Kód nélküli automatizált gépi tanulási betanítás beállítása táblázatos adatokhoz a studio felhasználói felületével
Ebben a cikkben automatizált gépi tanulási betanítási feladatokat állít be az Azure Machine Learning Automated ML használatával az Azure Machine Learning Studióban. Ezzel a módszerrel egyetlen kódsor írása nélkül állíthatja be a feladatot. Az automatizált gépi tanulás egy olyan folyamat, amelyben az Azure Machine Learning kiválasztja a legjobb gépi tanulási algoritmust az adott adatokhoz. A folyamat lehetővé teszi gépi tanulási modellek gyors létrehozásának folyamatát. További információkért tekintse meg az automatizált gépi tanulási folyamat áttekintését.
Ez az oktatóanyag magas szintű áttekintést nyújt az automatizált gépi tanulással való munkáról a stúdióban. Az alábbi cikkek részletes útmutatást nyújtanak adott gépi tanulási modellek használatához:
- Besorolás: Oktatóanyag: Besorolási modell betanítása automatizált gépi tanulással a studióban
- Idősor-előrejelzés: Oktatóanyag: Igény előrejelzése automatizált gépi tanulással a studióban
- Természetes nyelvi feldolgozás (NLP):NLP-modell (Azure CLI vagy Python SDK) betanítása automatizált gépi tanulás beállítása
- Számítógépes látás: Az AutoML beállítása a számítógépes látásmodellek betanítása érdekében (Azure CLI vagy Python SDK)
- Regresszió: Regressziós modell betanítása automatizált gépi tanulással (Python SDK)
Előfeltételek
Azure-előfizetés. Létrehozhat egy ingyenes vagy fizetős fiókot az Azure Machine Learninghez.
Azure Machine Learning-munkaterület vagy számítási példány. Az erőforrások előkészítéséhez tekintse meg az Azure Machine Learning használatának első lépéseit ismertető rövid útmutatót.
Az automatizált gépi tanulási feladathoz használandó adategység. Ez az oktatóanyag bemutatja, hogyan választhat ki egy meglévő adategységet, vagy hogyan hozhat létre adategységet adatforrásból, például helyi fájlból, webes URL-címből vagy adattárból. További információ: Adategységek létrehozása és kezelése.
Fontos
A betanítási adatoknak két követelménye van:
- Az adatoknak táblázatos formában kell lenniük.
- Az előrejelezendő értéknek (a céloszlopnak ) szerepelnie kell az adatokban.
Kísérlet létrehozása
Hozzon létre és futtasson egy kísérletet az alábbi lépések végrehajtásával:
Jelentkezzen be az Azure Machine Learning Studióba, és válassza ki az előfizetését és a munkaterületét.
A bal oldali menüben válassza az Automatizált gépi tanulás lehetőséget a Szerzői szakasz alatt:
Amikor először dolgozik kísérleteken a stúdióban, üres lista és dokumentációra mutató hivatkozások jelennek meg. Ellenkező esetben megjelenik a legutóbbi automatizált gépi tanulási kísérletek listája, beleértve az Azure Machine Learning SDK-val létrehozott elemeket is.
Válassza az Új automatizált gépi tanulási feladat lehetőséget az automatikus gépi tanulási feladat elküldéséhez.
A folyamat alapértelmezés szerint a Betanítási módszer lapon a Betanítás automatikusan lehetőséget választja, és folytatja a konfigurációs beállításokat.
Az Alapbeállítások lapon adja meg a szükséges beállítások értékeit, beleértve a feladat nevét és a kísérlet nevét. Igény szerint értékeket is megadhat az opcionális beállításokhoz.
A folytatáshoz válassza a Tovább gombra.
Adategység azonosítása
A Tevékenység típusa > adat lapon adja meg a kísérlet adategységét és az adatok betanításához használni kívánt gépi tanulási modellt.
Ebben az oktatóanyagban használhat egy meglévő adategységet, vagy létrehozhat egy új adategységet a helyi számítógépen található fájlból. A studio felhasználói felület lapjai az adatforrás és a betanítási modell típusának kiválasztása alapján változnak.
Ha egy meglévő adategység használata mellett dönt, folytathatja a betanítási modell konfigurálása szakaszt.
Új adategység létrehozásához kövesse az alábbi lépéseket:
Ha új adategységet szeretne létrehozni a helyi számítógépen lévő fájlból, válassza a Létrehozás lehetőséget.
Az Adattípus lapon:
- Adja meg az adategység nevét.
- A Típus mezőben válassza a Táblázat lehetőséget a legördülő listából.
- Válassza a Tovább lehetőséget.
