Előrejelzés (kiszolgáló nélküli) az AutoML használatával

Fontos

Ez a funkció a nyilvános előzetes verzióban van.

Ez a cikk bemutatja, hogyan futtathat kiszolgáló nélküli előrejelzési kísérletet a Databricks modell betanítási felhasználói felületén.

Databricks Model Training – Az előrejelzés leegyszerűsíti az idősoros adatok előrejelzését azáltal, hogy automatikusan kiválasztja a legjobb algoritmusokat és hiperparamétereket, mindezt úgy, hogy teljes mértékben felügyelt számítási erőforrásokon fut.

A kiszolgáló nélküli előrejelzés és a klasszikus számítási előrejelzés közötti különbség megértéséhez tekintse meg a kiszolgáló nélküli előrejelzés vs. a klasszikus számítás előrejelzés.

Követelmények

  • Betanítási adatok egy idősor oszlopával, amely Unity Catalog-táblaként van mentve.

Előrejelzési kísérlet létrehozása a felhasználói felülettel

Nyissa meg az Azure Databricks kezdőlapját, és kattintson a Kísérletek elemre az oldalsávon.

  1. Az Előrejelzés csempén válassza a Képzés indításalehetőséget.

  2. Válassza ki a Betanítási adatok a Unity Catalog elérhető tábláinak listájából.

    • Idő oszlop: Jelölje ki azt az oszlopot, amely az idősor időszakait tartalmazza. Az oszlopoknak timestamp vagy datetípusúnak kell lenniük.
    • Előrejelzés gyakorisága: Válassza ki a bemeneti adatok gyakoriságát képviselő időegységet. Például percek, órák, napok, hónapok. Ez határozza meg az idősor részletességét.
    • Előrejelzési horizont: Adja meg, hogy a kiválasztott gyakoriság hány egysége legyen előrejelzendő a jövőbe. Ez az előrejelzés gyakoriságával együtt meghatározza az időegységeket és az előrejelzéshez használandó időegységek számát is.

    Jegyzet

    Az Auto-ARIMA algoritmus használatához az idősornak olyan rendszeres gyakorisággal kell rendelkeznie, ahol a két pont közötti intervallumnak az idősor során azonosnak kell lennie. Az AutoML úgy kezeli a hiányzó időlépéseket, hogy az előző értékkel kitölti ezeket az értékeket.

  3. Jelöljön ki egy előrejelzési céloszlopot, amelyet a modell előre jelez.

  4. Ha szeretné, adjon meg egy Unity Catalog-táblát, előrejelzési adatelérési utat a kimeneti előrejelzések tárolásához.

    Kiszolgáló nélküli előrejelzés felhasználói felület képernyőképe.

  5. Válasszon ki egy modellregisztrációs Unity-katalógus helyét és nevét.

  6. Ha szeretné, adja meg Speciális beállításokat:

    • kísérlet neve: Adjon meg egy MLflow-kísérletnevet.
    • idősorazonosító oszlopai – Többsoros előrejelzéshez válassza ki az egyes idősorokat azonosító oszlop(ok)t. A Databricks ezeket az oszlopokat különböző idősorokként csoportosítja, és egymástól függetlenül tanít be modelleket az egyes adatsorokhoz.
    • Elsődleges metrika: Válassza ki a legjobb modell kiértékeléséhez és kiválasztásához használt elsődleges metrikát.
    • Betanítási keretrendszer: Válassza ki az AutoML-keretrendszereket.
    • Oszlop felosztása: Jelölje ki az egyéni adatfelosztást tartalmazó oszlopot. Az értékeknek "tanítás", "validálás" és "teszt" kell hogy legyenek
    • Súly oszlop: Adja meg a súlyozási idősorokhoz használandó oszlopot. Egy adott idősorhoz tartozó összes mintának azonos súlyúnak kell lennie. A súlynak [0, 10000] tartományban kell lennie.
    • üdülési régió: Válassza ki azt az üdülési régiót, amelyet kovariánsként szeretne használni a modell betanítása során.
    • Időtúllépés: Állítsa be az AutoML-kísérlet maximális időtartamát.

A kísérlet futtatása és az eredmények monitorozása

Az AutoML-kísérlet elindításához kattintson Betanítás indításagombra. A kísérlet betanítási oldalán a következőket teheti:

  • Bármikor állítsa le a kísérletet.
  • Monitorozási futtatások.
  • Lépjen a futtatási lapra bármilyen futtatáshoz.

Emellett a kísérlet állapotát a következő szakaszokban is ellenőrizheti:

  1. Előfeldolgozás: Ellenőrizze és készítse elő a bemeneti táblát a hiányzó értékek imputálásával, valamint az adatok betanítási, ellenőrzési és tesztkészletekre való felosztásával. Az automatikus funkciógenerálási feldolgozás, például a kategorikus funkciók egyszeri kódolása szintén ebben a szakaszban történik.
  2. Hangolás: Fedezze fel a különböző előrejelzési algoritmusokat, és hangolja a hiperparamétereket.
  3. Képzés: A végső modell betanítása és kiértékelése a kiválasztott legjobb konfigurációkkal. Ha meg van adva elérési út, regisztrálja a modellt a Unity Katalógusban.

Eredmények megtekintése vagy a legjobb modell használata

A betanítás befejezése után az előrejelzési eredmények a megadott Delta-táblában lesznek tárolva, és a legjobb modell regisztrálva van a Unity Catalogban.

A kísérletek lapon a következő lépések közül választhat:

  • Válassza a Előrejelzés megtekintése lehetőséget az előrejelzések eredményeinek megtekintéséhez.
  • Válassza a Kötegelt következtetési jegyzetfüzet lehetőséget, hogy megnyisson egy automatikusan létrehozott jegyzetfüzetet a legjobb modell felhasználásával végzett kötegelt következtetéshez.
  • Válassza a Kiszolgálóvégpont létrehozása lehetőséget, hogy a legjobb modellt egy modellkiszolgáló végponton üzemeltesse.

Kiszolgáló nélküli előrejelzés és klasszikus számítás-előrejelzés

Az alábbi táblázat összefoglalja a kiszolgáló nélküli előrejelzés és a klasszikus számítási előrejelzés közötti különbségeket.

Funkció Kiszolgáló nélküli előrejelzés Klasszikus számítási előrejelzés
Számítási infrastruktúra Az Azure Databricks kezeli a számítási konfigurációt, és automatikusan optimalizálja a költségeket és a teljesítményt. Felhasználó által konfigurált számítás
Kormányzás A Unity Katalógusban regisztrált modellek és összetevők Felhasználó által konfigurált munkaterület fájltárolója
Algoritmus kiválasztása Statisztikai modellek és a mélytanulási neurális háló algoritmus DeepAR statisztikai modellek
Jellemzőtár-integráció Nem támogatott támogatott
Automatikusan létrehozott jegyzetfüzetek Köteges következtetési jegyzetfüzet Forráskód az összes próbaverzióhoz
Az üzembe helyezést kiszolgáló egykattintásos modell Támogatott Nem támogatott
Egyéni betanítási/érvényesítési/tesztelési felosztások Támogatott Nem támogatott
Egyedi súlyok idősorokhoz Támogatott Nem támogatott
  • Last updated on