Un Reco ido po los P incipales P o eedo es de
Se icios de Machine Lea ning y P edicción en la Nube
Da id Co al-Plaza1, Manuel Resinas2, Juan Boube a-Puig1
1Depa amen o de Ingenie ía In o má ica, Uni e sidad de Cádiz, España
{da id.co al,juan.boube a}@uca.es
2Depa amen o de Lenguajes y Sis emas In o má icos, Uni e sidad de Se illa, España
[email p o ec ed]
Resumen. Los medios ecnológicos pa a el consumo, p oducción e in e cambio
de in o mación no hacen más que aumen a cada día que pasa. Nos encon amos
en uel os en el enómeno Big Da a, donde se capaces de analiza es a in o ma-
ción con el obje i o de pode in e i si uaciones del u u o basándonos en da os
del pasado y del p esen e, nos puede epo a una en aja compe i i a que nos
dis inga cla amen e de o as opciones. Den o de las múl iples disciplinas exis-
en es pa a el análisis de g andes can idades in o mación encon amos el Ma-
chine Lea ning y, a su ez, den o de es e podemos des aca la capacidad p edic-
i a que nos p opo cionan muchas de las opciones exis en es ac ualmen e en el
me cado. En es e abajo ealizamos un análisis de es as p incipales opciones de
APIs p edic i as en la nube, las compa amos en e sí, y inalmen e lle amos a
cabo una expe imen ación con da os eales de la Red de Vigilancia y Con ol de
la Calidad del Ai e de la Jun a de Andalucía. Los esul ados demues an que es as
he amien as son una opción muy in e esan e a conside a a la ho a de a a de
p edeci alo es de con aminan es que pueden a ec a a nues a salud se iamen e,
pudiéndose lle a a cabo acciones p e en i as sob e la población a ec ada.
Keywo ds: Machine Lea ning, P edicción, Cloud, API, So wa e as a Se ice,
Big Da a.
1 In oducción
En los úl imos años, los usua ios se encuen an en uel os en un p oceso de consumo,
p oducción e in e cambio de ingen es can idades de in o mación. Es a in o mación p o-
iene de di e sas uen es, desde edes sociales has a disposi i os wea ables, y g acias
a las acilidades exis en es hoy en día los usua ios pueden se agen es p oduc o es o
consumido es de dicha in o mación en cualquie momen o y en cualquie luga . Vi i-
mos en una época en la que ope a con dicha in o mación de o ma e icien e nos puede
p opo ciona mucho conocimien o que podemos aplica pa a esol e p oblemas espe-
cí icos en cada á ea a a a .
En e las di e en es disciplinas pa a el a amien o de g andes can idades de da os,
encon amos el ap endizaje au omá ico (Machine Lea ning, ML). Aunque es e é mino
2
exis e desde hace mucho iempo, en es os úl imos años ha aumen ado signi ica i a-
men e el in e és de desa ollado es e in es igado es a lo la go del mundo, en g an pa e
p opiciado po el enómeno Big Da a [1] en el que ac ualmen e nos encon amos.
El campo del ML, a su ez, engloba múl iples aplicaciones como pueden se el e-
conocimien o de imágenes, de ección de pa ones, clasi icación, de ección de anoma-
lías, p edicción, e c.
En es e a ículo ealizamos un es udio sob e aquellos p o eedo es de se icios de
ML que o e an la posibilidad de emplea las écnicas y algo i mos de es a ecnología
con el obje i o de p edeci alo es. La capacidad de p edeci un alo de e minado o
una si uación que se pueda p oduci en unción de unos da os de en ada, con un muy
bajo ma gen de e o , nos pe mi e an icipa nos a aquello que es á po sucede , esul-
ando así una mejo compe i i idad den o de cualquie ámbi o de abajo o es udio.
Landse e al. [2] ealizan un es udio sob e las di e en es al e na i as de ML exis en-
es en el ecosis ema de Hadoop mien as que en es e abajo nos cen a emos en p o-
eedo es de se icios de ML en la nube. Al igual que el ML, el pa adigma cloud [3] ha
susci ado un g an in e és an o en emp esas como en ins i uciones públicas y p i adas.