Az Adatforrás lapon válassza a Helyi fájlokból lehetőséget.
A Machine Learning Studio további lehetőségeket ad hozzá a bal oldali menühöz az adatforrás konfigurálásához.
A Tovább gombra kattintva lépjen tovább a Céltár típusa lapra, ahol megadhatja az adategység feltöltéséhez használt Azure Storage-helyet.
Megadhatja a munkaterülettel automatikusan létrehozott alapértelmezett tárolót, vagy kiválaszthatja a kísérlethez használni kívánt tárolót.
- Az Adattár típusaként válassza az Azure Blob Storage lehetőséget.
- Az adattárak listájában válassza a workspaceblobstore lehetőséget.
- Válassza a Tovább lehetőséget.
A Fájl- és mappakijelölési lapon használja a Fájlok feltöltése vagy mappa legördülő menüt, és válassza a Fájlok feltöltése vagy a Mappa feltöltése lehetőséget.
- Keresse meg a feltölteni kívánt adatok helyét, és válassza a Megnyitás lehetőséget.
- A fájlok feltöltése után válassza a Tovább gombot.
A Machine Learning Studio ellenőrzi és feltölti az adatokat.
Feljegyzés
Ha az adatok egy virtuális hálózat mögött találhatóak, engedélyeznie kell az ellenőrzési függvény kihagyását, hogy a munkaterület hozzáférhessen az adatokhoz. További információ: Az Azure Machine Learning Studio használata Azure-beli virtuális hálózaton.
Ellenőrizze a feltöltött adatokat a Beállítások lapon a pontosság érdekében. A lap mezői előre feltöltve vannak az adatok fájltípusa alapján:
Mező Leírás Fájlformátum Meghatározza a fájlban tárolt adatok elrendezését és típusát. Elválasztókarakter Egy vagy több karaktert azonosít a különálló, független régiók közötti határ megadásához egyszerű szöveges vagy más adatfolyamokban. Kódolás Meghatározza, hogy milyen bitet használjon a sématábla az adathalmaz olvasásához. Oszlopfejlécek Azt jelzi, hogy az adathalmaz fejléceit hogyan kezeli a rendszer, ha vannak ilyenek. Sorok kihagyása Azt jelzi, hogy a program hány sort hagy ki az adathalmazból, ha vannak ilyenek. Kattintson a Tovább gombra a Séma lap folytatásához. Ez a lap a Beállítások beállításai alapján is előre feltöltve van. Az egyes oszlopok adattípusát konfigurálhatja, áttekintheti az oszlopneveket, és kezelheti az oszlopokat:
- Egy oszlop adattípusának módosításához válasszon egy lehetőséget a Típus legördülő menüben.
- Ha ki szeretne zárni egy oszlopot az adategységből, váltson az oszlop Belefoglalás lehetőségére.
Kattintson a Tovább gombra a Véleményezés lap folytatásához. Tekintse át a feladat konfigurációs beállításainak összegzését, majd válassza a Létrehozás lehetőséget.
Betanítási modell konfigurálása
Ha az adategység készen áll, a Machine Learning Studio visszatér az Automatikus gépi tanulási feladat elküldése feladattípus & adat lapjára. Az új adategység megjelenik a lapon.
A feladatkonfiguráció elvégzéséhez kövesse az alábbi lépéseket:
Bontsa ki a Feladattípus kiválasztása legördülő menüt, és válassza ki a kísérlethez használni kívánt betanítási modellt. A lehetőségek közé tartozik a besorolás, a regresszió, az idősor-előrejelzés, a természetes nyelvi feldolgozás (NLP) vagy a számítógépes látás. Ezekről a lehetőségekről további információt a támogatott tevékenységtípusok leírásában talál.
A betanítási modell megadása után válassza ki az adathalmazt a listában.
Válassza a Tovább gombot a Tevékenység beállításai lap folytatásához.
A Cél oszlop legördülő listában válassza ki a modell előrejelzéseihez használni kívánt oszlopot.
A betanítási modelltől függően konfigurálja a következő szükséges beállításokat:
Besorolás: Válassza ki, hogy engedélyezi-e a mély tanulást.
Idősor-előrejelzés: Adja meg, hogy engedélyezi-e a mély tanulást, és erősítse meg a szükséges beállítások beállításait:
Az Idő oszlop használatával adja meg a modellben használni kívánt időadatokat.
Adja meg, hogy engedélyezni szeretne-e egy vagy több automatikus észlelési beállítást. Ha törli az Automatikus észlelés beállítás (például az automatikus előrejelzési horizont) kijelölését, megadhat egy adott értéket. Az Előrejelzési horizont értéke azt jelzi, hogy a modell hány időegységet (perc/óra/nap/hét/hónap/év) tud előrejelezni a jövőre vonatkozóan. Minél tovább halad a jövőben a modell előrejelzése, annál kevésbé lesz pontos a modell.
