Trenowanie modelu regresji przy użyciu rozwiązania AutoML i języka Python (zestaw SDK w wersji 1)
DOTYCZY:
Zestaw SDK języka Python azureml w wersji 1
Z tego artykułu dowiesz się, jak wytrenować model regresji przy użyciu zestawu SDK języka Python usługi Azure Machine Edukacja przy użyciu zautomatyzowanego uczenia maszynowego platformy Azure Edukacja. Ten model regresji przewiduje taryfy taksówek w Nowym Jorku.
Ten proces akceptuje dane treningowe i ustawienia konfiguracji oraz automatycznie iteruje za pomocą kombinacji różnych metod normalizacji/standaryzacji funkcji, modeli i ustawień hiperparametrów, aby uzyskać najlepszy model.
W tym artykule napiszesz kod przy użyciu zestawu SDK języka Python. Poznasz następujące zadania:
- Pobieranie, przekształcanie i czyszczenie danych przy użyciu usługi Azure Open Datasets
- Trenowanie modelu regresji zautomatyzowanego uczenia maszynowego
- Obliczanie dokładności modelu
W przypadku automatycznego uczenia maszynowego bez kodu wypróbuj następujące samouczki:
Wymagania wstępne
Jeśli nie masz subskrypcji platformy Azure, przed rozpoczęciem utwórz bezpłatne konto. Wypróbuj bezpłatną lub płatną wersję usługi Azure Machine Edukacja dzisiaj.
- Ukończ przewodnik Szybki start: rozpoczynanie pracy z usługą Azure Machine Edukacja, jeśli nie masz jeszcze obszaru roboczego usługi Azure Machine Edukacja ani wystąpienia obliczeniowego.
- Po zakończeniu pracy z przewodnikiem Szybki start:
- Wybierz pozycję Notesy w programie Studio.
- Wybierz kartę Przykłady .
- Otwórz notes SDK v1/tutorials/regression-automl-nyc-taxi-data/regression-automated-ml.ipynb.
- Aby uruchomić każdą komórkę w samouczku, wybierz pozycję Klonuj ten notes
Ten artykuł jest również dostępny w witrynie GitHub , jeśli chcesz go uruchomić we własnym środowisku lokalnym. Aby uzyskać wymagane pakiety,
- Zainstaluj pełnego
automlklienta. - Uruchom polecenie
pip install azureml-opendatasets azureml-widgets, aby pobrać wymagane pakiety.
Pobieranie i przygotowywanie danych
Zaimportuj niezbędne pakiety. Pakiet Open Datasets zawiera klasę reprezentującą każde źródło danych (NycTlcGreen na przykład), aby łatwo filtrować parametry daty przed pobraniem.
from azureml.opendatasets import NycTlcGreen
import pandas as pd
from datetime import datetime
from dateutil.relativedelta import relativedelta
Zacznij od utworzenia ramki danych do przechowywania danych taksówek. W przypadku pracy w środowisku spoza platformy Spark platforma Open Datasets umożliwia pobieranie tylko jednego miesiąca danych w danym momencie z określonymi klasami, aby uniknąć MemoryError dużych zestawów danych.
Aby pobrać dane taksówek, iteracyjnie pobierać jeden miesiąc naraz, a przed dołączeniem ich do green_taxi_df losowo próbki 2000 rekordów z każdego miesiąca, aby uniknąć wdęcia ramki danych. Następnie wyświetl podgląd danych.
