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.
     
   • 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.
     Aquí, estamos subiendo el conjunto de datos Bank_Customers_Sample_Data para preprocesamiento.

2. Nombra el pipeline “Churn_Prediction_Data_Pipeline” y haz clic en Create Pipeline.
   

Se abrirá la interfaz del pipeline builder como se muestra en la captura de pantalla a continuación.

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. 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 de este conjunto de datos son “RowNumber”, “CustomerId” y “Surname” 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 del componente Data Cleaning.
   

2. Rellenar columnas del conjunto de datos con valores

   Usando el nodo Fill Columns en Data Cleaning, podemos rellenar fácilmente los valores de las columnas basándose en cierta condición. Podemos rellenar los valores nulos o no nulos según nuestros requisitos. Para las columnas “EstimatedSalary” y “Balance” estamos reemplazando los valores vacíos con un valor personalizado de “0”.
   

3. Filtrar datos

   Filtrar un conjunto de datos generalmente implica seleccionar un subconjunto de filas de un DataFrame que cumplan ciertos criterios o condiciones. Aquí estamos usando el nodo Filter de la sección Data Cleaning para filtrar todas las columnas “CreditScore”, “Geography”, “Gender”, “Age”, “Tenure” y “Exited” que tienen valores no vacíos usando el nodo Filter de la sección Data Cleaning.
   

4. Guardar y ejecutar

   Una vez que todos los nodos estén conectados, haz clic en el botón Save para guardar el pipeline. Luego haz clic en el botón Execute para ejecutar el pipeline.
   

Serás redirigido a la página a continuación, que muestra el pipeline ejecutado con el estado de ejecución. Podemos ver aquí que la ejecución del pipeline fue exitosa.

Haz clic en Execution Stats para acceder a más detalles sobre el uso de cómputo, como se muestra a continuación.

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.