A beállítások konfigurálásáról további információt az Automatikus gépi tanulás használata idősoros előrejelzési modell betanításával című témakörben talál.
Természetes nyelvi feldolgozás: Ellenőrizze a szükséges beállítások beállításait:
Az altípus kiválasztása beállítással konfigurálhatja az NLP-modell albesorolási típusát. A többosztályos besorolás, a többcímke-besorolás és az elnevezett entitásfelismerés (NER) közül választhat.
A Takarítási beállítások szakaszban adja meg a Slack-tényező és a mintavételezési algoritmus értékeit.
A Keresési terület szakaszban konfigurálja a Modell algoritmus beállításainak készletét.
A beállítások konfigurálásáról további információt az NLP-modellek (Azure CLI vagy Python SDK) betanítása az automatizált gépi tanulás beállítása című témakörben talál.
Számítógépes látás: Válassza ki, hogy engedélyezi-e a manuális takarítást, és erősítse meg a szükséges beállítások beállításait:
- Az Altípus kiválasztása beállítással konfigurálhatja a számítógép-látásmodell alosztályozási típusát. Választhat a képbesorolás (többosztályos) vagy a (többcímke), az objektumészlelés és a sokszög (példányszegmentálás) közül.
A beállítások konfigurálásáról további információt az AutoML beállítása számítógépes látásmodellek (Azure CLI vagy Python SDK) betanítása című témakörben talál.
Választható beállítások megadása
A Machine Learning Studio választható beállításokat biztosít, amelyeket a gépi tanulási modell kiválasztása alapján konfigurálhat. Az alábbi szakaszok a további beállításokat ismertetik.
További beállítások konfigurálása
A További konfigurációs beállítások megtekintése lehetőséget választva megtekintheti az adatokon végrehajtandó műveleteket a betanítás előkészítése során.
A További konfiguráció lap a kísérletválasztás és az adatok alapján jeleníti meg az alapértelmezett értékeket. Használhatja az alapértelmezett értékeket, vagy konfigurálhatja a következő beállításokat:
| Beállítás | Leírás |
|---|---|
| Elsődleges metrika | Azonosítsa a modell pontozásának fő metrikáját. További információ: modellmetrikák. |
| Együttes halmozásának engedélyezése | Az együttes tanulás engedélyezése és a gépi tanulási eredmények és a prediktív teljesítmény javítása több modell kombinálásával, és nem egyetlen modell használatával. További információ: együttesmodellek. |
| Az összes támogatott modell használata | Ezzel a beállítással utasíthatja az automatizált gépi tanulást, hogy az összes támogatott modellt használja-e a kísérletben. További információkért tekintse meg az egyes tevékenységtípusok támogatott algoritmusait. – Válassza ezt a lehetőséget a Letiltott modellek beállítás konfigurálásához. – Törölje ezt a jelölőnégyzetet az Engedélyezett modellek beállítás konfigurálásához. |
| Letiltott modellek | (Akkor érhető el, ha Az összes támogatott modell használata ki van választva) Használja a legördülő listát, és válassza ki azokat a modelleket, amelyet ki szeretne zárni a betanítási feladatból. |
| Engedélyezett modellek | (Akkor érhető el, ha Az összes támogatott modell használata nincs kiválasztva) Használja a legördülő listát, és válassza ki a betanítási feladathoz használni kívánt modelleket. Fontos: Csak SDK-kísérletekhez érhető el. |
| A legjobb modell ismertetése | Ezt a lehetőséget választva automatikusan megjelenítheti a magyarázhatóságot az automatizált gépi tanulás által létrehozott legjobb modellen. |
| Pozitív osztálycímke | Adja meg az automatizált gépi tanulás címkéjét a bináris metrikák kiszámításához. |
A featurizációs beállítások konfigurálása
A Featurization beállításainak megtekintése lehetőséget választva megtekintheti az adatokon végrehajtandó műveleteket a betanítás előkészítése során.
A Featurization oldal az adatoszlopokhoz tartozó alapértelmezett featurizációs technikákat jeleníti meg. Engedélyezheti/letilthatja az automatikus éréseket, és testre szabhatja a kísérlet automatikus érési beállításait.
A konfiguráció engedélyezéséhez válassza a Featurization engedélyezése lehetőséget.
Fontos
Ha az adatok nem numerikus oszlopokat tartalmaznak, a featurizálás mindig engedélyezve van.
