Crear un modelo de predición

Este exemplo crea un modelo de IA de predición que usa a táboa de intención do comprador en liña Power Apps . Microsoft Dataverse Para obter estes datos de exemplo no teu Microsoft Power Platform ambiente, activa a configuración Implementar aplicacións e datos de exemplo ao crear un ambiente como se describe en Crear un modelo en AI Builder. Ou siga as instrucións máis detalladas en Preparación de datos. Despois de gardar os datos de exemplo en Dataverse, siga estes pasos para crear o modelo.

  1. Iniciar sesión en Power Apps ou Power Automate.

  2. No panel esquerdo, selecciona ... Máis>Centro de IA.

  3. En Descubrir unha capacidade de IA, selecciona Modelos de IA.

    (Opcional) Para manter os modelos de IA permanentemente no menú e acceder a eles facilmente, selecciona a icona do alfinete.

  4. Seleccionar Predición: predecir resultados futuros a partir de datos históricos.

  5. Seleccione Crear modelo personalizado.

Selecciona o teu resultado histórico

Pensa na predición que queres AI Builder facer. Por exemplo, para a pregunta "Este cliente abandonará a súa compra?", pense en preguntas como estas:

  • Onde está a táboa que contén información sobre a rotación de clientes?
  • Hai algunha columna que indique especificamente se o cliente abandonou a compra?
  • Hai incógnitas nunha columna que poidan causar incerteza?

Usa esta información para facer as túas seleccións. Traballando cos datos de mostra proporcionados, a pregunta é "este usuario que interactuou coa miña tenda en liña realizou unha compra?". Se o fixo, debería haber ingresos para ese cliente. Polo tanto, o resultado histórico debería ser se hai ingresos para este cliente. Onde queira que esta información estea baleira é onde AI Builder pode axudarche a facer unha predición.

  1. No menú despregable Táboa , selecciona a táboa que contén os datos e o resultado que queres predicir. Para os datos de mostra, selecciona Intención do comprador en liña.

  2. No menú despregable Columna , selecciona a columna que contén o resultado. Para os datos de mostra, seleccione Ingresos (Etiqueta). Ou, se queres probar a predicir un número, selecciona Taxas de saída.

  3. Se seleccionaches un conxunto de opcións que contén dous ou máis resultados, considera a posibilidade de asignalo a "Si" ou "Non" porque queres predicir se algo vai ocorrer.

  4. Se queres predicir varios resultados, usa o conxunto de datos de comercio electrónico brasileiro na mostra e selecciona Pedido BC no menú despregable Táboa e Prazos de entrega no menú despregable Columna .

Nota

AI Builder admite estes tipos de datos para a columna de resultados:

  • Si/Non
  • Eleccións
  • Número enteiro
  • Número decimal
  • Número de punto flotante
  • Moeda

Selecciona as columnas de datos para adestrar o teu modelo

Despois de seleccionar a Táboa e a Columna e mapear o resultado, podes facer cambios nas columnas de datos empregadas para adestrar o modelo. Por defecto, todas as columnas relevantes están seleccionadas. Podes anular a selección de columnas que poidan contribuír a un modelo menos preciso. Se non sabes que facer aquí, non te preocupes. AI Builder tentará atopar columnas que proporcionen o mellor modelo posible. Para os datos de exemplo, deixa todo como está e selecciona Seguinte.

Consideracións sobre a selección de columnas de datos

O máis importante a ter en conta aquí é se unha columna que non é a túa columna de resultados históricos está determinada indirectamente polo resultado.

Digamos que queres predicir se un envío vai sufrir un atraso. É posible que teñas a data de entrega real nos teus datos. Esa data só está presente despois de que se entregue o pedido. Entón, se inclúes esta columna, o modelo terá unha precisión próxima ao 100 %. Os pedidos que queres predicir aínda non se entregaron e non terán a columna da data de entrega completa. Polo tanto, deberías deseleccionar columnas coma esta antes do adestramento. Na aprendizaxe automática, isto chámase fuga de obxectivos ou fuga de datos. AI Builder tenta filtrar columnas que son "demasiado boas para ser verdade", pero aínda así deberías comprobalas.

Nota

Ao seleccionar campos de datos, algúns tipos de datos, como Imaxe, que non se poden usar como entrada para adestrar o modelo, non se mostran. Ademais, as columnas do sistema como Creado o exclúense por defecto.

Se tes táboas relacionadas que poidan mellorar o rendemento da predición, tamén podes incluílas. Do mesmo xeito que fixeches cando querías predicir se un cliente abandonará a súa compra, debes incluír información adicional que podería estar nunha táboa separada. AI Builder admite relacións de moitos a un neste momento.

Filtrar os datos

Despois de seleccionar columnas de datos para o adestramento, podes filtrar os teus datos. As túas táboas conterán todas as filas. Non obstante, quizais queiras concentrarte no adestramento e na predición dun subconxunto de filas. Se sabes que hai datos irrelevantes dentro da mesma táboa que estás a usar para adestrar un modelo, podes usar este paso para filtralos.

Por exemplo, se aplicas un filtro para analizar só a rexión dos Estados Unidos, o modelo adestrarase en filas onde o resultado só se coñece para a rexión dos Estados Unidos. Cando se adestra este modelo, só fará unha predición para as filas onde o resultado non se coñece unicamente para a rexión dos Estados Unidos.

A experiencia de filtrado é a mesma que no editor de vistas. Power Apps Comeza engadindo:

  • Unha fila que contén unha única condición de filtro.
  • Un grupo que che permite aniñar as túas condicións de filtro.
  • Unha táboa relacionada, que permite crear unha condición de filtro nunha táboa relacionada.

Seleccione a columna, o operador e o valor que representa unha condición de filtro. Podes usar as caixas de verificación para agrupar filas ou para eliminar filas en bloque.

Seguinte paso

Adestra e publica o teu modelo de predición

  • Last updated on