En los úl imos años son muchas las g andes compañías que han pasado de o ece sus
se icios como un p oduc o so wa e que debemos ins ala en un equipo, a p oduc os y
se icios que se encuen an disponibles en línea, libe ándonos así de es icciones liga-
das a, po ejemplo, una in aes uc u a necesa ia pa a pode hace uso de dicho p oduc o
o se icio.
El es o del a ículo se es uc u a como sigue. En la Sección 2 se p esen a el concep o
de ML y P edicción en pla a o mas de se icios en la nube. En la Sección 3, se ecogen
las opciones exis en es hoy en día y la me odología de selección. En la Sección 4, se
ealiza un análisis de las opciones escogidas an e io men e. En la Sección 5, se p esen a
una compa a i a en e las opciones p e iamen e analizadas. En la Sección 6, se p esen-
an los esul ados ob enidos as lle a a cabo una expe imen ación y su discusión. Fi-
nalmen e, en la Sección 7 se p esen an las conclusiones y el abajo u u o.
2 Machine Lea ning y P edicción en la nube
Como hemos comen ado an e io men e, el obje i o de es e abajo es ealiza un eco-
ido po los di e en es p o eedo es de se icios de ML en la nube. Pa a ello, debemos
ene cla o qué es el ML y cuáles son los pasos o la me odología habi ual a la ho a de
ealiza un expe imen o de ML p edic i o.
Podemos de ini el concep o de ML como la aplicación de un algo i mo po pa e de
una máquina u o denado pa a pode ap ende a ealiza una a ea. Es a a ea o p oblema
a esol e puede se de múl iples ipos, desde el econocimien o de imágenes has a la
p edicción de alo es; en unción de la a ea a esol e y el p o eedo a emplea , el o
los algo i mos que se emplean in e namen e a ia án. En nues o caso nos amos a
cen a en el uso de in e aces de p og amación de aplicaciones (Applica ion P og am-
ming In e ace, API) p edic i as de ML, es o es la capacidad que iene un modelo ge-
ne ado, a pa i de unos da os de en ada, de p edeci un alo conc e o en unción de
in o mación que le suminis emos. Más especí icamen e, usa emos los p o eedo es de
3
se icios de ML en la nube. En e las múl iples en ajas de es a nue a o ma de abaja
en la nube con espec o a la adicional des acamos la posibilidad de desp eocupa nos
de aspec os como las in aes uc u as necesa ias pa a pode ejecu a los cos osos algo-
i mos que se emplean en los expe imen os de ML. De es a o ma podemos cen a nos
en lo que ealmen e nos in e esa (el es udio a ealiza ) y deja que la esponsabilidad de
o os aspec os ecaiga sob e el p o eedo de se icios en la nube seleccionado. Po o o
lado, cabe des aca que los usua ios con conocimien os muy básicos de ML pod án
comenza a emplea es os se icios, g acias a la usabilidad de es as pla a o mas, en e
a la p og amación que se eque i ía en un expe imen o de ML si no se usase es e ipo
de pla a o ma. Así pues, los pasos me odológicos a segui pa a ealiza es e ipo de
expe imen o de ML son los siguien es [4]:
1. Fuen e de da os: en p ime luga , es impo an e ob ene unos buenos da os de en-
ada. Cuan a más in o mación con enga nues o da ase más posibilidades de ap en-
dizaje le es a emos acili ando al p o eedo de se icios de ML pa a gene a un buen
modelo que pueda ealiza las p edicciones pos e io men e. En ocasiones, en e es e
p ime paso y el siguien e de gene ación de modelos, es necesa io un p e p ocesa-
mien o de los da os que amos a emplea pa a gene a los modelos, ya que son mu-
chas las ocasiones en las que la in o mación que amos a emplea no se encuen a
con una es uc u a óp ima pa a la pla a o ma de ML que deseemos usa .