Igény szerint konfigurálja az egyes elérhető oszlopokat. Az alábbi táblázat összefoglalja a stúdión keresztül jelenleg elérhető testreszabásokat.
Oszlop Testreszabás Szolgáltatás típusa Módosítsa a kijelölt oszlop értéktípusát. Impute with Válassza ki, hogy milyen értékkel adhatja meg a hiányzó értékeket az adatokban. 
A featurizálási beállítások nem befolyásolják a következtetéshez szükséges bemeneti adatokat. Ha kizárja az oszlopokat a betanításból, a kizárt oszlopokra továbbra is szükség lesz a modellen való következtetéshez.
A feladat korlátainak konfigurálása
A Korlátok szakasz a következő beállításokhoz nyújt konfigurációs beállításokat:
| Beállítás | Leírás | Érték |
|---|---|---|
| Próbaidőszakok maximális kihasználása | Adja meg az automatizált gépi tanulási feladat során kipróbálandó kísérletek maximális számát, ahol minden próba algoritmusok és hiperparaméterek eltérő kombinációjával rendelkezik. | 1 és 1000 közötti egész szám |
| Egyidejű kísérletek maximális kihasználása | Adja meg a párhuzamosan végrehajtható próbafeladatok maximális számát. | 1 és 1000 közötti egész szám |
| Csomópontok maximális kihasználása | Adja meg a feladat által a kiválasztott számítási célból használható csomópontok maximális számát. | 1 vagy több, a számítási konfigurációtól függően |
| Metrikapont küszöbértéke | Adja meg az iterációs metrika küszöbértékét. Amikor az iteráció eléri a küszöbértéket, a betanítási feladat leáll. Ne feledje, hogy az értelmes modellek korrelációja nullánál nagyobb. Ellenkező esetben az eredmény megegyezik a találgatással. | Átlagos metrikaküszöb, határok között [0, 10] |
| Kísérlet időtúllépése (perc) | Adja meg a teljes kísérlet futtatásának maximális idejét. Miután a kísérlet elérte a korlátot, a rendszer megszakítja az automatizált ml-feladatot, beleértve az összes próbaverzióját (gyermekfeladatokat). | Percek száma |
| Iterációs időtúllépés (perc) | Adja meg az egyes próbafeladatok futtatásának maximális idejét. Miután a próbafeladat elérte ezt a korlátot, a rendszer megszakítja a próbaverziót. | Percek száma |
| Korai megszüntetés engedélyezése | Ezzel a beállítással befejezhet egy feladatot, ha a pontszám rövid távon nem javul. | A feladat korai befejezésének engedélyezéséhez válassza a lehetőséget |
Ellenőrzés és tesztelés
Az Ellenőrzés és tesztelés szakasz a következő konfigurációs beállításokat biztosítja:
Adja meg a betanítási feladathoz használni kívánt érvényesítési típust . Ha nem ad meg explicit módon egy vagy
n_cross_validationstöbb paramétertvalidation_data, az automatikus gépi tanulás az egyetlen adathalmazbantraining_datamegadott sorok számától függően alkalmazza az alapértelmezett technikákat.Betanítási adatok mérete Érvényesítési technika 20 000 sornál nagyobb Betanítási/érvényesítési adatok felosztása lesz alkalmazva. Az alapértelmezett beállítás az, hogy a kezdeti betanítási adatkészlet 10%-át használja érvényesítési csoportként. Ez az érvényesítési csoport a metrikák kiszámításához használatos. Kisebb, mint 20 000> sor A rendszer keresztérvényesítési megközelítést alkalmaz. A hajtások alapértelmezett száma a sorok számától függ.
- 1000 sornál kisebb adathalmaz: 10 redőt használ
- 1000–20 000 sorból álló adatkészlet: Három hajtást használunkAdja meg a tesztelési adatokat (előzetes verzió) az automatizált gépi tanulás által a kísérlet végén létrehozott ajánlott modell kiértékeléséhez. Amikor tesztadatkészletet ad meg, a rendszer automatikusan elindít egy tesztfeladatot a kísérlet végén. Ez a tesztfeladat az automatikus gépi tanulás által ajánlott legjobb modell egyetlen feladata. További információ: Távoli tesztfeladat eredményeinek megtekintése (előzetes verzió).
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 függetlennek minősülnek, és nem szabad torzítania az ajánlott modell tesztfeladatának eredményeit. További információ: Betanítási, érvényesítési és tesztelési adatok.
Megadhat saját tesztadatkészletet, vagy dönthet úgy, hogy a betanítási adatkészlet egy százalékát használja. A tesztelési adatoknak Azure Machine Learning-táblaadatkészlet formájában kell lenniük.
