Share via

AutoML-előrejelzés

  • Cikk

Ez a cikk az Azure Machine Learning-tervező egy összetevőjét ismerteti.

Ezzel az összetevővel az AutoML-előrejelzésen alapuló gépi tanulási modellt hozhat létre.

Konfigurálás

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

Ehhez a modellhez betanítási adatkészlet szükséges. Az érvényesítési és tesztelési adathalmazok megadása nem kötelező.

Az AutoML több folyamatot hoz létre párhuzamosan, amelyek különböző algoritmusokat és paramétereket próbálnak ki a modellhez. A szolgáltatás a funkciókiválasztásokkal párosított ML-algoritmusokon keresztül iterál, ahol minden iteráció egy betanítási pontszámmal rendelkező modellt hoz létre. Kiválaszthatja azt a metrikát, amelyre optimalizálni szeretné a modellt. Minél jobb a választott metrika pontszáma, annál jobb, ha a modell "illeszkedik" az adatokhoz. Definiálhat kilépési feltételeket a kísérlethez. A kilépési feltétel egy olyan modell lesz, amely egy adott betanítási pontszámot tartalmaz, amelyet az AutoML-nek meg kell találnia. Leáll, amint eléri a megadott kilépési feltételeket. Ez az összetevő a futtatás végén létrehozott legjobb modellt adja ki az adathalmazhoz.

  1. Adja hozzá az AutoML-előrejelzés összetevőt a folyamathoz.

  2. Adja meg a modell által használni kívánt training_data .

  3. Adja meg azt az elsődleges metrikát , amelyet az AutoML-nek használnia kell a modell sikerességének méréséhez.

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

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

    1. Az előrejelzéshez :

      1. Mély tanulás engedélyezése.

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

      3. Előrejelzési horizont kiválasztása: Adja meg, hogy a modell hány időegységet (perc/óra/nap/hét/hónap/év) képes előrejelezni a jövőre. Minél tovább kell előrejelezni a modellt a jövőbe, annál kevésbé lesz pontos. További információ az előrejelzési és 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 konfigurációk Description
    Elsődleges metrika A modell pontozásához használt fő metrika. További információ a modellmetrikákról.
    A legjobb modell ismertetése Válassza a lehetőséget az engedélyezéshez vagy letiltáshoz a javasolt legjobb modell magyarázatának megjelenítéséhez.
    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 feladattípusok támogatott algoritmusait.
    Kilépési feltétel Ha ezen feltételek bármelyike teljesül, a betanítási feladat leáll.
    Betanítási feladat ideje (óra):Mennyi ideig futhat a betanítási feladat.
    Metrikapont küszöbértéke: Az összes folyamat minimális metrikapontszáma. Ez biztosítja, hogy ha rendelkezik egy meghatározott célmetrikával, amelyet el szeretne érni, ne töltsön több időt a betanítási feladaton a szükségesnél.
    Egyidejűség Egyidejű iterációk maximális száma: A betanítási feladatban tesztelendő folyamatok (iterációk) maximális száma. A feladat nem fog futni 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 .