2. Modelos: el segundo paso, una ez enemos el da ase p epa ado, es gene a mode-
los a pa i de es os da os de en ada. Los modelos pueden se de di e sos ipos,
dependen undamen almen e de los da os que con enga el da ase u ilizado, pe o los
más comunes y que se suelen emplea en la p edicción son: modelos de clasi icación
bina ia, modelos de clasi icación mul iclase y modelos de eg esión. Una ez que
hemos gene ado los modelos, es un paso bas an e común (pe o no obliga o io) ea-
liza una e aluación del modelo pa a de e mina cuán bueno es y cuál se á su endi-
mien o a la ho a de las u u as p edicciones que deseemos ealiza .
3. P edicciones: inalmen e, end emos un modelo lis o pa a se empleado y sob e el
cual pod emos lanza alo es con el obje i o de ob ene p edicciones. Las p edic-
ciones pueden se de di e en es ipos en unción del p o eedo , pe o po no ma ge-
ne al podemos iden i ica dos ipos de p edicciones:
a. P edicciones simples: ambién conocidas como p edicciones en iempo eal, son
en las que in oducimos una se ie de alo es y el modelo nos de ol e á el alo
p edicho al ins an e.
b. P edicciones ba ch: en las que in oducimos múl iples ilas de alo es de en ada
y, pa a cada una de esas ilas, el modelo se enca ga á de e alua los alo es y
ob ene el alo a p edeci . El iempo que ome el modelo en ealiza es as p e-
dicciones en g upo depende á del p o eedo , el plan de uso que engamos con a-
ado y la ociosidad del sis ema en al ins an e.
3 Me odología del análisis compa a i o
Son muchas, y cada ez más, las al e na i as exis en es hoy en día en el me cado de las
APIs de ML. Del conjun o de opciones exis en es en el me cado, hemos seleccionado
4
algunas de las opciones publicadas en el po al web P edic i e Analy ics Today [5] y
o as iden i icadas en di e en es compa a i as webs sob e p o eedo es de se icios de
ML. Po lo an o, las opciones conside adas son: Amazon Machine Lea ning, Ana-
conda, Apigee, BigML, Blue Yonde Pla o m, Da aiku, Da umbox, Google Cloud Ma-
chine Lea ning Engine, G aphLab C ea e, IBM Wa son, Indico, KNIME, Logical Glue,
Mic oso Azu e Machine Lea ning, Monkeylea n, Opensco ing, P edicSis, P edic-
ionIO, y RapidMine .
De en e es e conjun o de opciones, hemos seleccionado cua o pa a su es udio en
p o undidad. La selección de es as opciones no la hemos ealizado alea o iamen e, sino
que hemos lle ado a cabo un p oceso de e isión en la web de di e en es ankings,
compa a i as y análisis sob e es as opciones seleccionadas. En e los po ales emplea-
dos, des acamos KDnugge s, Da a Science 101 y Quo a, odos ellos po ales web de
g an p es igio en el ámbi o del ap endizaje au omá ico. O o de los equisi os de selec-
ción ha sido la documen ación exis en e y los medios de sopo e pa a cada una de es as
opciones seleccionadas.
La popula idad o dimensión de la emp esa que man iene el se icio ha sido ambién
uno de los ac o es a ene en cuen a. Cuan a mayo dimensión enga la emp esa que se
enca ga del se icio que amos a emplea , más posibilidades exis en de pode cons ui
y lle a a cabo nues o p oyec o a la go plazo. De igual o ma, es as g andes compañías
como Amazon o Google, suelen o ece una pla a o ma de desa ollo modula , en las
que los di e en es se icios a emplea pueden comunica se unos con o os; es e con-
cep o se denomina Pla a o ma como se icio (Pla o m as a Se ice, PaaS) [6], e-
niendo así la posibilidad de c ea una a qui ec u a comple a mul i uncional. Resul ando
pues que las opciones a analiza sean: Google Cloud Machine Lea ning Engine, Ama-
zon Machine Lea ning, Mic oso Azu e Machine Lea ning, y BigML.
4 P incipales APIs de ML
A con inuación, p esen amos un análisis de allado sob e cada una de las p incipales
opciones p e iamen e seleccionadas.
