AutoML-regresszió

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

Ezzel az összetevővel létrehozhat egy AutoML regresszión alapuló gépi tanulási modellt.

Konfigurálás

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

Az AutoML számos folyamatot hoz létre párhuzamosan, amelyek különböző algoritmusokat és paramétereket próbálnak ki a modellhez. A szolgáltatás a funkciókijelölésekkel 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, ha eléri a megadott kilépési feltételeket. Ez az összetevő a futtatás végén létrehozott legjobb modellt adja ki az adathalmazhoz. A kilépési feltételekről (a megszüntetési szabályzatról) ezen a linken talál további információt.

1. Adja hozzá az AutoML regressziós összetevőt a folyamathoz.

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

3. (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	Leírás
   Elsődleges metrika	A modell pontozásához használt fő metrika. További információ a modellmetrikákról.
   Modell hibakeresése a Felelős AI-irányítópulton keresztül	Hozzon létre egy Felelős AI-irányítópultot az ajánlott legjobb modell holisztikus értékeléséhez és hibakereséséhez. Ilyenek például a modellmagyarázatok, a méltányosság és a teljesítménykezelő, az adatkezelő és a modellhibák elemzése. További információ arról, hogyan hozhat létre felelős AI-irányítópultot.
   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 kell engedélyezni a betanítási feladat futtatását. 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 a megadott számú iterációnál többet futni. További információ arról, hogy az automatizált gépi tanulás hogyan hajt végre több gyermekfeladatot a fürtökön.

4. A [Nem kötelező] Érvényesítési és tesztelési űrlap lehetővé teszi a következőket.

   1. Adja meg a betanítási feladathoz használni kívánt érvényesítési típust.

   2. Adjon meg egy tesztadatkészletet (előzetes verzió) az automatizált gépi tanulás által a kísérlet végén létrehozott ajánlott modell kiértékeléséhez. A tesztadatok megadásakor a rendszer automatikusan elindít egy tesztfeladatot a kísérlet végén. Ez a tesztfeladat csak az automatizált gépi tanulás által ajánlott legjobb modellen végzett feladat.

      Fontos

      A létrehozott modellek kiértékeléséhez tesztadatkészlet biztosítása előzetes verziójú funkció. Ez a képesség egy kísérleti előzetes verziójú funkció, amely bármikor változhat.

      • A tesztadatok a betanítástól és az ellenőrzéstől függetlenek, így nem torzítják az ajánlott modell tesztfeladatának eredményeit. További információ a modellérvényesítés során jelentkező torzításról.
      • Megadhat saját tesztadatkészletet, vagy dönthet úgy, hogy a betanítási adatkészlet egy százalékát használja. A tesztadatoknak Azure Machine Learning TabularDataset formában kell lenniük.
      • A tesztadatkészlet sémájának meg kell egyeznie a betanítási adatkészletével. A céloszlop megadása nem kötelező, de ha nincs megadva céloszlop, a rendszer nem számítja ki a tesztmetrikákat.
      • A tesztadatkészlet nem lehet ugyanaz, mint a betanítási vagy az érvényesítési adatkészlet.
      • Az előrejelzési feladatok nem támogatják a betanítási/tesztelési felosztást.

Következő lépések

Tekintse meg az Azure Machine Learning számára elérhető összetevőket .