A tesztadatkészlet sémájának egyeznie kell a betanítási adatkészletével. A céloszlop 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.
A számítás konfigurálása
Kövesse az alábbi lépéseket, és konfigurálja a számítást:
Válassza a Tovább gombot a Számítás lap folytatásához.
A Számítási típus kiválasztása legördülő listában válasszon egy lehetőséget az adatprofilozási és betanítási feladathoz. A lehetőségek közé tartozik a számítási fürt, a számítási példány vagy a kiszolgáló nélküli.
Miután kiválasztotta a számítási típust, a lap másik felhasználói felülete a kijelölés alapján változik:
Kiszolgáló nélküli: A konfigurációs beállítások az aktuális lapon jelennek meg. Folytassa a konfigurálni kívánt beállítások leírásának következő lépésével.
Számítási fürt vagy számítási példány: Válasszon a következő lehetőségek közül:
Az Automatizált gépi tanulás kiválasztása számítási legördülő listával válasszon ki egy meglévő számítást a munkaterületéhez, majd válassza a Tovább gombot. Folytassa a Kísérlet futtatása és az eredmények megtekintése szakaszsal.
Új számítási példány vagy -fürt létrehozásához válassza az Új lehetőséget. Ez a beállítás megnyitja a Számítási lap létrehozása lapot. Folytassa a konfigurálni kívánt beállítások leírásának következő lépésével.
Kiszolgáló nélküli számításhoz vagy új számításhoz konfiguráljon minden szükséges (*) beállítást:
A konfigurációs beállítások a számítási típustól függően eltérőek. Az alábbi táblázat összefoglalja a konfigurálni kívánt beállításokat:
Mező Leírás Számítási név Adjon meg egy egyedi nevet, amely azonosítja a számítási környezetet. Helyen Adja meg a gép régióját. Virtuális gép prioritása Az alacsony prioritású virtuális gépek olcsóbbak, de nem garantálják a számítási csomópontokat. Virtuális gép típusa Válassza ki a CPU-t vagy a GPU-t a virtuális gép típusához. Virtuálisgép-szint Válassza ki a kísérlet prioritását. Virtuális gép mérete Válassza ki a virtuális gép méretét a számításhoz. Minimális / maximális csomópontok A profiladatok megadásához meg kell adnia egy vagy több csomópontot. Adja meg a számítási csomópontok maximális számát. Az alapértelmezett érték egy Azure Machine Learning Compute esetében hat csomópont. Tétlenség másodperccel a leskálázás előtt Adja meg, hogy a fürt automatikusan a minimális csomópontszámra legyen skálázva. Speciális beállítások Ezek a beállítások lehetővé teszik a felhasználói fiók és a meglévő virtuális hálózat konfigurálását a kísérlethez. Miután konfigurálta a szükséges beállításokat, válassza a Tovább vagy a Létrehozás lehetőséget.
Egy új számítás létrehozása eltarthat néhány percig. Amikor a létrehozás befejeződött, válassza a Tovább gombot.
Kísérlet futtatása és eredmények megtekintése
A kísérlet futtatásához válassza a Befejezés lehetőséget. A kísérlet előkészítése akár 10 percet is igénybe vehet. A betanítási feladatok és az egyes folyamatok futtatásának befejezése további 2-3 percet is igénybe vehet. Ha a legjobban ajánlott modellhez RAI-irányítópult létrehozásához van megadva, az akár 40 percet is igénybe vehet.
Feljegyzés
Az automatizált gépi tanulási algoritmusok eredendő véletlenszerűséggel rendelkeznek, ami kismértékű eltérést okozhat az ajánlott modell végső metrikák pontszámában, például a pontosságban. Az automatizált gépi tanulás olyan adatokon is végez műveleteket, mint a vonatteszt felosztása, a betanítási ellenőrzés felosztása vagy a keresztérvényesítés. Ha ugyanazt a konfigurációs beállítást és elsődleges metrikát többször futtatja, valószínűleg az egyes kísérletek végső metrikáinak pontszáma változik ezen tényezők miatt.
A kísérlet részleteinek megtekintése
Megnyílik a Feladat részletei képernyő a Részletek lapra. Ez a képernyő a kísérletfeladat összegzését jeleníti meg, beleértve a feladatszám melletti felső állapotsort is.
A Modellek lapon a létrehozott modellek listája található metrikaérték szerint rendezve. Alapértelmezés szerint az a modell, amely a kiválasztott metrika alapján a legmagasabb értékű, a lista tetején jelenik meg. Ahogy a betanítási feladat több modellt próbál meg, a rendszer hozzáadja a gyakorlatban használt modelleket a listához. Ezzel a megközelítéssel gyorsan összehasonlíthatja az eddig előállított modellek metrikáit.