green_taxi_df = pd.DataFrame([])
start = datetime.strptime("1/1/2015","%m/%d/%Y")
end = datetime.strptime("1/31/2015","%m/%d/%Y")
for sample_month in range(12):
temp_df_green = NycTlcGreen(start + relativedelta(months=sample_month), end + relativedelta(months=sample_month)) \
.to_pandas_dataframe()
green_taxi_df = green_taxi_df.append(temp_df_green.sample(2000))
green_taxi_df.head(10)
| Vendorid | lpepPickupDatetime | lpepDropoffDatetime | pasażerCount | tripDistance | puLocationId | doLocationId | pickupLongitude | pickupLatitude | dropoffLongitude | ... | paymentType | fareAmount | Dodatkowych | mtaTax | improvementSurcharge | tipAmount | tollsAmount | ehailFee | totalAmount | tripType |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 131969 | 2 | 2015-01-11 05:34:44 | 2015-01-11 05:45:03 | 3 | 4,84 | Brak | Brak | -73.88 | 40.84 | -73.94 | ... | 2 | 15.00 | 0.50 | 0.50 | 0.3 | 0,00 | 0,00 | Nan | 16.30 |
| 1129817 | 2 | 2015-01-20 16:26:29 | 2015-01-20 16:30:26 | 1 | 0.69 | Brak | Brak | -73.96 | 40.81 | -73.96 | ... | 2 | 4,50 | 1.00 | 0.50 | 0.3 | 0,00 | 0,00 | Nan | 6.30 |
| 1278620 | 2 | 2015-01-01 05:58:10 | 2015-01-01 06:00:55 | 1 | 0,45 | Brak | Brak | -73.92 | 40.76 | -73.91 | ... | 2 | 4,00 | 0,00 | 0.50 | 0.3 | 0,00 | 0,00 | Nan | 4.80 |
| 348430 | 2 | 2015-01-17 02:20:50 | 2015-01-17 02:41:38 | 1 | 0,00 | Brak | Brak | -73.81 | 40.70 | -73.82 | ... | 2 | 12.50 | 0.50 | 0.50 | 0.3 | 0,00 | 0,00 | Nan | 13.80 |
| 1269627 | 1 | 2015-01-01 05:04:10 | 2015-01-01 05:06:23 | 1 | 0.50 | Brak | Brak | -73.92 | 40.76 | -73.92 | ... | 2 | 4,00 | 0.50 | 0.50 | 0 | 0,00 | 0,00 | Nan | 5.00 |
| 811755 | 1 | 2015-01-04 19:57:51 | 2015-01-04 20:05:45 | 2 | 1.10 | Brak | Brak | -73.96 | 40.72 | -73.95 | ... | 2 | 6.50 | 0.50 | 0.50 | 0.3 | 0,00 | 0,00 | Nan | 7,80 |
| 737281 | 1 | 2015-01-03 12:27:31 | 2015-01-03 12:33:52 | 1 | 0.90 | Brak | Brak | -73.88 | 40.76 | -73.87 | ... | 2 | 6,00 | 0,00 | 0.50 | 0.3 | 0,00 | 0,00 | Nan | 6.80 |
| 113951 | 1 | 2015-01-09 23:25:51 | 2015-01-09 23:39:52 | 1 | 3.30 | Brak | Brak | -73.96 | 40.72 | -73.91 | ... | 2 | 12.50 | 0.50 | 0.50 | 0.3 | 0,00 | 0,00 | Nan | 13.80 |
| 150436 | 2 | 2015-01-11 17:15:14 | 2015-01-11 17:22:57 | 1 | 1.19 | Brak | Brak | -73.94 | 40.71 | -73.95 | ... | 1 | 7.00 | 0,00 | 0.50 | 0.3 | 1,75 | 0,00 | Nan | 9.55 |
| 432136 | 2 | 2015-01-22 23:16:33 2015-01-22 23:20:13 1 0.65 | Brak | Brak | -73.94 | 40.71 | -73.94 | ... | 2 | 5.00 | 0.50 | 0.50 | 0.3 | 0,00 | 0,00 | Nan | 6.30 |
Usuń niektóre kolumny, których nie potrzebujesz do trenowania ani innego budynku funkcji. Automatyzowanie uczenia maszynowego będzie automatycznie obsługiwać funkcje oparte na czasie, takie jak lpepPickupDatetime.
