Prognozowanie automatycznego uczenia maszynowego

W tym artykule opisano składnik w projektancie usługi Azure Machine Learning.

Użyj tego składnika, aby utworzyć model uczenia maszynowego oparty na prognozowaniu automatycznego uczenia maszynowego.

Sposób konfigurowania

Ten składnik tworzy model prognozowania. Ponieważ prognozowanie jest metodą uczenia nadzorowanego, potrzebny jest zestaw danych z etykietą zawierającą kolumnę etykiety z wartością dla wszystkich wierszy. Postępuj zgodnie z tym linkiem, aby uzyskać więcej informacji na temat przygotowywania zestawu danych. Zestaw danych wymaga oznaczonego zestawu danych zawierającego kolumnę etykiety z wartością dla wszystkich wierszy.

Ten model wymaga zestawu danych szkoleniowych. Zestawy danych sprawdzania poprawności i testowania są opcjonalne.

Rozwiązanie AutoML tworzy wiele potoków równolegle, które próbują użyć różnych algorytmów i parametrów dla modelu. Usługa iteruje za pomocą algorytmów uczenia maszynowego sparowanych z wyborami funkcji, gdzie każda iteracja generuje model z wynikiem trenowania. Możesz wybrać metryki, dla której ma zostać zoptymalizowany model. Lepszy wynik dla wybranej metryki, tym lepiej model jest uznawany za "dopasowany" do danych. Możesz zdefiniować kryteria zakończenia eksperymentu. Kryteria zakończenia są modelem z określonym wynikiem trenowania, który ma być wyszukiwany przez rozwiązanie AutoML. Zatrzymuje się po osiągnięciu zdefiniowanych kryteriów wyjścia. Ten składnik generuje najlepszy model, który został wygenerowany na końcu przebiegu zestawu danych.

1. Dodaj składnik prognozowania automatycznego uczenia maszynowego do potoku.

2. Określ training_data, którego ma używać model.

3. Określ metryka podstawowa, która ma być używana przez rozwiązanie AutoML do mierzenia sukcesu modelu.

4. Określ kolumnę docelową, dla której model ma zostać wyświetlony

5. W formularzu Typ zadania i ustawienia wybierz typ zadania: prognozowanie. Aby uzyskać więcej informacji, zobacz obsługiwane typy zadań.

   1. W przypadku prognozowania można:

      1. Włącz uczenie głębokie.

      2. Wybierz kolumnę czasu: ta kolumna zawiera dane czasu do użycia.

      3. Wybierz horyzont prognozy: określ, ile jednostek czasu (minuty/godziny/dni/tygodnie/miesiące/lata) będzie w stanie przewidzieć przyszłość. Tym bardziej, że model jest wymagany do przewidywania w przyszłości, tym mniej dokładne staje się. Dowiedz się więcej o prognozowaniu i horyzoncie prognozy.

6. (Opcjonalnie) Wyświetlanie ustawień konfiguracji dodawania: dodatkowe ustawienia, których można użyć, aby lepiej kontrolować zadanie trenowania. W przeciwnym razie wartości domyślne są stosowane na podstawie wyboru eksperymentu i danych.

   Dodatkowe konfiguracje	opis
   Metryka podstawowa	Główna metryka używana do oceniania modelu. Dowiedz się więcej o metrykach modelu.
   Wyjaśnienie najlepszego modelu	Wybierz, aby włączyć lub wyłączyć, aby wyświetlić wyjaśnienia zalecanego najlepszego modelu. Ta funkcja nie jest obecnie dostępna dla niektórych algorytmów prognozowania.
   Zablokowany algorytm	Wybierz algorytmy, które chcesz wykluczyć z zadania trenowania. Zezwalanie na algorytmy jest dostępne tylko dla eksperymentów zestawu SDK. Zobacz obsługiwane algorytmy dla każdego typu zadania.
   Kryterium wyjścia	Po spełnieniu któregokolwiek z tych kryteriów zadanie szkoleniowe zostanie zatrzymane. Czas zadania trenowania (godziny): jak długo można uruchomić zadanie szkoleniowe. Próg oceny metryki: minimalny wynik metryki dla wszystkich potoków. Gwarantuje to, że jeśli masz zdefiniowaną metrykę docelową, którą chcesz osiągnąć, nie poświęcasz więcej czasu na zadanie szkoleniowe niż jest to konieczne.
   Współbieżność	Maksymalna liczba iteracji współbieżnych: maksymalna liczba potoków (iteracji) do testowania w zadaniu trenowania. Zadanie nie zostanie uruchomione więcej niż określona liczba iteracji. Dowiedz się więcej o tym, jak zautomatyzowane uczenie maszynowe wykonuje wiele zadań podrzędnych w klastrach.

Następne kroki

Zobacz zestaw składników dostępnych dla usługi Azure Machine Learning.