# Predicción del precio de autos -------------------------------------------------------------------------------- title: "Introducción" description: "Crea un poderoso pipeline de ML que puede usarse para predecir el precio de un auto usando el servicio Catalyst QuickML." last_updated: "2026-09-02T11:24:56.706Z" source: "https://docs.catalyst.zoho.com/es/tutorials/car-price-prediction/introduction/" service: "All Services" -------------------------------------------------------------------------------- # Car Price Prediction ## Introducción En este tutorial, te guiaremos a través del proceso de construcción de un poderoso modelo de machine learning usando Catalyst QuickML para predecir precios de autos. Nota: QuickML actualmente no está disponible para usuarios que acceden desde el centro de datos de CA (Canadá). Si tu cuenta fue creada en el DC de CA (accounts.zohocloud.ca/), no podrás utilizar este servicio. Primero preprocesaremos los conjuntos de datos para asegurarnos de que estén limpios y preparados para el entrenamiento. A continuación se construirá un pipeline de datos para manejar la transformación de datos, y se construirá un pipeline de ML para entrenar y probar el modelo. Finalmente, proporcionaremos un endpoint para el modelo entrenado que permite la interacción con aplicaciones externas y proporciona predicciones de precios de autos. La razón para construir dos pipelines es porque podemos reutilizar el pipeline de datos para construir cualquier cantidad de pipelines de ML en el futuro. El modelo de ML Car Price Prediction está construido usando el siguiente servicio de Catalyst: **Catalyst QuickML** : Usando este servicio, primero preprocesaremos el conjunto de datos de ejemplo implementando operaciones de nodos sobre ellos y construyendo el pipeline de datos. Estos datos preprocesados se usarán para crear un modelo de ML ejecutando algoritmos de ML. Finalmente, el modelo de ML Car Price Prediction puede ser accedido por aplicaciones externas usando la URL del endpoint generada en QuickML. La salida final, después de crear todos los pipelines de datos y ML requeridos en la consola de Catalyst, se verá así: -------------------------------------------------------------------------------- title: "Requisitos Previos" description: "Crea un poderoso pipeline de ML que puede usarse para predecir el precio de un auto usando el servicio Catalyst QuickML." last_updated: "2026-09-02T11:24:56.706Z" source: "https://docs.catalyst.zoho.com/es/tutorials/car-price-prediction/prerequisites/" service: "All Services" related: - Machine Learning Algorithms (/es/quickml/help/ml-algorithms/classification-algorithms/) -------------------------------------------------------------------------------- # Requisitos Previos Dado que este tutorial solo involucra Catalyst QuickML, trabajaremos completamente en la consola de Catalyst para construir pipelines de datos y pipelines de ML, crear modelos de ML y entrenar los modelos para predecir resultados. Antes de comenzar a trabajar en este tutorial, descarga los siguientes conjuntos de datos: - Car_Price_1 - Car_Price_2 Este tutorial tiene como objetivo implementar operaciones de limpieza, refinamiento y preprocesamiento en los conjuntos de datos, y luego usarlos para entrenar modelos de ML. Subiremos el conjunto de datos a Catalyst QuickML en las secciones posteriores de este tutorial. -------------------------------------------------------------------------------- title: "Crear un proyecto" description: "Crea un poderoso pipeline de ML que puede usarse para predecir el precio de un auto usando el servicio Catalyst QuickML." last_updated: "2026-09-02T11:24:56.706Z" source: "https://docs.catalyst.zoho.com/es/tutorials/car-price-prediction/create-a-project/" service: "All Services" related: - Catalyst Projects (/es/getting-started/catalyst-projects) -------------------------------------------------------------------------------- # Crear un Proyecto Vamos a crear un proyecto de Catalyst desde la consola de Catalyst. 1. Inicia sesión en la consola de Catalyst y haz clic en Create a new Project. <br /> 2. Ingresa el nombre del proyecto como "**CarPricePrediction**" (o el nombre que desees darle al proyecto) en la ventana emergente que aparece. <br /> 3. Haz clic en Create. Tu proyecto será creado y abierto automáticamente. Para acceder a tu proyecto más tarde, simplemente haz clic en el botón Access Project. <br /> -------------------------------------------------------------------------------- title: "Subir el conjunto de datos" description: "Crea un poderoso pipeline de ML que puede usarse para predecir el precio de un auto usando el servicio Catalyst QuickML." last_updated: "2026-09-02T11:24:56.706Z" source: "https://docs.catalyst.zoho.com/es/tutorials/car-price-prediction/upload-dataset/" service: "All Services" related: - Create Your First pipeline (/es/quickml/help/create-ml-pipeline) -------------------------------------------------------------------------------- # Subir el Conjunto de Datos Comencemos subiendo el conjunto de datos en Catalyst QuickML usando los conectores de conjuntos de datos disponibles. 