> For the complete documentation index, see [llms.txt](https://docs.gaiodataos.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.gaiodataos.com/gaio-dataos-spanish/herramientas/tareas/analisis/automl.md).
# AutoML
Gaio utiliza la tecnología **H2O AutoML (Automatic Machine Learning)** para crear modelos predictivos de forma automatizada. Esto significa que Gaio se conecta a los datos, procesa la información, envía datos y configuraciones a H2O AutoML, recupera los resultados del entrenamiento y presenta los resultados en una interfaz amigable. Todo este proceso puede automatizarse dentro de Gaio.
***
## Cómo Usar AutoML
***
### 1. Acceder a la Tarea AutoML
En el menú lateral izquierdo: **Analytics → AutoML**
***
### 2. Configurar el Modelo
En la pantalla de configuración:
1. **Model Name** (opcional): Nombre del modelo (ejemplo: `auto_ML`).
2. **Table:** Selecciona la tabla de datos que será utilizada como fuente.
3. **Target:** Selecciona la variable objetivo que deseas predecir (ejemplo: `status`).
4. **Columns to Remove:** Lista las columnas que deben excluirse (por ejemplo, IDs o campos irrelevantes).
5. **Training Time (Seconds):** Tiempo estimado que el sistema utilizará para entrenar los modelos.
6. **Rows Limit:** Por defecto, Gaio utiliza hasta **100.000 filas** para entrenar el modelo.
{% hint style="info" %}
Puedes ajustar este valor, pero valores altos pueden sobrecargar el servidor y el modelado consume memoria y procesamiento intensivamente. **Para datasets grandes:**
* Usa primero la tarea **Sample** para reducir el volumen
* Esto permite crear más modelos en menos tiempo
* Reduce el riesgo de sobrecarga del servidor
Por defecto el límite es 100.000 filas. Solo debería aumentarse en servidores con alta capacidad.
{% endhint %}
7. Haz clic en **Save and Train** para iniciar el proceso.
***
### 3. Seguimiento del Progreso
Durante el entrenamiento, verás dos barras de progreso:
* **Preparation** → Preprocesamiento de datos
* **Training** → Construcción y evaluación de modelos
***
### 4. Técnicas Utilizadas
AutoML aplica múltiples técnicas automáticamente.
Documentación oficial de H2O:
* **GLM** → Modelo Lineal Generalizado
* **XGBoost** → Conjunto de árboles de decisión paralelos
* **GBM** → Gradient Boosting Machine
* **DeepLearning** → Redes Neuronales
Gaio utiliza **Cross-Validation (Validación Cruzada)**. Se aplica **5-Fold Cross-Validation.**\
Se generan 5 muestras aleatorias del mismo tamaño para entrenar múltiples modelos.
El criterio principal para priorizar modelos es **Accuracy (Exactitud).**
Se aceptan variables categóricas (texto) ou numérica. Si la variable es numérica, Gaio asumirá que se desea predecir un número exacto.
{% hint style="info" %}
Si la variable de respuesta es, por ejemplo, Cancelación del servicio y tiene valores 0 o 1, será necesario transformar los valores de esta columna en, por ejemplo, R0 o R1. Esto se debe a que, en este caso, esperamos conocer la probabilidad de que el cliente cancele, es decir, que sea 1, y al mismo tiempo la probabilidad de que el cliente sea 0, es decir, que no cancele. Sin embargo, al tratarse de una variable numérica, Gaio entiende que la intención es predecir un número, como la cantidad que el cliente puede comprar. Se aplican diferentes técnicas y se obtienen diferentes resultados para los dos tipos diferentes de variable de respuesta.
{% endhint %}
### 5. Revisar los Resultados
Al finalizar el entrenamiento, Gaio mostrará un reporte completo con:
* **Summary:** Resumen del proceso y calidad general del modelo.
* **Model Accuracy:** Precisión del mejor modelo generado.
* **ROC Curve:** Representación visual del rendimiento del modelo.
* **Most Important Variables:** Variables predictivas ordenadas por importancia.
* **Models:** Lista de todos los modelos creados durante el tiempo definido, con métricas de calidad.
* **Tablas de Soporte:**
* Cross Validation
* Confusion Matrix
* Gain Table
* Maximum Metrics
***
### 6. Aplicar el Modelo
El modelo entrenado se guarda automáticamente. Puedes reutilizarlo mediante la tarea [**Scoring**,](https://docs.gaiodataos.com/gaio-dataos-spanish/~/revisions/naG8Qh1xiYMniRS3uF34/herramientas/tareas/analisis/scoring) aplicándolo a nuevos datos para generar predicciones.
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:
```
GET https://docs.gaiodataos.com/gaio-dataos-spanish/herramientas/tareas/analisis/automl.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.