{"id":12792,"date":"2022-02-16T08:34:12","date_gmt":"2022-02-16T16:34:12","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/?p=12792"},"modified":"2025-06-13T21:25:06","modified_gmt":"2025-06-14T04:25:06","slug":"leveraging-your-ml-models-with-couchbase-analytics-user-defined-functions-udf","status":"publish","type":"post","link":"https:\/\/www.couchbase.com\/blog\/es\/leveraging-your-ml-models-with-couchbase-analytics-user-defined-functions-udf\/","title":{"rendered":"Aprovechamiento de sus modelos ML con Couchbase Analytics Funciones Definidas por el Usuario (UDF)"},"content":{"rendered":"

Con Couchbase 7.0 ahora es capaz de permitir la integraci\u00f3n de Python UDFs con Couchbase Analytics. En Parte 1 de esta serie de blogs<\/a>En este art\u00edculo, hemos tratado los aspectos esenciales para configurar Couchbase y Analytics for Machine Learning (ML).<\/span><\/p>\n

El ML ha transformado radicalmente la forma en que las organizaciones comprenden las necesidades de sus clientes. Los \u00e1mbitos del an\u00e1lisis avanzado, como el an\u00e1lisis predictivo (p\u00e9rdida de clientes, sentimiento de los clientes, etc.) y el modelado financiero, dependen cada vez m\u00e1s del procesamiento de datos a escala, casi en tiempo real, y de la extracci\u00f3n de informaci\u00f3n valiosa a partir de ellos.<\/span><\/p>\n

Para ayudar a nuestros clientes a obtener conocimientos anal\u00edticos en tiempo real, hemos creado una tuber\u00eda perfecta de modelos de aprendizaje autom\u00e1tico basados en Python a Couchbase Analytics. En este post, voy a recorrer los siguientes pasos para mostrar c\u00f3mo aplicar algoritmos externos a los datos que residen en Couchbase.<\/span><\/p>\n

Seis pasos para aplicar modelos ML a sus datos NoSQL:<\/span><\/h4>\n
    \n
  1. Entrenar el modelo<\/span><\/li>\n
  2. Codificar el modelo<\/span><\/li>\n
  3. Empaquetar e implantar el c\u00f3digo<\/span><\/li>\n
  4. Importe los datos necesarios para este proyecto<\/span><\/li>\n
  5. Escribir la UDF<\/span><\/li>\n
  6. Uso de la UDF en su instancia para CB (Modo DP)<\/span><\/li>\n<\/ol>\n

    Antes de entrar en materia, vamos a buscar un conjunto de datos que sirva de interesante demostraci\u00f3n de las capacidades que estamos construyendo. Hay rese\u00f1as de pel\u00edculas en varios sitios web, pero para tener una visi\u00f3n hol\u00edstica de las cr\u00edticas no hay mejor lugar que Rotten Tomatoes. Este sitio web permite comparar las puntuaciones dadas por los usuarios habituales (puntuaci\u00f3n del p\u00fablico) y las puntuaciones o rese\u00f1as dadas por los cr\u00edticos (tomat\u00f3metro<\/em>) que son miembros certificados de diversos gremios de escritores o asociaciones de cr\u00edticos de cine.<\/span><\/p>\n

    Los dos conjuntos de datos utilizados para este blog se encuentran en <\/span>kaggle.com<\/span><\/a>. Se trata de archivos bastante grandes, por lo que se proporciona un enlace a los mismos para que pueda descargarlos cuando los siga.<\/span><\/p>\n

    En el <\/span>pel\u00edculas<\/span><\/em> cada registro representa una pel\u00edcula disponible en Rotten Tomatoes, con la URL utilizada para obtener el t\u00edtulo de la pel\u00edcula, la descripci\u00f3n, los g\u00e9neros, la duraci\u00f3n, el director, los actores, las valoraciones de los usuarios y las valoraciones de los cr\u00edticos. En el <\/span>cr\u00edticas_de_pel\u00edculas<\/span><\/em> cada registro representa una cr\u00edtica publicada en Rotten Tomatoes, con la URL utilizada para obtener el nombre del cr\u00edtico, la publicaci\u00f3n de la cr\u00edtica, la fecha, la puntuaci\u00f3n y el contenido.<\/span><\/p>\n

    Entrenamiento del modelo ML<\/span><\/h4>\n

    Antes de empezar a explorar el poder de la integraci\u00f3n entre ML y NoSQL, necesitar\u00e1 desarrollar y entrenar un modelo de aprendizaje autom\u00e1tico en Python.<\/span><\/p>\n