1. Navega al servicio QuickML en la consola de Catalyst y haz clic en Start Exploring. <br /> 2. Navega al componente Datasets y haz clic en Import Dataset. <br /> 3. Se mostrará una ventana emergente de Import Dataset. En el paso **Data Sources**, navega a File Upload y haz clic en Upload File. <br /> Sube el conjunto de datos **Car_Price_1** seguido del conjunto de datos **Car_Price_2** que descargaste anteriormente. Podemos tener el Quotes Type como "**Double Quotes(")**" y Escape Character como "**Backslash(\)**" y hacer clic en Next. <br /> El nombre del conjunto de datos se completará automáticamente basado en el archivo subido. Puedes editarlo si es necesario y hacer clic en Upload. <br /> El conjunto de datos se ha subido exitosamente. <br /> El conjunto de datos se mostrará en la sección **All Datasets**. Puedes hacer clic en el nombre del conjunto de datos para ver sus detalles. En la página de **Details** del conjunto de datos, puedes ver el perfilado, vista previa de datos y gráfico de visualización del conjunto de datos. Los detalles del conjunto de datos y su perfil se pueden ver en la captura de pantalla a continuación. <br /> -------------------------------------------------------------------------------- title: "Crear un pipeline de datos" description: "Crea un poderoso pipeline de ML que puede usarse para predecir el precio de un auto usando el servicio Catalyst QuickML." last_updated: "2026-09-02T11:24:56.707Z" source: "https://docs.catalyst.zoho.com/es/tutorials/car-price-prediction/create-data-pipeline/" service: "All Services" related: - Data Cleaning (/es/quickml/help/data-preprocessing/data-cleaning) - Data Transformation (/es/quickml/help/data-preprocessing/data-transformation) - Data Profiler and Viewer (/es/quickml/help/data-profiler-and-viewer/) -------------------------------------------------------------------------------- # Crear un pipeline de datos Ahora que hemos subido el conjunto de datos, procederemos a crear un pipeline de datos con el conjunto de datos. 1. Navega al componente **Datasets** en el menú izquierdo. Hay dos formas de crear un pipeline de datos: - Puedes hacer clic en el conjunto de datos y luego hacer clic en Create Pipeline en la esquina superior derecha de la página. <br /> - Puedes hacer clic en el icono de lápiz ubicado a la izquierda del nombre del conjunto de datos, como se muestra en la imagen a continuación. <br /> Aquí, estamos subiendo el conjunto de datos **Car_price_1** para preprocesamiento. **Car_Price_2** se agregará a este conjunto de datos en los próximos pasos de preprocesamiento. 2. Nombra el pipeline "**Car Price Prediction Data Pipeline**" y haz clic en Create Pipeline. <br /> Se abrirá la interfaz del pipeline builder como se muestra en la captura de pantalla a continuación. <br /> Realizaremos el siguiente conjunto de operaciones de preprocesamiento de datos para limpiar, refinar y transformar los conjuntos de datos, y luego ejecutaremos el pipeline de datos. Cada una de estas operaciones involucra nodos de datos individuales que se usan para construir el pipeline. ### Preprocesamiento de datos con QuickML 1. #### Combinar dos conjuntos de datos Con la ayuda del [nodo](/es/quickml/help/data-preprocessing/data-extraction/#add-dataset) Add Dataset en QuickML, podemos agregar un nuevo conjunto de datos (ten en cuenta que primero debes subir el conjunto de datos que deseas agregar). Aquí, estamos agregando el conjunto de datos **Car_Price_2** para fusionarlo con el conjunto de datos existente. <br /> Usa el [nodo](/es/quickml/help/data-preprocessing/data-transformation/#union) Union en la interfaz de arrastrar y soltar de QuickML desde **Data Transformation > Union** para combinar los dos conjuntos de datos proporcionados, Car_Price_1 y Car_Price_2, en un único conjunto de datos. Si existen registros duplicados en cualquiera de los conjuntos de datos, asegúrate de marcar la casilla etiquetada "**Drop Duplicate Records**" al realizar la operación. Esto eliminará los registros duplicados de ambos conjuntos de datos. <br /> 2. #### Seleccionar/eliminar columnas Seleccionar o eliminar columnas de un conjunto de datos es un paso común de preprocesamiento de datos en análisis de datos y machine learning. La elección de seleccionar o eliminar columnas depende de los objetivos y requisitos específicos de tu tarea de análisis o modelado. Las columnas que no necesitamos para el entrenamiento de nuestro modelo son "**MPG,**" "**Convenience,**" "**Exterior,**" "**Clean title,**" "**Currency,**" y "**Name**" en los conjuntos de datos proporcionados. Usando QuickML, puedes seleccionar rápidamente los campos necesarios del conjunto de datos para el