Icon

Definitivetoupload

!!! Dobbiamo creare una tabella con evidenza delle variabiliselezionate dal miglior modello!!! Dobbiamo creare costo dei modelli per poterne scegliere uno - Il predictor del miglior modello va, per forza,inserirto a mano- Il miglior modello va, per forza, esportato dai metanodi con specificaporta (quadrato grigio) da configurare a mano Il rating model funziona con un modello generico, utilizzo per semeplicità (e anche perché sarà 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 questo dataset deve applicare quanto giàsa 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 Model with validation. Ergo inModels with validation ho bisogno di avere una porta output di tipo modello, 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 ha più senso parlare di training etesting perché ora il modello deve effettivamente predire nel mondo reale, nel quale purtoppo l'unica certezza èl'incertezza)Le variabili selezionate sono ovviamente quelle di XGBoost trainato in "Models with Validation" esportate automaticamentenella porta quadrata grigia. ATTENZIONE: la porta di output di "Models with validation" è specifica per XGBoost. Qualora dovessimo scegliereun altro modello bisogna riconfigurare la porta di uscita 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 89Node 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 133IN 1: Best Model ChosenIN 2: Dataset to predictattr cleaning CSV Reader String To Number Number To String General DataPreparation Data_Understanding 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 Rating Model !!! Dobbiamo creare una tabella con evidenza delle variabiliselezionate dal miglior modello!!! Dobbiamo creare costo dei modelli per poterne scegliere uno - Il predictor del miglior modello va, per forza,inserirto a mano- Il miglior modello va, per forza, esportato dai metanodi con specificaporta (quadrato grigio) da configurare a mano Il rating model funziona con un modello generico, utilizzo per semeplicità (e anche perché sarà 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 questo dataset deve applicare quanto giàsa 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 Model with validation. Ergo inModels with validation ho bisogno di avere una porta output di tipo modello, 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 ha più senso parlare di training etesting perché ora il modello deve effettivamente predire nel mondo reale, nel quale purtoppo l'unica certezza èl'incertezza)Le variabili selezionate sono ovviamente quelle di XGBoost trainato in "Models with Validation" esportate automaticamentenella porta quadrata grigia. ATTENZIONE: la porta di output di "Models with validation" è specifica per XGBoost. Qualora dovessimo scegliereun altro modello bisogna riconfigurare la porta di uscita 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 89Node 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 133IN 1: Best Model ChosenIN 2: Dataset to predictattr cleaning CSV Reader String To Number Number To String General DataPreparation Data_Understanding 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 Rating Model

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: 2023-04-29
Last update: 2024-04-27
Created with KNIME version: v4.7.1

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

Try NodePit Runner!