Megosztás a következőn keresztül:

AutoML regresszió

  • Cikk

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 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. Ezen a hivatkozáson további információt talál a kilépési feltételekről (a felmondási szabályzatról).

  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 beállítások Leírás
    Elsődleges metrika A modell pontozásához használt fő metrika. További információ a modellmetrikákról.
    Hibakeresési modell a Felelős AI-irányítópulton keresztül Hozzon létre egy felelős AI-irányítópultot az ajánlott legjobb modell holisztikus felméréséhez 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 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.

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

    1. Adja meg a betanítási feladathoz használandó érvényesítés típusát.

    2. Adjon meg egy tesztadatkészletet (előzetes verzió) az automatizált gépi tanulás által a kísérlet végén létrehozott ajánlott modell kiértékeléséhez. 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 funkció egy kísérleti előzetes verziójú funkció, amely bármikor változhat.

      • A tesztadatok a betanítástól és az ellenőrzéstől elkülönülnek, így nem torzítják az ajánlott modell tesztfeladatának eredményeit. További információ a modell érvényesítése során felmerülő 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 egyeznie kell a betanítási adatkészletével. A céloszlop megadása nem kötelező, de ha nincs megadva céloszlop, a rendszer nem számít ki tesztmetrikát.
      • A tesztadatkészlet nem lehet ugyanaz, mint a betanítási adatkészlet vagy az érvényesítési adatkészlet.
      • Az előrejelzési feladatok nem támogatják a betanítási/tesztelési felosztást.

Következő lépések

Tekintse meg az Azure Machine Learning számára elérhető összetevőket.