entrenamiento del modelo usando el nodo Select/Drop de la sección Data Cleaning. <br /> 3. #### Filtrar conjunto de datos Filtrar un conjunto de datos generalmente implica seleccionar un subconjunto de filas de un DataFrame que cumplan ciertos criterios o condiciones. Aquí, estamos filtrando las columnas "**Drivetrain**", "**Fuel Type**", "**Engine**", "**Transmission**" y "**Safety**" que tienen valores **no vacíos** usando el [nodo](/es/quickml/help/data-preprocessing/data-cleaning/#filter) Filter de la sección Data Cleaning. <br /> 4. #### Rellenar columnas del conjunto de datos con valores Usando el [nodo](/es/quickml/help/data-preprocessing/data-cleaning/#fill-columns) Fill Columns en QuickML, podemos rellenar fácilmente los valores de las columnas basándose en cierta condición. Podemos rellenar los valores nulos o no nulos según nuestros requisitos. Aquí, estamos rellenando la columna "**new&used**" con el valor personalizado "**Used**" para cualquier entrada en la columna que no esté etiquetada como "**New**". Para las columnas "**Accidents or damage**", "**1-owner vehicle**" y "**Personal use only**", estamos reemplazando los valores vacíos con un valor personalizado "**Not mentioned**". <br /> 5. #### Guardar y ejecutar Ahora conecta el nodo Fill Columns al nodo **Destination**. Una vez que todos los nodos estén conectados, haz clic en Save para guardar el pipeline y luego haz clic en Execute para ejecutar el pipeline. <!-- <br /> --> Te redirigirá a una página que mostrará el pipeline ejecutado con el estado de ejecución. <br /> Haz clic en Execution Stats para ver más detalles sobre cada etapa de la ejecución en detalle. <br /> En esta parte, hemos visto cómo procesar datos usando QuickML, dándote una variedad de formas efectivas de preparar tus datos para la creación de modelos de machine learning. Este pipeline de datos puede reutilizarse para crear múltiples experimentos de ML para diversos casos de uso dentro de tu proyecto de Catalyst. -------------------------------------------------------------------------------- title: "Crear un Pipeline de ML" description: "Crea un poderoso pipeline de ML que puede usarse para predecir el precio de un auto usando el servicio Catalyst QuickML." last_updated: "2026-09-02T11:24:56.707Z" source: "https://docs.catalyst.zoho.com/es/tutorials/car-price-prediction/create-ml-pipeline/" service: "All Services" related: - ML Algorithms in QuickML (/es/quickml/help/ml-algorithms/classification-algorithms) - Operations in QuickML (/es/quickml/help/operations-in-quickml/encoding) -------------------------------------------------------------------------------- # Crear un pipeline de ML Para construir el modelo de predicción, usaremos el conjunto de datos preprocesado en el ML Pipeline Builder. El paso inicial en el ML Pipeline Builder implica seleccionar la **columna objetivo**, que es la columna que estamos tratando de predecir. Para crear un pipeline de ML, primero navega a la sección **Pipelines** y haz clic en Create Pipeline. <br /> En la ventana emergente que aparece, selecciona **Prediction** como tipo de pipeline y proporciona un nombre (aquí, usamos **Car Price Model**) para el pipeline y especifica el nombre del modelo. Luego, selecciona el conjunto de datos apropiado y el nombre de la columna objetivo. En este caso, nuestro objetivo es la columna llamada "**money**". <br /> Al seleccionar el conjunto de datos, necesitamos seleccionar el conjunto de datos fuente que elegimos para construir el pipeline de datos, ya que los datos preprocesados se reflejan en el conjunto de datos fuente. En nuestro caso, importaremos el conjunto de datos Car_Price_1, ya que seleccionamos este conjunto de datos para preprocesar y limpiar los datos. ### Codificación de columnas categóricas Los codificadores se usan en varias tareas de preprocesamiento de datos y machine learning para convertir datos categóricos o no numéricos en un formato numérico con el que los algoritmos de machine learning puedan trabajar de forma efectiva. Aquí, estamos usando Ordinal Encoding para codificar todas las características categóricas. Asigna números enteros a las categorías basándose en su orden, lo que permite a los algoritmos de machine learning capturar la naturaleza ordinal de los datos. Podemos usar el nodo Ordinal Encoder desde **ML Operations > Encoding > Ordinal Encoder** en QuickML para convertir las columnas categóricas en columnas numéricas. Aquí, estamos convirtiendo **todas las columnas categóricas** a formato numérico manteniendo el orden original y los datos de las columnas para el entrenamiento del modelo. <br /> ### Imputadores Los imputadores se usan en varios campos, como el análisis de datos, estadística y machine learning para manejar datos faltantes o incompletos. Aquí, estamos usando el imputador Group By desde **ML operations > Imputers > Group-By Imputer** para imputar los valores faltantes en el