columns_to_remove = ["lpepDropoffDatetime", "puLocationId", "doLocationId", "extra", "mtaTax",
"improvementSurcharge", "tollsAmount", "ehailFee", "tripType", "rateCodeID",
"storeAndFwdFlag", "paymentType", "fareAmount", "tipAmount"
]
for col in columns_to_remove:
green_taxi_df.pop(col)
green_taxi_df.head(5)
Oczyszczanie danych
Uruchom funkcję w describe() nowej ramce danych, aby wyświetlić statystyki podsumowania dla każdego pola.
green_taxi_df.describe()
| Vendorid | pasażerCount | tripDistance | pickupLongitude | pickupLatitude | dropoffLongitude | dropoffLatitude | totalAmount | month_num day_of_month | day_of_week | hour_of_day |
|---|---|---|---|---|---|---|---|---|---|---|
| count | 48000.00 | 48000.00 | 48000.00 | 48000.00 | 48000.00 | 48000.00 | 48000.00 | 48000.00 | 48000.00 | 48000.00 |
| średnia | 1.78 | 1,37 | 2,87 | -73.83 | 40.69 | -73.84 | 40.70 | 14.75 | 6.50 | 15.13 |
| odchylenie standardowe | 0.41 | 1.04 | 2.93 | 2.76 | 1.52 | 2.61 | 1.44 | 12.08 | 3.45 | 8.45 |
| min | 1,00 | 0,00 | 0,00 | -74.66 | 0,00 | -74.66 | 0,00 | -300,00 | 1,00 | 1,00 |
| 25% | 2.00 | 1.00 | 1.06 | -73.96 | 40.70 | -73.97 | 40.70 | 7,80 | 3.75 | 8.00 |
| 50% | 2.00 | 1.00 | 1.90 | -73.94 | 40.75 | -73.94 | 40.75 | 11.30 | 6.50 | 15.00 |
| 75% | 2.00 | 1.00 | 3.60 | -73.92 | 40.80 | -73.91 | 40.79 | 17.80 | 9.25 | 22,00 |
| max | 2.00 | 9.00 | 97.57 | 0,00 | 41.93 | 0,00 | 41.94 | 450.00 | 12,00 | 30.00 |
W statystykach podsumowania widać, że istnieje kilka pól, które mają wartości odstające lub wartości, które zmniejszają dokładność modelu. Najpierw odfiltruj pola lat/długie, aby mieściły się w granicach obszaru Manhattan. Filtruje to dłuższe przejazdy taksówek lub wycieczki, które są odstające w odniesieniu do ich relacji z innymi funkcjami.
Dodatkowo przefiltruj tripDistance pole, aby było większe niż zero, ale mniejsze niż 31 mil (odległość między dwiema parami lat/long). Eliminuje to długie podróże odstające, które mają niespójne koszty podróży.
Na koniec totalAmount pole ma ujemne wartości taryf taksówek, które nie mają sensu w kontekście naszego modelu, a passengerCount pole ma nieprawidłowe dane z minimalnymi wartościami równymi zero.
Odfiltruj te anomalie przy użyciu funkcji zapytań, a następnie usuń kilka ostatnich kolumn niepotrzebnych do trenowania.
final_df = green_taxi_df.query("pickupLatitude>=40.53 and pickupLatitude<=40.88")
final_df = final_df.query("pickupLongitude>=-74.09 and pickupLongitude<=-73.72")
final_df = final_df.query("tripDistance>=0.25 and tripDistance<31")
final_df = final_df.query("passengerCount>0 and totalAmount>0")
columns_to_remove_for_training = ["pickupLongitude", "pickupLatitude", "dropoffLongitude", "dropoffLatitude"]
for col in columns_to_remove_for_training:
final_df.pop(col)
Ponownie wywołaj dane describe() , aby upewnić się, że czyszczenie działa zgodnie z oczekiwaniami. Masz teraz przygotowany i oczyszczony zestaw danych taksówek, wakacji i pogody do użycia na potrzeby trenowania modelu uczenia maszynowego.
