AutoML-előrejelzés

Ez a cikk az Azure Machine Learning designer egy összetevőjét ismerteti.

Ezzel az összetevővel létrehozhat egy autoML-előrejelzésen alapuló gépi tanulási modellt.

Konfigurálás

Ez az összetevő létrehoz egy előrejelzési modellt. Mivel az előrejelzés felügyelt tanulási módszer, olyan címkézett adatkészletre van szüksége, amely tartalmaz egy címkeoszlopot, amely az összes sor értékét tartalmazza. Ezen a hivatkozáson további információt kaphat az adathalmaz előkészítéséről . Az adatkészlethez olyan címkézett adatkészletre lesz szükség, amely tartalmaz egy címkeoszlopot, amely minden sorhoz tartalmaz értéket.

Ehhez a modellhez betanítási adatkészlet szükséges. Az adathalmazok érvényesítése és tesztelése nem kötelező.

Az AutoML számos folyamatot hoz létre párhuzamosan, amelyek különböző algoritmusokat és paramétereket próbálnak ki a modellhez. A szolgáltatás a funkciók kiválasztásával párosított ML-algoritmusokon keresztül iterál, ahol minden iteráció egy betanítási pontszámmal rendelkező modellt hoz létre. Kiválaszthatja azt a metrikát, amelyhez optimalizálni szeretné a modellt. Minél jobb a kiválasztott metrika pontszáma, annál jobb, ha a modell "illeszkedik" az adatokhoz. Megadhatja a kísérlethez tartozó kilépési feltételeket. A kilépési feltételek egy adott betanítási pontszámmal rendelkező modell lesznek, amelyet az AutoML-nek meg kell találnia. A megadott kilépési feltételek teljesülése után leáll. Ez az összetevő a futtatás végén létrehozott legjobb modellt adja ki az adathalmazhoz.

1. Adja hozzá az AutoML előrejelzési összetevőt a folyamathoz.

2. Adja meg a modellt használni kívánt training_data .

3. Adja meg a modell sikerének méréséhez használni kívánt elsődleges metrikát .

4. Adja meg a céloszlopot , amelyet a modellnek ki szeretne adni

5. A Tevékenység típusa és beállításai űrlapon válassza ki a tevékenységtípust: előrejelzést. További információkért tekintse meg a támogatott tevékenységtípusokat .

   1. Az előrejelzéshez :

      1. Mély tanulás engedélyezése.

      2. Időoszlop kiválasztása: Ez az oszlop a használni kívánt időadatokat tartalmazza.

      3. Előrejelzési horizont kiválasztása: Adja meg, hogy a modell hány időegységet (perc/óra/nap/hét/hónap/év) képes előrejelezni a jövőre. Minél tovább kell előrejeleznie a modellt a jövőbe, annál kevésbé lesz pontos. További információ az előrejelzésről és az előrejelzési horizontról.

6. (Nem kötelező) További konfigurációs beállítások megtekintése: a betanítási feladat jobb szabályozásához használható további beállítások. Ellenkező esetben az alapértelmezett értékek a kísérlet kiválasztása és az adatok alapján lesznek alkalmazva.

   További beállítások	Leírás
   Elsődleges metrika	A modell pontozásához használt fő metrika. További információ a modellmetrikákról.
   A legjobb modell ismertetése	Az ajánlott legjobb modellre vonatkozó magyarázatok megjelenítéséhez válassza az engedélyezést vagy a letiltásokat. Ez a funkció jelenleg nem érhető el bizonyos előrejelzési algoritmusokhoz.
   Letiltott algoritmus	Válassza ki azokat az algoritmusokat, amelyeket ki szeretne zárni a betanítási feladatból. Az algoritmusok engedélyezése csak SDK-kísérletekhez érhető el. Tekintse meg az egyes tevékenységtípusok támogatott algoritmusait.
   Kilépési feltétel	Ha a feltételek bármelyike teljesül, a betanítási feladat leáll. Betanítási feladat ideje (óra):Mennyi ideig kell engedélyezni a betanítási feladat futtatását. Metrikapont küszöbértéke: Az összes folyamat minimális metrikaértéke. Ez biztosítja, hogy ha rendelkezik egy meghatározott célmetrikával, amelyet el szeretne érni, ne töltsön több időt a betanítási feladatra a szükségesnél.
   Egyidejűség	Egyidejű iterációk maximális száma: A betanítási feladatban tesztelendő folyamatok (iterációk) maximális száma. A feladat nem fut tovább a megadott számú iterációnál. További információ arról, hogy az automatizált gépi tanulás hogyan hajt végre több gyermekfeladatot a fürtökön.

Következő lépések

Tekintse meg az Azure Machine Learning számára elérhető összetevőket.