4.1 Google Cloud Machine Lea ning Engine
Cabe des aca que, a di e encia de su p edeceso , no exis e ocasión de pode p oba
es os se icios de Google de o ma g a ui a, ya que siemp e end emos que es a pa-
gando en unción del uso que hagamos de es os se icios.
Google Cloud Machine Lea ning es un se icio pa a desa olla ácilmen e modelos
de ap endizaje au omá ico. Se basa en el amewo k de ML desa ollado po Google:
Tenso Flow. Es capaz de in eg a se con las di e sas ecnologías de la nube de se icios
de Google, de al o ma que podemos emplea es e se icio jun o con o os pa a múl i-
ples ines como, po ejemplo, jun o a Cloud Da a low pa a p ocesa unciones, Cloud
S o age pa a almacena da os o Cloud Da alab pa a la c eación de modelos.
Nos pe mi e al a escalabilidad pa a gene a modelos a pa i de da os de di e so a-
maño, de una o ma dis ibuida y adminis ada con unidades de p ocesamien o g á ico
5
y unidades de p ocesamien o cen al. Dispone de una documen ación muy bien es uc-
u ada, con di e sas guías que nos conduci án desde los p ime os pasos en la pla a o ma
has a la elabo ación de modelos p edic i os, pe o en con a no suele da muchos de a-
lles sob e los aspec os écnicos como qué lími es de amaño de da os sopo a o cuál es
el abanico de modelos disponibles pa a gene a .
4.2 Amazon Machine Lea ning
En Amazon Machine Lea ning ocu e al igual que en Google, no exis e la posibilidad
de p oba es e se icio de o ma g a ui a. Los cos es de almacena los iche os gene a-
dos y empleados en Amazon Machine Lea ning es a án asociados a los p ecios del se -
icio Amazon S3.
Con espec o a los da os, Amazon Machine Lea ning nos pe mi e gene a da ase s
u ilizando el o ma o CSV. A la ho a de c ea modelos, en unción de los da os que
es emos empleado y el da o que deseemos p edeci , Amazon dis ingui á en e di e sos
ipos de modelos: clasi icación bina ia, clasi icación mul iclase, o de eg esión. Igual-
men e, en el paso de c eación de modelos, podemos pe sonaliza di e sos pa áme os
que pueden se de e minan es pa a la buena c eación de un modelo. Po o o lado, pa a
la c eación de es e, Amazon di idi á el da ase en dos po ciones, una del 70% que se
emplea á pa a c ea el modelo y una del 30% pa a en ena y es ea dicho modelo,
esul ando así un in o me de e aluación que de e mina cuán bueno es nues o modelo
con espec o a es os da os de en enamien o que le hemos p opo cionado.
Finalmen e, una ez enemos el modelo lis o, es el momen o de empeza a ealiza
p edicciones sob e nues o modelo. Exis en dos ipos de p edicciones:
 P edicciones simples o en iempo eal: p edicciones que hagamos desde el
dashboa d de Amazon Machine Lea ning o bien encapsulando nues o modelo como
un se icio web que pueda ecibi pe iciones (es o conlle a un gas o adicional).
 P edicciones ba ch: p edicciones en g upos donde subimos un a chi o con an as
ilas como p edicciones a ealiza y la pla a o ma se enca ga á de ello.
4.3 Mic oso Azu e Machine Lea ning
A di e encia de las opciones de Google y Amazon, Mic oso nos b inda la posibilidad
de emplea sus se icios de o ma g a ui a. La c eación de expe imen os de ML es un
an o di e en e en Mic oso Azu e Machine Lea ning; aho a disponemos de una pale a
y un á ea de abajo en el que i emos a as ando los di e en es módulos que ayamos
a emplea de dicha pale a. Exis en mul i ud de módulos con di e sas unciones, desde
módulos inpu s en los que leemos o in oducimos in o mación de de e minadas uen es
has a módulos de gene ación de de e minados modelos de ap endizaje au omá ico.