final_df.describe()
Konfigurowanie obszaru roboczego
Utwórz obiekt obszaru roboczego na podstawie istniejącego obszaru roboczego. Obszar roboczy to klasa, która akceptuje informacje o subskrypcji i zasobach platformy Azure. Tworzy ona również zasób w chmurze służący do monitorowania i śledzenia przebiegów modelu. Workspace.from_config() Odczytuje plik config.json i ładuje szczegóły uwierzytelniania do obiektu o nazwie ws. ws jest używany w pozostałej części kodu w tym artykule.
from azureml.core.workspace import Workspace
ws = Workspace.from_config()
Podział danych na zestawy treningowe i testowe
Podziel dane na zestawy treningowe i testowe przy użyciu train_test_split funkcji w bibliotece scikit-learn . Ta funkcja rozdziela dane do zestawu danych x (funkcje) na potrzeby trenowania modelu i zestawu danych y (wartości do przewidywania) na potrzeby testowania.
Parametr test_size określa procent danych przydzielanych do testowania. Parametr random_state ustawia inicjator do generatora losowego, aby podziały testów trenowania są deterministyczne.
from sklearn.model_selection import train_test_split
x_train, x_test = train_test_split(final_df, test_size=0.2, random_state=223)
Celem tego etapu jest uzyskanie punktów danych do przetestowania ukończono modelu, które nie były używane do jego wytrenowania. Pozwoli to zmierzyć rzeczywistą dokładność.
Innymi słowy, dobrze wytrenowany model powinien umożliwiać dokładne prognozowanie na podstawie danych, które jeszcze się nie pojawiły. Masz teraz dane przygotowane do automatycznego trenowania modelu uczenia maszynowego.
Automatyczne trenowanie modelu
Aby przeprowadzić automatyczne trenowanie modelu, wykonaj następujące czynności:
- Zdefiniuj ustawienia przebiegu eksperymentu. Dołącz do konfiguracji dane treningowe i zmodyfikuj ustawienia, które sterują procesem treningu.
- Prześlij eksperyment do strojenia modelu. Po przesłaniu eksperymentu proces wykonuje iterację z użyciem różnych algorytmów uczenia maszynowego i ustawień hiperparametrycznych z uwzględnieniem zdefiniowanych ograniczeń. Na podstawie zoptymalizowanej metryki dokładności jest wybierany model o najlepszym dopasowaniu.
Definiowanie ustawień trenowania
Zdefiniuj parametr eksperymentu i ustawienia modelu na potrzeby trenowania. Wyświetl pełną listę ustawień. Przesyłanie eksperymentu z tymi ustawieniami domyślnymi trwa około 5–20 minut, ale jeśli chcesz skrócić czas wykonywania, zmniejsz experiment_timeout_hours parametr .
| Właściwości | Wartość w tym artykule | opis |
|---|---|---|
| iteration_timeout_minutes | 10 | Limit czasu w minutach dla każdej iteracji. Zwiększ tę wartość dla większych zestawów danych, które potrzebują więcej czasu dla każdej iteracji. |
| experiment_timeout_hours | 0.3 | Maksymalny czas w godzinach, przez które wszystkie iteracji połączone mogą potrwać przed zakończeniem eksperymentu. |
| enable_early_stopping | Prawda | Flaga umożliwiająca wcześniejsze zakończenie, jeśli wynik nie poprawia się w krótkim okresie. |
| primary_metric | spearman_correlation | Metryka, który ma być optymalizowana. Najlepiej dopasowany model jest wybierany na podstawie tej metryki. |
| cechowanie | auto | Dzięki automatycznemu eksperymentowi można wstępnie przetworzyć dane wejściowe (obsługa brakujących danych, konwertowanie tekstu na liczbowe itp.) |
| verbosity | logging.INFO | Steruje poziomem rejestrowania. |
| n_cross_validations | 5 | Liczba podziałów krzyżowej weryfikacji, które mają być wykonywane, gdy nie określono danych walidacji. |
import logging
automl_settings = {
"iteration_timeout_minutes": 10,
"experiment_timeout_hours": 0.3,
"enable_early_stopping": True,
"primary_metric": 'spearman_correlation',
"featurization": 'auto',
"verbosity": logging.INFO,
"n_cross_validations": 5
}
Użyj zdefiniowanych ustawień trenowania jako **kwargs parametru AutoMLConfig do obiektu. Ponadto określ dane treningowe i typ modelu — w tym przypadku regression.
