Scoring

Esta tarefa é dependente do AutoML. Para utilizá-la, é necessário ter previamente criado pelo menos um modelo utilizando AutoML.

A sua utilidade é aplicar o modelo a um novo conjunto de dados. Por exemplo, uma empresa precisa cobrar os seus clientes. Para isso, ela construiu um modelo preditivo (AutoML) usando o seu histórico de cobranças, pois sabe quem pagou e quem não pagou.

Agora, a empresa recebeu uma carteira de clientes no início do mês para cobrar e quer aplicar o modelo que criou para saber quem vai pagar e quem não vai pagar. Além de ter essa marcação, ela também quer saber a probabilidade (0 a 1 ou 0% a 100%) para cada cliente.

---

Como utilizar o Scoring

---

Acessar a Tarefa "Scoring"

No menu lateral esquerdo, na seção Analytics, clique em Scoring.

---

Configurar os parâmetros

Preencha os seguintes campos:

• Rótulo: (opcional) Defina um nome para a tarefa de Scoring (e.g., scoring).

• Tabela Resultado: Defina o nome da tabela onde os resultados do Scoring serão salvos.

• Tabela de origem: A tabela será automaticamente vinculada a partir do bloco selecionado no fluxo.

A tabela que contém a nova carteira de clientes deve possuir exatamente as mesmas colunas da tabela utilizada no treinamento do modelo AutoML.A única coluna que não deve existir é a variável resposta (target), pois é justamente isso que queremos prever agora.

Portanto:

• No AutoML, utilize apenas variáveis que estarão disponíveis posteriormente para aplicação do Scoring.

• Caso as colunas não coincidam exatamente, um erro será retornado.

---

Selecionar o modelo treinado

Após a seção de configuração, será exibida uma lista com os modelos disponíveis. Selecione o modelo desejado (exemplo: auto_ML).

---

Salvar e Executar

Clique no botão Save, no canto superior direito, para aplicar o modelo e gerar os resultados na tabela definida.

---

Output

A tabela resultante conterá:

• Todas as colunas originais da tabela fonte

• Novas colunas com:

  • Previsão (classe prevista)

  • Probabilidade associada

  • Métricas adicionais (dependendo do tipo de modelo)

Exemplo

Suponha que a variável resposta seja categórica com dois valores:

• não

• sim

1. Previsão da classe para cada cliente

2. Probabilidade de não.

3. Probabilidade de sim.

4. A partir da coluna cod_cliente, todas as demais colunas da tabela fonte são repetidas e ficam disponíveis para qualquer análise dentro do processo no Gaio.