Con espec o a las uen es de da os, podemos usa cualquie a de los módulos dispo-
nibles pa a al inalidad en la pale a (lee un iche o CSV, impo a da os de un se icio
web, e c.). A con inuación, pa a la gene ación de los modelos, de nue o podemos em-
plea algún módulo pa a al in. Cabe des aca que, a di e encia de o as pla a o mas,
en Mic oso Azu e Machine Lea ning podemos gene a a ios modelos den o de un

6
mismo expe imen o pa a así e alua los simul áneamen e y de e mina cuál es el que
mejo nos con iene según nues as necesidades. Den o de los di e sos ipos de mode-
los exis en es en es a pla a o ma, encon amos: modelos de de ección de anomalías, de
clasi icación bina ia y mul iclase, de clus e ización y de eg esión. Además, pa a cada
uno de es os ipos de modelos exis en di e sas al e na i as o es a egias in e esan es a
la ho a de de e mina cuál es la más adecuada en nues a expe imen ación.
Al con a io del es o de pla a o mas analizadas, es a no con empla las p edicciones
de la misma o ma que si lo hacen Amazon Machine Lea ning o Google Cloud Machine
Lea ning Engine, en e o os. Po lo cual, debemos encapsula el expe imen o que he-
mos desa ollado en un se icio web de al o ma que podemos pasa le de e minados
da os de en ada que hemos de inido, p ocesa es os da os a a és de es e expe imen o
diseñado, y inalmen e ob ene una espues a o esul ado que, en es e caso, se á una
p edicción pa a un alo o conjun o de alo es de e minado.
4.4 BigML
Finalmen e, pa a BigML exis en has a 7 planes de pago dis in os y uno g a ui o. Ade-
más del sopo e incluido en los planes de pago, exis e la posibilidad de adqui i un
sopo e especial mensual.
En es a ocasión, nues os expe imen os de ML es a án limi ados po el núme o de
a eas que deseemos ealiza en pa alelo, así como po el amaño máximo de los iche-
os de da os a u iliza . En unción del plan escogido, los lími es p e iamen e mencio-
nados se e án ex endidos. Pa a la opción g a ui a podemos, como mucho, ene dos
a eas en ejecución al mismo iempo, mien as que en los planes de pago las a eas que
podemos ene en ejecución an desde 2 has a 64. Cabe des aca que exis e la posibili-
dad de aplica un 50% de descuen o sob e el p ecio de cada uno de es os planes de pago
pa a es udian es, in es igado es u o ganizaciones no gube namen ales.
Con espec o a los iche os, en BigML podemos subi casi cualquie ipo de da o
(.CSV, .TXT, .JSON, e c.) e incluso pe mi e la opción de impo a da os desde o os
p o eedo es como Amazon S3, D opbox o Google Cloud S o age. El amaño máximo
de es os da ase s es a á limi ado en unción del plan que engamos con a ado.
En cuan o a los ipos de modelos exis en es, BigML con empla los que hemos es ado
iendo en o as opciones has a el momen o: modelos de clasi icación bina ia y mul i-
clase, modelos de eg esión, modelos de de ección de anomalías y o os ipos de mo-
delos como son los modelos de asociación que nos se i án pa a isualiza eglas de
asociación en e los da os, los modelos de emas que nos se i án pa a des ela emas
que se den en los ex os analizados o modelos de clus e ización pa a segmen a los
da os en di e en es g upos en unción de su simili ud.
Finalmen e, en lo ela i o a las p edicciones, BigML o ece es al e na i as:
 P edicciones po p egun a: inse amos alo es pa a dos a ibu os del modelo selec-
cionado po BigML y se ealizan p edicciones in e ac i as sob e esos alo es.
 P edicciones simples: en es a ocasión se inse an alo es pa a los a ibu os del mo-
delo que deseemos y se ealizan p edicciones in e ac i as sob e esos da os de en-
ada. Además, podemos selecciona la es a egia de desca e.
7
 P edicciones ba ch: escogemos el modelo y el da ase sob e el cual que amos eali-
za el conjun o de p edicciones.
5 Compa a i a de APIs de ML
En es a sección p esen amos una compa a i a sob e los aspec os en los que hemos ba-
sado la desc ipción de es as pla a o mas: p ecio, da ase s, modelos y p edicciones.
