Taller Aplicado MODELO DE SISTEMA DE RECOMENDACIÓN

Entendimiento del negocio

• Entendimiento del problema
• Objetivo del negocio

Entendimiento de los datos

• Definición de la variable “target”
• Elección y definición del horizonte temporal (ventana de análisis)
• Criterios de inclusión y exclusión de información

Preparación de los datos

• Exploración de variables (estadíticas, visualización)
• Imputación de variables (missing)
• Limpieza de variables (outliers, distribución de los datos)
• Creación de nuevas variables (Feature Engineering)
• Transformación de variables (Feature Engineering: labelenconder, onehotencoder)
• Scaling de variables (min-maxscaler, robustscaler,etc)
• Análisis variables vs target (visualización)
• Correlación de variables
• Selección de variables (técnicas paramétricas, técnicas de machine learning)

Modelado

• Partición de los datos (train-test)
• Balanceo de los datos (Oversampling, undersampling, smote, etc.)
• Aplicación de algoritmos (regresión lineal, logística, regularizaciones, decision tree, randomforest, gbm, lightgbm, etc)
• GridSearch de hiperparámetros (tuning de modelos)
• Ensamble de modelos (voting, stacking, etc)
• Validación cruzada