Corregir y/o ordenar metadata

[C1587S]

Algunos metadatos que aparecen en lista deben ser incluidos y otros deben ser organizados.

• Faltantes (editar):

  • status obtenido directamente del task
  • tamaño de los archivos en S3 para ELT

• Organizar los metadatos de los modelos.

  • nombre del modelo
  • hiper-parametros que incluye por default el modelo (bien sea en sklearn o en la librería a usar)

[C1587S]

• Cambiar organización de guardado de pickles en S3 para tener más control de los modelos entrenados.

Por ejemplo: s3://prueba-nyc311/modelos/randomForestClassifier/RFC_nestimatorsinteger100_criteriongini.pkl

[dapivei]

Task:

• Evaluar si es viable adecuarnos a las notas de clases para la generación de metadata asociada al modelado:

• model_group: Una combinación única de las características de un modelo: tipo de modelo, hiperparámetros del modelo, random seed, features utilizados. Cada uno de esos model group son considerados 1 experimento.
• models: Cada model group o experimento está entrenado con un set de datos de entrenamiento, este fit se queda almacenado en esta tabla.
• predictions: Las predicciones generadas con la combinación de experimento (model group) y set de entrenamiento (model) se almacenan en esta tabla.
• evaluations: Las métricas de desempeño off-line se quedan almacenadas en esta tabla, así como el tiempo que tardó en entrenarse!
• feature_importances: Esta tabla almacena la importancia de las variables ocupadas en el experimento.
• individual_importances: Esta tabla almacena la importancia de variable para cada predicción.
  No necesariamente tendremos que ocupar todas, o todos los campos asociados. En nuestro caso las primeras 4 será necesarias.

Por ejemplo, faltaría metadata de tiempo que tardó en entrenarse el modelo, accuracies en el training, validation y test, entre otros... esto pensando sobretodo en los fronts que se generarán posteriormente con los metadatos que fueron guardados.