Con espec o a los planes de pago de las opciones exis en es, en la Tabla 1 ecoge-
mos los p ecios pa a cada una de las pla a o mas. Pa a el caso de las opciones de Ama-
zon y Google el p ecio es á ligado al uso de la pla a o ma, al igual que en Mic oso
Azu e pe o que además le añade una cuo a mensual po p oyec o. En BigML exis en
di e sos planes de pago, desde 30$ has a 10,000$ mensuales.
En cuan o a la posibilidad de emplea los planes g a ui os, en la Tabla 2 con empla-
mos las ca ac e ís icas de BigML y Mic oso Azu e Machine Lea ning, las dos pla a-
o mas que pe mi en lle a a cabo p uebas g a is.
Tabla 1. Compa a i a de planes de pago
Pla a o ma
Plan de Susc ipción
Google Cloud Machine Lea ning Engine
0.54$/ho a
Amazon Machine Lea ning
0.42$/ho a
Mic oso Azu e Machine Lea ning
9.99$/p oyec o y 1$/ho a
BigML
30$/150$/300$/2,500$/5,000$/7,500$/10,000$
Tabla 2. Compa a i a de plan g a ui o
Pla a o ma
Plan de Susc ipción
Mic oso Azu e Machine Lea ning
Da ase s de 10GB, 1,000 ansacciones API/mes
BigML
Da ase s de 16MB,
P edicciones ilimi adas has a los 16MB,
Máximo de 2 a eas en pa alelo
En las Tablas 3, 4 y 5, ecogemos las compa a i as de es as pla a o mas en aspec os
elacionados con Da ase s, Modelos y P edicciones. Podemos de e mina que an o
Amazon ML como BigML son dos opciones muy po en es en casi odos los campos,
des acando Amazon ML en la c eación de modelos mien as que BigML lo hace en el
apa ado de uen es de da os. Po o o lado, Google Cloud Machine Lea ning Engine
p esen a un compo amien o bas an e es able en odos los aspec os, no des acando en
ninguno en pa icula , pe o o eciendo un buen endimien o en odos. Finalmen e, Mi-
c oso Azu e ML nos o ece una buena expe iencia en casi odos los aspec os excep o
en las p edicciones, ya que es a pla a o ma no pone en alo es e aspec o, pudiéndose
iden i ica como su pun o más débil.
8
Tabla 3. Compa a i a de uen es de da os
Ca ac e ís ica
Tamaño
Tipos admi idos
Pe sonalización
Google Cloud Machine
Lea ning Engine
---
.cs o TFReco ds.
No
Amazon Machine Lea ning
100GB
.cs
Sí
Mic oso Azu e Machine
Lea ning
10GB
.cs , . x , . s , Excel,
Tabla Azu e/Hi e/SQL,
.s mligh , .a , .zip, .RDa a
Sí
BigML
16MB
.cs , .a , .gz, .bz2
Sí
Tabla 4. Compa a i a de modelos
Ca ac e ís ica
Tamaño
Tipos
Pe sonalización
Google Cloud Machine
Lea ning Engine
---
Clasi icación, Reg esión.
Sí
Amazon Machine
Lea ning
2GB
Clasi icación, Reg esión.
Sí
Mic oso Azu e Ma-
chine Lea ning
10GB
De ección de anomalías, Clus e i-
zación, Clasi icación, Reg esión.
Sí
BigML
16MB
De ección de anomalías, Asocia-
ción, Clus e ización, Clasi icación,
Reg esión.