    Para los fines de este blog, utilizaremos un modelo de regresi\u00f3n log\u00edstica simple que utiliza la biblioteca scikit-learn. En esencia, el modelo toma los datos y analiza sus sentimientos con respecto a las cr\u00edticas de pel\u00edculas. Puede seguir los pasos que se describen a continuaci\u00f3n o puede descargar todos los archivos necesarios de nuestro <\/span>Repo de GitHub<\/span><\/a>.\u00a0<\/span><\/p>\n

    Para este blog, estamos utilizando un algoritmo predictivo de c\u00f3digo abierto en el conjunto de datos de cr\u00edticas de pel\u00edculas para determinar el sentimiento, es decir, para determinar si las cr\u00edticas son positivas o negativas para una pel\u00edcula determinada. En los ejemplos de hoy, ya hemos entrenado el modelo utilizando un subconjunto del archivo descargado anteriormente. Para los fines de este blog utilizamos un archivo CSV (valores separados por comas) para importar nuestros datos.\u00a0<\/span><\/p>\n

    A continuaci\u00f3n se muestra una muestra del c\u00f3digo para el modelo en s\u00ed:<\/span><\/p>\n

    \"\"<\/p>\n

    La totalidad del ejemplo de c\u00f3digo se encuentra en la p\u00e1gina <\/span>Repositorio GitHub.<\/span><\/a><\/p>\n

    Cuando ejecutes el script Python modelo mostrado arriba, deber\u00edas obtener el siguiente resultado:<\/span><\/p>\n

    \"\"<\/p>\n

    Puede obtener m\u00e1s informaci\u00f3n sobre las m\u00e9tricas de scikit-learn como precisi\u00f3n, recall, f1-score y support <\/span>aqu\u00ed<\/span><\/a>. Ahora tenemos un modelo de aprendizaje autom\u00e1tico funcional y de buen rendimiento completamente entrenado en Python.<\/span><\/p>\n

    Creaci\u00f3n de una biblioteca Python<\/span><\/h4>\n

    Con el fin de hacer referencia al modelo de aprendizaje autom\u00e1tico, tendr\u00e1 que crear una biblioteca de Python. A continuaci\u00f3n se muestra la biblioteca para este ejemplo en particular:<\/span><\/p>\n

    \"\"<\/p>\n

    La biblioteca tiene dos componentes principales:<\/span><\/p>\n

    Constructor de modelos<\/b>-Este constructor crea un fichero llamado <\/span>modelo_de_sentimiento<\/span><\/em> en el <\/span>tuber\u00edas<\/em> <\/span>de nuestro entorno Jupyter.<\/span><\/p>\n

    m\u00e9todo getSentiment<\/b>-Este m\u00e9todo predice el sentimiento del cliente asociado al par\u00e1metro (o argumento) que se le pasa.<\/span><\/p>\n

    Guarde el archivo como <\/span>sentimiento.py<\/span><\/i> dentro del <\/span>tuber\u00edas<\/span><\/i> con el archivo <\/span>modelo_de_sentimiento<\/span><\/i>.<\/span><\/p>\n

    Empaquetado y despliegue de la biblioteca<\/span><\/h4>\n

    Este es un paso cr\u00edtico en lo que vendr\u00e1 despu\u00e9s: \u00a1desbloquear el poder de las funciones definidas por el usuario de Python! Por favor, presta atenci\u00f3n a los detalles ya que depende m\u00e1s de la sintaxis que cualquiera de los otros. Aseg\u00farese de leer atentamente la documentaci\u00f3n correspondiente. Siga el enlace <\/span>para saber m\u00e1s sobre las funciones definidas por el usuario<\/span><\/a>.<\/span><\/p>\n

    Para empaquetar el modelo y la biblioteca que hemos creado en los pasos anteriores, utilizaremos la utilidad shiv. Si shiv no est\u00e1 ya instalado, utilice el comando <\/span>pip install shiv<\/span><\/i> (o <\/span><\/i>pip3 install shiv<\/span><\/i> dependiendo de su entorno). Adem\u00e1s, si est\u00e1s interesado en leer la documentaci\u00f3n de esta utilidad de l\u00ednea de comandos, puedes encontrarla <\/span>aqu\u00ed<\/span><\/a>.\u00a0<\/span><\/p>\n

    Pasos para empaquetar el modelo:<\/b><\/p>\n