Betanítási feladat részleteinek megtekintése
A betanítási feladat részleteinek részletezése az összes kész modellen. Az egyes modellek teljesítménymetrika-diagramjait a Metrikák lapon tekintheti meg. További információ: Automatizált gépi tanulási kísérlet eredményeinek kiértékelése. Ezen a lapon a modell összes tulajdonságával, valamint a kapcsolódó kódokkal, gyermekfeladatokkal és rendszerképekkel kapcsolatos részleteket is megtalálhatja.
Távoli tesztfeladat eredményeinek megtekintése (előzetes verzió)
Ha tesztadatkészletet adott meg, vagy egy betanítási/tesztelési felosztást választott a kísérlet beállítása során az Ellenőrzés és tesztelés űrlapon, az automatizált gépi tanulás alapértelmezés szerint automatikusan teszteli az ajánlott modellt. Ennek eredményeképpen az automatizált gépi tanulás tesztmetrikákat számít ki az ajánlott modell minőségének és előrejelzéseinek meghatározásához.
Fontos
A modellek tesztelése egy tesztadatkészlettel a létrehozott modellek kiértékeléséhez előzetes verziójú funkció. Ez a funkció egy kísérleti előzetes verziójú funkció, amely bármikor változhat.
Ez a funkció nem érhető el a következő automatizált gépi tanulási forgatókönyvekhez:
Kövesse az alábbi lépéseket az ajánlott modell tesztfeladat-metrikáinak megtekintéséhez:
A stúdióban keresse meg a Modellek lapot, és válassza ki a legjobb modellt.
Válassza az Eredmények tesztelése (előzetes verzió) lapot.
Jelölje ki a kívánt feladatot, és tekintse meg a Metrikák lapot:
Tekintse meg a tesztmetrikák kiszámításához használt tesztelőjelzéseket az alábbi lépések végrehajtásával:
A lap alján válassza a Kimenetek adathalmaz alatti hivatkozást az adathalmaz megnyitásához.
Az Adathalmazok lapon válassza a Felfedezés lapot a tesztfeladat előrejelzéseinek megtekintéséhez.
Az előrejelzési fájl a Kimenetek + naplók lapról is megtekinthető és letölthető. Bontsa ki a Predictions mappát a prediction.csv fájl megkereséséhez.
A modelltesztelési feladat létrehozza a munkaterülettel létrehozott alapértelmezett adattárban tárolt predictions.csv fájlt. Ez az adattár az azonos előfizetéssel rendelkező összes felhasználó számára látható. A tesztfeladatok nem ajánlottak forgatókönyvekhez, ha a tesztfeladathoz használt vagy létrehozott információknak magánjellegűnek kell lenniük.
Meglévő automatizált gépi tanulási modell tesztelése (előzetes verzió)
A kísérlet befejezése után tesztelheti az Automatizált gépi tanulás által létrehozott modelleket.
Fontos
A modellek tesztelése egy tesztadatkészlettel a létrehozott modellek kiértékeléséhez előzetes verziójú funkció. Ez a funkció egy kísérleti előzetes verziójú funkció, amely bármikor változhat.
Ez a funkció nem érhető el a következő automatizált gépi tanulási forgatókönyvekhez:
Ha nem az ajánlott modellt, hanem egy másik automatizált gépi tanulási modellt szeretne tesztelni, kövesse az alábbi lépéseket:
Válasszon ki egy meglévő automatizált gépi tanulási kísérletet.
Keresse meg a feladat Modellek lapját, és válassza ki a tesztelni kívánt befejezett modellt.
A Modell részletei lapon válassza a Modell tesztelése (előzetes verzió) lehetőséget a Modell tesztelése panel megnyitásához.
A Tesztmodell panelen válassza ki a számítási fürtöt és a tesztfeladathoz használni kívánt tesztadatkészletet.
Válassza a Tesztelés lehetőséget. A tesztadatkészlet sémájának meg kell egyeznie a betanítási adatkészletével, de a Cél oszlop nem kötelező.
A modelltesztelési feladat sikeres létrehozása után a Részletek lapon megjelenik egy sikeres üzenet. A feladat előrehaladásának megtekintéséhez válassza az Eredmények tesztelése lapot.
A tesztfeladat eredményeinek megtekintéséhez nyissa meg a Részletek lapot, és kövesse a távoli tesztfeladat eredményeinek megtekintése (előzetes verzió) szakaszban található lépéseket.