Sí
Tabla 5. Compa a i a de p edicciones
Ca ac e ís ica
Tipos
Lími es
Cos e
Google Cloud Machine
Lea ning Engine
Tiempo eal
---
0.11$ cada 1,000 p edicciones
+ 0.44$/nodo/ho a
Amazon Machine
Lea ning
Ba ch,
Tiempo eal
1 millón
0.10$/1000 p edicciones ba ch,
0.0001$/p edicción en iempo
eal
Mic oso Azu e Ma-
chine Lea ning
Tiempo eal
---
0.5$/1000 ansacciones de
API + 2$/ho a de p oceso de
API
BigML
Ba ch, Tiempo
eal, Po p egun a
16MB
En unción del plan
aumen a el lími e de MB
6 Resul ados y Discusión
Pa a la e aluación y p ueba de expe imen os de ML nos hemos decan ado po dos
pla a o mas de las p e iamen e analizadas: Amazon Machine Lea ning y BigML. Pa a
dicha expe imen ación hemos empleados los da os de la Red de Vigilancia y Con ol
de la Calidad del Ai e de Andalucía de la Jun a de Andalucía. Debido a que los da os
9
no p esen an una es uc u a óp ima pa a su empleo en las pla a o mas seleccionadas,
hemos p e p ocesado la in o mación ecibida en o ma o CSV a a és de una clase
Ja a. De las 61 es aciones disponibles en dicha ed, hemos seleccionado la es ación
núme o 52, denominada Ranilla que se encuen a en la localidad de Se illa y cuyas
coo denadas son la i ud: 37.3842476, longi ud: -5.959606. Dicha es ación con iene los
senso es pa a los con aminan es Monóxido de Ca bono (CO), Dióxido de Ni ógeno
(NO2), Dióxido de Azu e (SO2), Óxido de Ni ógeno (NO), Óxido de Ni ógeno gené-
ico (NOX), Benceno (BCN) y Tolueno (TOL). En los expe imen os lle ados a cabo,
el NO se á el campo obje i o o alo a p edeci . Así pues, nues o da ase es á com-
pues o po 7 columnas, una po cada senso , y un o al de 20,890 ilas, una po cada
lec u a álida ealizada po esos senso es en e ene o y mayo de 2017.
Hemos ejecu ado has a en 10 ocasiones di e en es es e expe imen o con el obje i o
de ob ene unos esul ados consis en es, consiguiendo las pun uaciones de los modelos
de eg esión en enados po cada una de es as pla a o mas. En el caso de Amazon ML,
se usa un algo i mo de eg esión lineal, mien as que BigML emplea á boles de decisión
pa a en ena al modelo. Hemos lle ado a cabo 999 p edicciones ba ch en ambas pla-
a o mas y hemos ealizado una di e encia media en e el alo p edicho po la pla a-
o ma y el alo eal del con aminan e. Es os esul ados se ecogen en la Tabla 6, mien-
as que los cos es de ejecu a cada una de es as p uebas se mues an en la Tabla 7.
Tabla 6. Resul ados de la expe imen ación ML
P o eedo
P edicciones
Di e encia Media
RMSE Modelo
Amazon ML
999 p edicciones ba ch
0.2234
8.1195
BigML
999 p edicciones ba ch
0.0717
1.00
Tabla 7. Cos es de la expe imen ación ML
P o eedo
Da ase
Modelos
P edicciones
Cos e To al
Amazon ML
0,42$
0,42$
0,10$
0,94$
BigML
0$
0$
0$
0$
Con espec o a los iempos necesa ios pa a lle a a cabo es a p edicción ba ch, la pla-
a o ma Amazon ML dis ingue dos medidas: comple ion ime (2 minu os) y compu e
ime – app oxima e (1 minu o).
Po su pa e, BigML, ealiza es a ope ación p ác icamen e en iempo eal, es deci ,
en cuan o ealizamos la pe ición a a és del dashboa d, BigML se pone a abaja en
ella, de ol iendo el esul ado al ins an e. Desa o unadamen e no exis e ninguna o ma
de e cuán o iempo ha a dado BigML en ealiza dicha p edicción ba ch, pe o según
nues a expe iencia, podemos deduci que es p ác icamen e ins an áneo.
Finalmen e, podemos ap ecia que ambas pla a o mas p esen an unos buenos esul-
ados pa a los modelos empleados, siendo los esul ados que ob enemos en la pla a-
o ma BigML lige amen e supe io es que los esul ados ob enidos de Amazon ML. Sin
emba go, si consiguiésemos mejo a el e o de la aíz cuad ada de la media o Roo -
Mean-Squa e E o (RMSE) del modelo en Amazon ML, que ac ualmen e es in e io