次の方法で共有

予測モデルを作成する

  • [アーティクル]

この例では、Microsoft Dataverse の Online Shopper Intention テーブルを使用する Power Apps 予測 AI モデルを作成します。 このサンプルデータを自分の Microsoft Power Platform 環境に取得するには、AI Builder でモデルを構築する で説明されているように環境を作成する時に サンプル アプリとデータをデプロイする 設定を有効にします。 または、データ準備のさらに詳細な手順に従います。 Dataverse にサンプル データを取り込んだ後、次の手順に従ってモデルを作成します。

  1. Power Apps または Power Automate にサインインします。

  2. 左のペインで ... その他>AI ハブ を選択します。

  3. AI 機能の検出 で AI モデル を選択します。

    (オプション) AI モデル をメニュー上に常時表示してアクセスしやすくするには、ピン アイコンを選択します。

  4. 予測 - 過去のデータから未来の結果を予測するを選択します。

  5. カスタム モデルの作成 を選択します。

過去の実績を選択する

AI Builder を使用して予測するとします。 たとえば、"顧客離反は発生しますか?" という質問の場合は、次のような質問について考えてみます。

  • 顧客離反に関する情報を含むテーブルはどこにありますか?
  • 顧客離反が発生したかどうかを明示的に示す列はありますか?
  • 不確実性の原因となる可能性のある列に不明な項目はありますか?

この情報を使用して選択を行います。 提供されているサンプル データを操作する場合、質問は "オンライン ストアでやり取りをしたこのユーザーは、購入をおこないましたか?" となります。そうであった場合は、その顧客の収益があるはずです。 したがって、この顧客の収益があるかどうかが、履歴の結果となる必要があります。 この情報が空の場合は常に、予測するのに AI Builder が役立ちます。

  1. テーブル ドロップダウン メニューで、データと予測する結果を含むテーブルを選択します。 サンプル データの場合は、オンラインの買い物客の意図 を選択します。

  2. 列 ドロップダウン メニューで、結果を含む列を選択します。 サンプル データの場合は、売上 (ラベル) を選択します。 または、数値の予測を試行する場合は、ExitRates を選択します。

  3. 2 つ以上の結果を含むオプション セットを選択した場合は、何かが発生するかどうかを予測したいため、それを "はい" または "いいえ" にマッピングすることを検討してください。

  4. 複数の結果を予測したい場合は、サンプルにあるブラジルの eコマース データセットを使用して、テーブル ドロップダウン メニューの BC 注文 と 列 ドロップダウン メニューの発送スケジュールを選択します。

注意

AI Builder は、結果列で次のデータ型をサポートします。

  • はい/いいえ
  • Choices
  • 整数
  • 10 進数
  • 浮動小数点数
  • 通貨

自分のモデルをトレーニングするためにデータ列を選択する

テーブル と 列 を選択し、結果をマップした後、モデルのトレーニングに使用されるデータ列を変更できます。 既定では、関連するすべての列が選択されます。 精度の低いモデルに寄与する可能性のある列は選択を解除できます。 ここで何をすべきかわからなくても、心配しないでください。 AI Builder によって、可能な限り最良のモデルを実現する列の検索が試みられます。 サンプル データの場合は、すべてをそのままにして、次へ を選択します。

データ列の選択に関する考慮事項

ここで考慮すべき最も重要なことは、過去の結果列ではない列が、結果によって間接的に決定されるかどうかです。

たとえば、発送が遅れるかどうかを予測したいとします。 データには、実際に配達された日付が含まれている場合があります。 その日付は、注文が発送された後にのみ存在します。 そのため、この列を含める場合は、このモデルの精度は 100パーセント近くになります。 予測したい注文はまだ発送されていないため、発送された日付の列は入力されていません。 そのため、トレーニングの前に、このような列の選択を解除する必要があります。 機械学習では、これは 対象の漏えい または データの漏えい と呼ばれます。 AI Builder によって "あまりに良すぎる" 列のフィルター処理が試みられますが、ご自分でも確認する必要があります。

Note

データ フィールドを選択する場合、モデルをトレーニングするための入力として使用できない、画像などいくつかのデータ型は表示されません。 また、作成日時などのシステム列も既定で除外されます。

予測のパフォーマンスを向上させる可能性があるテーブルがある場合は、それらを含めることもできます。 顧客が解約するかどうかを予測した場合と同じように、別のテーブルにある可能性のある追加情報を含める必要があります。 現時点では、AI Builder では多対一のリレーションシップがサポートされています。

データをフィルター処理する

トレーニング用のデータ列を選択した後は、データにフィルターを適用できます。 テーブルにはすべての行が含まれます。 しかし、行のサブセットに対するトレーニングおよび予測に集中することをお勧めします。 モデルのトレーニングに使用するのと同じテーブル内に関連性のないデータがあることがわかっている場合は、この手順を使用してフィルター処理できます。

たとえば、米国の地域のみを表示するようにフィルターを適用した場合、米国の地域に対してのみ結果がわかっている行でモデルがトレーニングされます。 このモデルがトレーニングされると、米国の地域に対してのみ結果がわからない行の予測のみが行われます。

フィルター処理のエクスペリエンスは、Power Apps ビュー エディターと同じです。 まず、次のものを追加します。

  • 行、これには 1 つのフィルター条件が含まれます。
  • グループ、これは使用するフィルター条件を入れ子にできるようにします。
  • 関連テーブルに対してフィルター条件を作成できるようになる関連テーブル。

フィルター条件を表す列、演算子、値を選択します。 チェックボックスを使用して、行をグループ化したり、行を一括削除したりできます。

次のステップ

ご利用の予測モデルをトレーニングし発行する