Felelős AI-irányítópult (előzetes verzió)
A modell jobb megismerése érdekében a Felelős AI-irányítópulton különböző elemzéseket tekinthet meg a modellről. Ez a felhasználói felület lehetővé teszi a legjobb automatizált gépi tanulási modell kiértékelését és hibakeresését. A Felelős AI-irányítópult kiértékeli a modellhibákat és a méltányossági problémákat, diagnosztizálja a hibák okát a betanítási és/vagy tesztelési adatok kiértékelésével, valamint a modell magyarázatainak megfigyelésével. Ezek az elemzések együttesen segíthetnek a modell megbízhatóságának kialakításában és az auditfolyamatok átadásában. A felelős AI-irányítópultok nem hozhatók létre egy meglévő automatizált gépi tanulási modellhez. Az irányítópult csak a legjobban ajánlott modellhez jön létre egy új automatizált gépi tanulási feladat létrehozásakor. A felhasználóknak továbbra is a Modellmagyarázatokat (előzetes verzió) kell használniuk, amíg a meglévő modellek támogatása meg nem történik.
Hozzon létre egy felelős AI-irányítópultot egy adott modellhez az alábbi lépések végrehajtásával:
Az automatikus gépi tanulási feladat elküldése közben lépjen a bal oldali menü Feladatbeállítások szakaszára, és válassza a További konfigurációs beállítások megtekintése lehetőséget.
A További konfiguráció lapon válassza a Legjobb modell magyarázata lehetőséget:
Váltson a Számítás lapra, és válassza a számítás kiszolgáló nélküli beállítását:
A művelet befejezése után keresse meg az automatizált gépi tanulási feladat Modellek lapját, amely tartalmazza a betanított modellek listáját. Válassza a Felelős AI-irányítópult megtekintése hivatkozást:
Megjelenik a felelős AI-irányítópult a kiválasztott modellhez:
Az irányítópulton négy összetevő van aktiválva az automatizált gépi tanulás legjobb modelljéhez:
Összetevő Mit mutat az összetevő? Hogyan olvashatja el a diagramot? Hibaelemzés A következő esetekben használjon hibaelemzést:
– Alapos ismereteket szerezhet arról, hogyan oszlanak el a modellhibák az adathalmazok között, valamint több bemeneti és funkciódimenzió között.
– Az összesített teljesítménymetrikákat lebontva automatikusan felderítheti a hibás kohorszokat a célzott kockázatcsökkentési lépések tájékoztatása érdekében.Hibaelemzési diagramok Modell áttekintése és méltányossága Használja ezt az összetevőt a következőre:
– Mély ismereteket szerezhet a modell teljesítményéről az adatok különböző kohorszai között.
– A modell méltányossági problémáinak megismerése az egyenlőtlenségi metrikák megtekintésével. Ezek a metrikák kiértékelhetik és összehasonlíthatják a modell viselkedését a bizalmas (vagy nem érzékeny) funkciók szempontjából azonosított alcsoportok között.Modell áttekintése és méltányossági diagramok Modellmagyarázatok A modellmagyarázat összetevővel emberi-érthető leírásokat hozhat létre egy gépi tanulási modell előrejelzéseihez az alábbiakat vizsgálva:
– Globális magyarázatok: Milyen funkciók befolyásolják például a hitelkiosztási modell általános viselkedését?
- Helyi magyarázatok: Például miért hagytak jóvá vagy utasítottak el egy ügyfél hitelkérelmét?Modellel magyarázhatósági diagramok Adatelemzés Adatelemzést akkor használjon, ha a következőkre van szüksége:
– Az adathalmaz statisztikáinak megismeréséhez különböző szűrőket választva különböző dimenziókba (más néven kohorszokba) szeletelheti az adatokat.
– Ismerje meg az adathalmaz különböző kohorszok és szolgáltatáscsoportok közötti elosztását.
– Annak meghatározása, hogy a méltányossággal, a hibaelemzéssel és az okozatisággal kapcsolatos (más irányítópult-összetevőkből származó) megállapítások az adathalmaz eloszlásának eredményei-e.
- Döntse el, hogy mely területeken gyűjtsön több adatot a reprezentációs problémákból, a címkezajból, a funkciózajból, a címke elfogultságából és hasonló tényezőkből eredő hibák elhárításához.Data Explorer-diagramok További kohorszokat (adott jellemzőkkel rendelkező adatpontok alcsoportjait) is létrehozhat, hogy az egyes összetevők elemzését különböző kohorszokra összpontosítsa. Az irányítópultra jelenleg alkalmazott kohorsz neve mindig az irányítópult bal felső sarkában jelenik meg. Az irányítópult alapértelmezett nézete a teljes adatkészlet, amely alapértelmezés szerint Az összes adat címmel van elnevezett. További információ: Az irányítópult globális vezérlői .
