Machine Learning Pipeline Lab · Playground Canvas Lab

Principiante

14px

+ Añadir nodo:

Meta de Calidad / SLA: >= 82% Validation AccuracyTiempo estimado: ~5 min

Objetivo del Escenario #001Pasarela de Pagos FinTech#001 · Entrenamiento MLP y Curva de Pérdida (Pasarela de Pagos FinTech)

Configura scaler = 'standard', hiddenUnits >= 20, dropout >= 0.1 y learningRate <= 0.08.

1. Contexto de Producción y Arquitectura

Pipeline de Machine Learning para "Pasarela de Pagos FinTech" (Escenario #001 · Nivel Principiante). Un dataset sintético no lineal alimenta una red neuronal MLP entrenada con backpropagation real en Python 3.12 y evaluada en validación.

2. Diagnóstico / Causa Raíz e Incidente

Entrenamiento supervisado del perceptrón multicapa (MLP) para Pasarela de Pagos FinTech: calibra tasa de aprendizaje, épocas y regularización L2 para converger con alta exactitud en validación.

Impacto en Producción: Un modelo mal calibrado produce predicciones erróneas en producción, elevando falsos positivos y degradando las decisiones automatizadas.

3. Meta Técnica y Validación en Runtime Real

Ejecuta entrenamiento neuronal real (forward + backprop) en Python 3.12 sobre Linux y comprueba que la exactitud (Accuracy) supere el umbral exigido.

Conceptos de Ingeniería Clave:

Tasa de Aprendizaje (LR)Convergencia por ÉpocasRegularización L2Generalización vs Overfitting

4. Parámetros a Auditar y Corregir en Nodos

Listo
Listo
Listo
Listo

Machine Learning & Neural Studio4 nodos · 3 enlaces

DATA

Dataset Loader

LISTO

fraud-transactions.csv

datasetfraud-transactions

samples600

features10

estado600 rows · 10d

DATA

Scaler & Split

LISTO

StandardScaler (80/20)

scalerstandard

valSplit0.2

shuffletrue

estadoz-score

MODEL

MLP Classifier

LISTO

2 layers · ReLU

hiddenUnits24

layers2

activationrelu

estado24 hidden

MODEL

AdamW Trainer

LISTO

CrossEntropyLoss

optimizeradamw

learningRate0.025

epochs20

estadolr=0.025 · 20 ep

React Flow

#001 · Entrenamiento MLP y Curva de Pérdida (Pasarela de Pagos FinTech)2 / 3 completado

Configura scaler = 'standard', hiddenUnits >= 20, dropout >= 0.1 y learningRate <= 0.08.

Entrenamiento supervisado del perceptrón multicapa (MLP) para Pasarela de Pagos FinTech: calibra tasa de aprendizaje, épocas y regularización L2 para converger con alta exactitud en validación.

1. Normaliza features (StandardScaler) y estabiliza el Learning Rate

Completado

Configura scaler = 'standard' en Scaler & Split y baja learningRate <= 0.08 en AdamW Trainer.

StandardScaler activo
learningRate <= 0.08

2. Configura capacidad MLP (20+ neuronas) y Dropout >= 0.1

Completado

Configura hiddenUnits >= 20 y dropout >= 0.1 en el nodo MLP Classifier.

hiddenUnits >= 20
Dropout >= 0.1

3. Entrena la red neuronal real en Python 3.12 (>= 84% val_acc)

Pendiente

Pulsa 'Ejecutar Lab Real' para correr el entrenamiento en Python 3.12 y alcanzar >= 84% de precisión.

val_acc real >= 84%