Modelos Soportados

godml incluye una librería de modelos listos para usar. Configura el tipo con model.type en el YAML.

Resumen

model.type	Algoritmo	Tarea	MLflow	SageMaker
xgboost	XGBoost	Clasificación / Regresión	✅	✅
random_forest	RandomForest	Clasificación / Regresión	✅	✅
logistic_regression	Logistic Regression	Clasificación	✅	✅
lightgbm	LightGBM	Clasificación / Regresión	✅	✅
lstm	LSTM (Keras)	Series de tiempo	✅	❌
linear_regression	Linear Regression	Regresión	✅	❌

XGBoost

model:
  type: xgboost
  hyperparameters:
    max_depth: 6
    eta: 0.3               # learning rate
    n_estimators: 200
    objective: binary:logistic   # o reg:squarederror para regresión
    random_state: 42

Random Forest

model:
  type: random_forest
  hyperparameters:
    n_estimators: 100
    max_depth: 10          # null = sin límite
    max_features: sqrt     # sqrt | log2 | null
    random_state: 42

Logistic Regression

model:
  type: logistic_regression
  hyperparameters:
    random_state: 42
    # max_iter: 1000 — configurado internamente

LightGBM

model:
  type: lightgbm
  hyperparameters:
    n_estimators: 200
    max_depth: -1          # -1 = sin límite
    random_state: 42

Requiere:

pip install godml[advisor]   # incluye lightgbm

LSTM (Series de tiempo)

model:
  type: lstm
  hyperparameters:
    eta: 0.001              # learning rate
    n_estimators: 50        # epochs
    random_state: 42

Requiere:

pip install godml[deep]     # incluye TensorFlow + Keras

AutoTuner

godml ajusta hiperparámetros automáticamente según el dataset antes de entrenar:

model:
  type: xgboost
  hyperparameters:
    max_depth: 6       # punto de partida — el AutoTuner puede ajustarlo

Reglas del AutoTuner:

• Dataset desbalanceado: ajusta scale_pos_weight automáticamente
• Dataset pequeño (<500 filas): reduce n_estimators para evitar overfitting
• Multiclase detectada: cambia objective a multi:softmax

Modelo personalizado

Puedes usar tu propio modelo implementando BaseModel:

mi_modelo.py

from godml.model_service.base_model_interface import BaseModelInterface

class MiModelo(BaseModelInterface):
    def train(self, X_train, y_train, X_test, y_test, params):
        # tu lógica aquí
        model = ...
        predictions = ...
        return model, predictions

model:
  type: mi_modelo
  source: local        # busca en el proyecto actual

Métricas calculadas automáticamente

Para clasificación binaria:

• auc — Area Under ROC Curve
• accuracy — Exactitud
• f1 — F1-Score
• precision — Precisión
• recall — Exhaustividad

---

→ Ejemplo: Churn Classification