Feladatok szerkesztése és elküldése (előzetes verzió)
Azokban a forgatókönyvekben, ahol egy meglévő kísérlet beállításai alapján szeretne új kísérletet létrehozni, az Automatizált gépi tanulás a Studio felhasználói felületén biztosítja a Szerkesztés és küldés lehetőséget. Ez a funkció a studio felhasználói felületén kezdeményezett kísérletekre korlátozódik, és megköveteli, hogy az új kísérlet adatséma megegyezzen az eredeti kísérletével.
Fontos
Az új kísérlet másolásának, szerkesztésének és elküldésének lehetősége egy meglévő kísérlet alapján előzetes verziójú funkció. Ez a funkció egy kísérleti előzetes verziójú funkció, amely bármikor változhat.
A Szerkesztés és küldés lehetőség megnyitja a Create a new Automated ML job wizard with the data, compute, and experiment settings prepopulated. A varázsló minden lapján konfigurálhatja a beállításokat, és szükség szerint szerkesztheti a kijelöléseket az új kísérlethez.
A modell üzembe helyezése
A legjobb modell használata után webszolgáltatásként üzembe helyezheti a modellt, hogy előre jelezhesse az új adatokat.
Feljegyzés
A Python SDK-val a csomagon keresztül automl létrehozott modell üzembe helyezéséhez regisztrálnia kell a modellt a munkaterületen.
A modell regisztrálása után a bal oldali menü Modellek elemével megkeresheti a modellt a studióban. A modell áttekintési oldalán kiválaszthatja az Üzembe helyezés lehetőséget, és folytathatja a 2. lépést ebben a szakaszban.
Az automatizált gépi tanulás segítségével kódírás nélkül helyezheti üzembe a modellt.
Indítsa el az üzembe helyezést az alábbi módszerek egyikével:
A legjobb modell üzembe helyezése a megadott metrikafeltételekkel:
A kísérlet befejezése után válassza az 1 . feladatot, és tallózással keresse meg a szülőfeladat oldalát.
Válassza ki a Modell legjobb összefoglalása szakaszban felsorolt modellt, majd válassza az Üzembe helyezés lehetőséget.
Egy adott modell iteráció üzembe helyezése ebből a kísérletből:
- Válassza ki a kívánt modellt a Modellek lapon, majd válassza az Üzembe helyezés lehetőséget.
Töltse ki a Modell üzembe helyezése panelt:
Mező Érték Név Adjon meg egy egyedi nevet az üzemelő példánynak. Leírás Adjon meg egy leírást az üzembehelyezési cél jobb azonosításához. Számítási típus Válassza ki az üzembe helyezni kívánt végpont típusát: Azure Kubernetes Service (AKS) vagy Azure Container Instance (ACI). Számítási név (Csak az AKS-re vonatkozik) Válassza ki annak az AKS-fürtnek a nevét, amelyben üzembe kíván helyezni. Hitelesítés engedélyezése Válassza ki a jogkivonat- vagy kulcsalapú hitelesítés engedélyezését. Egyéni üzembehelyezési eszközök használata Ha saját pontozószkriptet és környezeti fájlt szeretne feltölteni, engedélyezze az egyéni objektumokat. Ellenkező esetben az automatizált gépi tanulás alapértelmezés szerint ezeket az eszközöket biztosítja Önnek. További információ: Gépi tanulási modell üzembe helyezése és pontszáma online végpont használatával. Fontos
A fájlneveknek 1 és 32 karakter közöttinek kell lenniük. A névnek alfanumerikával kell kezdődnie és végződnie, és tartalmazhat kötőjeleket, aláhúzásjeleket, pontokat és alfanumerikus értékeket. A szóközök nem engedélyezettek.
A Speciális menü olyan alapértelmezett üzembehelyezési funkciókat kínál, mint az adatgyűjtés és az erőforrás-kihasználtság beállításai. A menü beállításaival felülbírálhatja ezeket az alapértelmezett értékeket. További információ: Online végpontok figyelése.
Válassza az Üzembe helyezés lehetőséget. Az üzembe helyezés nagyjából 20 percet vesz igénybe.
Az üzembe helyezés megkezdése után megnyílik a Modell összegzése lap. Az üzembe helyezés állapotát az Üzembe helyezés állapota szakaszban figyelheti.
Ezzel használatba állított egy előrejelzéseket készítő webszolgáltatást! Az előrejelzések teszteléséhez lekérdezheti a szolgáltatást a Microsoft Fabric végpontok közötti AI-mintáiból.