Icon

BruteforcingVSBayesian

!!! Dobbiamo creare una tabella con evidenzadelle variabili selezionate dal miglior modello!!! Dobbiamo creare costo dei modelli per poternescegliere uno - Il predictor del miglior modello va, perforza,inserirto a mano- Il miglior modello va, per forza, esportato daimetanodi con specifica porta (quadrato grigio) daconfigurare a mano Il rating model funziona con un modello generico, utilizzo per semeplicità (e anche perchésarà lui il migliore <3) XBGoostL'idea applicativa è la seguente.1. banca ha società X e vuole sapere che classe di rischio assegnarle2. banca da società x in pasto a XGBoost il che significa che XGBoost trainato su questodataset deve applicare quanto già sa alla società X3. XGBoost restituirà una probabilità di fallimento alla società X4. inserisci società X nella classe "N" in fuinzione della PdDunque, il nostro drago XGBoost pazzo malato deve essere lo stesso che troviamo in Modelwith validation. Ergo in Models with validation ho bisogno di avere una porta output di tipomodello, in modo tale che wrt nodo di rating:- input (1) modello già allenato - input (2) dataset (Nel dataset puoi avere sia una società che un insieme di società)- nodo di XGBoost predictor che prende il modello da input 1 e il dataset da input 2 (non hapiù senso parlare di training e testing perché ora il modello deve effettivamente predire nelmondo reale, nel quale purtoppo l'unica certezza è l'incertezza)Le variabili selezionate sono ovviamente quelle di XGBoost trainato in "Models withValidation" esportate automaticamente nella porta quadrata grigia. ATTENZIONE: la porta di output di "Models with validation" è specifica per XGBoost.Qualora dovessimo scegliere un altro modello bisogna riconfigurare la porta diuscita di tutti i metanodi. Stesso discorso per la porta di input di "Rating Model" Node 47dataset for training, validation and testingthe modelNode 3Node 84Node 87Node 118- C4.5- Random forest- Ensemble Tree learner- MLP ANN- Gradient Boosting- XGBoost - Without Regularization- With Lasso RegularizationEvaluates allmodels performancesAll models comparisonIN 1: Best Model ChosenIN 2: Dataset to predictDataset to be predictedNode 127Node 3Node 129Node 130Node 132Node 133Node 134 attr cleaning CSV Reader String To Number Number To String General DataPreparation Bivariate Analysis Tree-Based Models Logistic Regression Concatenate InteractiveTable (local) Rating Model CSV Reader attr cleaning String To Number Number To String General DataPreparation Feature selectedby best model Threshold tominimize total cost Data_Understanding !!! Dobbiamo creare una tabella con evidenzadelle variabili selezionate dal miglior modello!!! Dobbiamo creare costo dei modelli per poternescegliere uno - Il predictor del miglior modello va, perforza,inserirto a mano- Il miglior modello va, per forza, esportato daimetanodi con specifica porta (quadrato grigio) daconfigurare a mano Il rating model funziona con un modello generico, utilizzo per semeplicità (e anche perchésarà lui il migliore <3) XBGoostL'idea applicativa è la seguente.1. banca ha società X e vuole sapere che classe di rischio assegnarle2. banca da società x in pasto a XGBoost il che significa che XGBoost trainato su questodataset deve applicare quanto già sa alla società X3. XGBoost restituirà una probabilità di fallimento alla società X4. inserisci società X nella classe "N" in fuinzione della PdDunque, il nostro drago XGBoost pazzo malato deve essere lo stesso che troviamo in Modelwith validation. Ergo in Models with validation ho bisogno di avere una porta output di tipomodello, in modo tale che wrt nodo di rating:- input (1) modello già allenato - input (2) dataset (Nel dataset puoi avere sia una società che un insieme di società)- nodo di XGBoost predictor che prende il modello da input 1 e il dataset da input 2 (non hapiù senso parlare di training e testing perché ora il modello deve effettivamente predire nelmondo reale, nel quale purtoppo l'unica certezza è l'incertezza)Le variabili selezionate sono ovviamente quelle di XGBoost trainato in "Models withValidation" esportate automaticamente nella porta quadrata grigia. ATTENZIONE: la porta di output di "Models with validation" è specifica per XGBoost.Qualora dovessimo scegliere un altro modello bisogna riconfigurare la porta diuscita di tutti i metanodi. Stesso discorso per la porta di input di "Rating Model" Node 47dataset for training, validation and testingthe modelNode 3Node 84Node 87Node 118- C4.5- Random forest- Ensemble Tree learner- MLP ANN- Gradient Boosting- XGBoost - Without Regularization- With Lasso RegularizationEvaluates allmodels performancesAll models comparisonIN 1: Best Model ChosenIN 2: Dataset to predictDataset to be predictedNode 127Node 3Node 129Node 130Node 132Node 133Node 134 attr cleaning CSV Reader String To Number Number To String General DataPreparation Bivariate Analysis Tree-Based Models Logistic Regression Concatenate InteractiveTable (local) Rating Model CSV Reader attr cleaning String To Number Number To String General DataPreparation Feature selectedby best model Threshold tominimize total cost Data_Understanding

Nodes

Extensions

Links

Download

To use this workflow in KNIME, download it from the below URL and open it in KNIME:

Download Workflow
Created by: Berardo Botteri
Created at: 2023-04-05
On NodePit since: 2023-04-27
Last update: 2024-11-21
Created with KNIME version: v4.7.2

Deploy, schedule, execute, and monitor your KNIME workflows locally, in the cloud or on-premises – with our brand new NodePit Runner.

Try NodePit Runner!