Correr modelos

[loskuri]

• [ ] Definir 4 conjuntos de variables : 1) Todas las variables , 2) Todas las variables con menos de 5% y probar con 10% de nulls, 3)Variables elegidas "Segun la literatura", 4)Usar las 5 variables mas importantes
• [x] RandomGridSearch() para elegir los hiperparams
• [x] Exportar grilla, instancias del modelo y metricas EN CADA ITERACION DE LA GRILLA!
• [x] Modelos:
  • [x] Regresion lineal Todo multple → No robusta
  • [x] Lasso (Regresion penalizada por cantidad variables)
  • [x] Elasticnet
  • [x] Regresion Trees
  • [x] Random Forest
  • [x] Bagging
  • [x] XGBoost
  • [x] LigthGBM
  • [x] Red neuronal → No robusta
  • [x] KNN pa mostrar que da pesimo → No robusta
  • [x] XGBoost Quantile
  • [x] Lasso Quantile Regression

CREAR FUNCIONES POR EJEMPLO:

def modelo_lasso(df, vars, params):
   # Corre el lasso, no elige hyperparametros. SIrve para entrenar un modelo solo.
   metrics = calcula_metricas(df[y], model)
   # Guardar params y metrics

   return model, metrics

def correr_lasso(df, vars): 
   grilla = ...
   model = modelo_lasso(df, vars, params=grilla):
   return metrics, model

Metrics son las métricas que vamos a usar (MSE) y model es el modelo entrenado para poder reutilizarlo.