de ML con base en el cual el modelo será entrenado. En este tutorial, implementaremos el [algoritmo de clasificación logística](https://docs.catalyst.zoho.com/es/quickml/help/ml-algorithms/classification-algorithms/#logistic-regression) para configurar los parámetros de ajuste del modelo de ML y asegurar que esté optimizado para nuestro conjunto de datos preprocesado.

1. En el menú Operations, expande **ML operations->Algorithm->Classification->Logistic Regression**. Arrastra y suelta el nodo **Logistic Regression** en el Pipeline Builder. El nodo se conectará al nodo **Destination** automáticamente. Realiza una conexión con el **Label Encoder** y el nodo **Logistic Regression**.
![logistic-reg](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/logistic-reg.webp)

2. Para el nodo **Logistic Regression**, usaremos la configuración predeterminada y haremos clic en **Save**.
![logistic-reg](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/logistic-reg-save.webp)

  Ahora hemos completado las conexiones y configuraciones de nodos requeridas. Podemos proceder a ejecutar el pipeline haciendo clic en **Execute** para su posterior evaluación y despliegue.

  ![status-success](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/status-success.webp)

  Haz clic en **Execution Stats** para ver más detalles sobre cada etapa de la ejecución en detalle.

  ![pipelineb-stats](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/pipelineb-stats.webp)

  Tras la ejecución exitosa del Pipeline de ML, el modelo de predicción se crea y se mostrará en la sección **Models**.

  Puedes ver los detalles del modelo en la página de detalles de Models haciendo clic en el nombre del modelo.

  ![select-ml-pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/select-ml-pipeline.webp)

  Adicionalmente, la precisión del modelo generado puede evaluarse y visualizarse en la sección **Metrics** de la página de detalles de Models. Esto proporciona información valiosa sobre el rendimiento y la efectividad del modelo para hacer predicciones sobre los datos.

  ![metrics](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/metrics.webp)