conjunto de datos. La imputación Group By se refiere a una técnica de imputación de datos donde los valores faltantes se rellenan basándose en alguna agrupación o categorización de columnas seleccionadas. Si podemos decir que una columna particular puede ser imputada considerando otro conjunto de valores de columnas, podemos usar esta técnica de imputación. Aquí, las columnas con valores faltantes son "**Mileage**", "**Exterior Color**", "**Interior Color**" y "**Seating**". Hemos agrupado las columnas "**brand**", "**Year**" y "**Model**" para rellenar los valores faltantes. <br /> ### Ingeniería de Características El acto de desarrollar nuevas características (variables) a partir de datos ya existentes se denomina Feature Generation. Estas características adicionales pueden utilizarse para mejorar la funcionalidad de un modelo de machine learning o para obtener más información sobre los datos subyacentes. Una parte crucial del pipeline de preprocesamiento de datos es la generación de características, que puede ayudar a transformar datos sin procesar en algo más adecuado para el modelado y extraer información útil de ellos. Aquí, hemos usado la técnica de generación de características "**Autolearn**" para generar las características. Este método genera características a partir de las columnas existentes. Podemos seleccionar este nodo desde **ML Operations > Feature Engineering > Feature Generation > Autolearn**. <br /> ### Selección de algoritmo y ajuste del modelo El siguiente paso en la construcción del pipeline de ML es seleccionar el algoritmo apropiado para entrenar los datos preprocesados. Aquí, usaremos el algoritmo LightGBM Regressor para entrenar los datos. LightGBM (Light Gradient Boosting Machine) es un framework popular de gradient boosting usado para varias tareas de machine learning, incluyendo problemas de regresión. Es conocido por su eficiencia y velocidad en el entrenamiento, lo que lo convierte en una opción popular para conjuntos de datos grandes. Podemos construir rápidamente el método LightGBM Regression en el ML Pipeline Builder de QuickML arrastrando y soltando el nodo relevante **LightGBM Regression** desde **ML Operations > Algorithm > Regression > LGBM Regression**. Para asegurarnos de que el modelo esté optimizado para nuestro conjunto de datos particular, también podemos ajustar los parámetros de ajuste. En nuestro caso, podemos simplemente mantener la configuración predeterminada. Cuando todo esté configurado, podemos guardar el pipeline para pruebas y despliegue posteriores. <br /> Una vez que arrastramos y soltamos el nodo del algoritmo, su nodo final se conectará automáticamente al nodo de destino. Una vez que el pipeline esté guardado, puedes ejecutar el pipeline haciendo clic en Execute en la esquina superior derecha de la página del pipeline. Esto te redirigirá a la página de **ejecución**, donde podrás ver la ejecución del pipeline. <br /> Haz clic en Execution Stats para ver más detalles sobre cada etapa de la ejecución del pipeline de ML en detalle. <br /> El modelo de predicción se crea y puede examinarse en la sección Model (haz clic en **Car Price Model model**) tras la ejecución exitosa del flujo de trabajo de ML. <br /> Las métricas a continuación ofrecen percepciones útiles sobre la eficiencia y el rendimiento del modelo al hacer predicciones basadas en los datos. <br /> -------------------------------------------------------------------------------- title: "Crear un Endpoint" description: "Crea un poderoso pipeline de ML que puede usarse para predecir el precio de un auto usando el servicio Catalyst QuickML." last_updated: "2026-09-02T11:24:56.708Z" source: "https://docs.catalyst.zoho.com/es/tutorials/car-price-prediction/create-endpoint/" service: "All Services" related: - Pipeline Endpoints (/es/quickml/help/pipeline-endpoints) -------------------------------------------------------------------------------- # Crear un endpoint Ahora crearemos un endpoint para el modelo de predicción anterior para permitir que las aplicaciones externas interactúen con el modelo de forma fluida y obtengan predicciones. 1. Navega al componente **Endpoints** en el menú izquierdo y haz clic en Create Endpoint. <br /> 2. Nombra el endpoint como "**Car Price Prediction**", elige el modelo como **Car Price Model model**, el modelo de ML que creamos en el paso anterior, y haz clic en Create Endpoint. <br /> 3. En la página de detalles del endpoint, puedes probar el modelo proporcionando una solicitud de ejemplo en la columna Request y hacer clic en Predict. Esto generará el valor predicho en la columna Response. <br /> 4. Haz clic en Publish y usa la URL del endpoint para integrar el modelo de ML con cualquier otra aplicación. <br /> Nota: También puedes consultar este documento para implementar autenticación de pipeline y asegurar el acceso seguro a endpoints, los modelos de ML y los conjuntos de datos.