AutoML-Vorhersage

In diesem Artikel wird eine Komponente im Azure Machine Learning-Designer beschrieben.

Verwenden Sie diese Komponente, um ein Machine Learning-Modell zu erstellen, das auf AutoML-Vorhersagen basiert.

Vorgehensweise zur Konfiguration

Diese Komponente erstellt ein Vorhersagemodell. Da es sich bei der Vorhersage um eine überwachte Lernmethode handelt, benötigen Sie ein beschriftetes Dataset, das für jede Zeile eine Beschriftungsspalte mit einem Wert enthält. Folgen Sie diesem Link, um weitere Informationen zur Vorbereitung Ihres Datasets zu erhalten. Das Dataset benötigt ein beschriftetes Dataset , das eine Bezeichnungsspalte mit einem Wert für alle Zeilen enthält.

Für dieses Modell wird ein Trainingsdataset benötigt. Validierungs- und Testdatasets sind optional.

AutoML erstellt viele Pipelines parallel, die verschiedene Algorithmen und Parameter für Ihr Modell ausprobieren. Der Dienst durchläuft die ML-Algorithmen iterativ im Zusammenspiel mit der jeweiligen Featureauswahl, wobei für jede Iteration ein Modell mit einer Trainingsbewertung erzeugt wird. Sie können die Metrik auswählen, für die das Modell optimiert werden soll. Je besser der Score für die gewählte Metrik, desto besser passt das Modell zu Ihren Daten. Sie können ein Beendigungskriterien für das Experiment definieren. Die Beendigungskriterien sind Modell mit einer bestimmten Schulungsbewertung, die AutoML finden soll. Sie wird beendet, sobald sie auf die definierten Beendigungskriterien trifft. Diese Komponente gibt das beste Modell aus, das am Ende der Ausführung für Ihr Dataset generiert wurde.

1. Fügen Sie ihrer Pipeline die Komponente AutoML-Vorhersage hinzu.

2. Geben Sie die Trainingsdaten an, die das Modell verwenden soll.

3. Geben Sie die Primäre Metrik an, die AutoML zur Messung des Erfolgs Ihres Modells verwenden soll.

4. Geben Sie die Zielspalte für die Modellausgabe an.

5. Wählen Sie im Formular Aufgabentyp und Einstellungen den Aufgabentyp „Vorhersage“ aus. Weitere Informationen finden Sie unter Unterstützte Aufgabentypen.

   1. Für Vorhersagen haben Sie folgende Möglichkeiten:

      1. Aktivieren Sie Deep Learning.

      2. Auswählen der Zeitspalte: Diese Spalte enthält die zu verwendenden Zeitdaten.

      3. Auswählen des Vorhersagehorizonts: Geben Sie an, wie viele Zeiteinheiten (Minuten/Stunden/Tage/Wochen/Monate/Jahre) das Modell die Zukunft vorhersagen können soll. Je weiter das Modell in die Zukunft vorausschauen muss, desto ungenauer wird es. Weitere Informationen zu Vorhersagen und zum Vorhersagehorizont.

6. (Optional:) Anzeigen weiterer Konfigurationseinstellungen: zusätzliche Einstellungen, mit denen Sie den Trainingsauftrag besser steuern können. Andernfalls werden die Standardwerte auf Basis der Experimentauswahl und -daten angewendet.

   Zusätzliche Konfigurationen	BESCHREIBUNG
   Primary metric (Primäre Metrik)	Die wichtigste Metrik, die für die Bewertung Ihres Modells verwendet wird. Weitere Informationen zur Modellmetriken.
   Explain best model (Bestes Modell erläutern)	Wählen Sie diese Option aus, um die Erläuterungen für das empfohlene beste Modell anzuzeigen oder zu deaktivieren. Diese Funktionalität ist derzeit für bestimmte Prognosealgorithmen nicht verfügbar.
   Blocked algorithm (Blockierter Algorithmus)	Wählen Sie Algorithmen aus, die Sie aus den Trainingsauftrag ausschließen möchten. Das Zulassen von Algorithmen ist nur für SDK-Experimente verfügbar. Weitere Informationen finden Sie auf der Seite zu den unterstützten Algorithmen für einzelne Aufgabentypen.
   Beendigungskriterium	Wenn eines dieser Kriterien erfüllt ist, wird der Trainingsauftrag beendet. Training job time (hours) Trainingsauftragszeit (Stunden): Gibt an, wie lange der Trainingsauftrag ausgeführt werden soll. Metrischer Bewertungsschwellenwert: Die Metrikmindestbewertung für alle Pipelines. Auf diese Weise wird sichergestellt, dass Sie nicht mehr Zeit für den Trainingsauftrag aufwenden als nötig, wenn Sie eine definierte Zielmetrik verwenden, die Sie erreichen möchten.
   Parallelität	Max concurrent iterations (Maximale Anzahl gleichzeitiger Iterationen): Die maximale Anzahl von Pipelines (Iterationen), die im Trainingsauftrag getestet werden. Der Auftrag wird nicht mehr als die angegebene Anzahl von Iterationen ausgeführt. Erfahren Sie mehr darüber, wie automatisiertes ML mehrere untergeordnete Aufträge in Clustern durchführt.

Nächste Schritte

Hier finden Sie die für Azure Machine Learning verfügbaren Komponenten.