Trabajando el Pipeline de Machine Learning con PyCaret Parte 3

create_model es la función más granular de PyCaret y a menudo es la base de la mayoría de las funcionalidades de PyCaret
Como su nombre lo indica, esta función entrena y evalúa un modelo utilizando una validación cruzada que puede ser establecida con el parámetro fold
La salida imprime una cuadrícula de puntuación que muestra por Fold la precisión, AUC, Recall, Precision, F1, Kappa y MCC.
Para el resto de este tutorial, trabajaremos con los siguientes modelos como nuestros modelos candidatos. 
Las selecciones son sólo para fines ilustrativos y no significan necesariamente que sean los de mayor rendimiento o ideales para este tipo de datos
Decision Tree Classifier ('dt')
K Neighbors Classifier ('knn')
Random Forest Classifier ('rf')
Hay 18 clasificadores disponibles en la biblioteca modelos de PyCaret. 
Para ver la lista de todos los clasificadores, compruebe la documentación o utilice la función de models() para ver la biblioteca.
Fíjese que la puntuación media de todos los modelos coincide con la puntuación impresa en compare_models().
Esto se debe a que las métricas impresas en la cuadrícula de puntuación compare_models() son las puntuaciones medias de todos los folds