from azureml.train.automl import AutoMLConfig
automl_config = AutoMLConfig(task='regression',
debug_log='automated_ml_errors.log',
training_data=x_train,
label_column_name="totalAmount",
**automl_settings)
Uwaga
Zautomatyzowane kroki przetwarzania wstępnego uczenia maszynowego (normalizacja funkcji, obsługa brakujących danych, konwertowanie tekstu na liczbę itp.) stają się częścią modelu bazowego. W przypadku korzystania z modelu do przewidywania te same kroki przetwarzania wstępnego stosowane podczas trenowania są stosowane automatycznie do danych wejściowych.
Trenowanie automatycznego modelu regresji
Utwórz obiekt eksperymentu w obszarze roboczym. Eksperyment działa jako kontener dla poszczególnych zadań. Przekaż zdefiniowany automl_config obiekt do eksperymentu i ustaw dane wyjściowe, aby wyświetlić True postęp podczas zadania.
Po rozpoczęciu eksperymentu dane wyjściowe wyświetlane na żywo są aktualizowane podczas uruchamiania eksperymentu. W każdej iteracji widać typ modelu, czas trwania i dokładność treningu. Pole BEST umożliwia śledzenie najlepszego wyniku w uruchomionym treningu na podstawie typu metryki.
from azureml.core.experiment import Experiment
experiment = Experiment(ws, "Tutorial-NYCTaxi")
local_run = experiment.submit(automl_config, show_output=True)
Running on local machine
Parent Run ID: AutoML_1766cdf7-56cf-4b28-a340-c4aeee15b12b
Current status: DatasetFeaturization. Beginning to featurize the dataset.
Current status: DatasetEvaluation. Gathering dataset statistics.
Current status: FeaturesGeneration. Generating features for the dataset.
Current status: DatasetFeaturizationCompleted. Completed featurizing the dataset.
Current status: DatasetCrossValidationSplit. Generating individually featurized CV splits.
Current status: ModelSelection. Beginning model selection.
****************************************************************************************************
ITERATION: The iteration being evaluated.
PIPELINE: A summary description of the pipeline being evaluated.
DURATION: Time taken for the current iteration.
METRIC: The result of computing score on the fitted pipeline.
BEST: The best observed score thus far.
****************************************************************************************************
ITERATION PIPELINE DURATION METRIC BEST
0 StandardScalerWrapper RandomForest 0:00:16 0.8746 0.8746
1 MinMaxScaler RandomForest 0:00:15 0.9468 0.9468
2 StandardScalerWrapper ExtremeRandomTrees 0:00:09 0.9303 0.9468
3 StandardScalerWrapper LightGBM 0:00:10 0.9424 0.9468
4 RobustScaler DecisionTree 0:00:09 0.9449 0.9468
5 StandardScalerWrapper LassoLars 0:00:09 0.9440 0.9468
6 StandardScalerWrapper LightGBM 0:00:10 0.9282 0.9468
7 StandardScalerWrapper RandomForest 0:00:12 0.8946 0.9468
8 StandardScalerWrapper LassoLars 0:00:16 0.9439 0.9468
9 MinMaxScaler ExtremeRandomTrees 0:00:35 0.9199 0.9468
10 RobustScaler ExtremeRandomTrees 0:00:19 0.9411 0.9468
11 StandardScalerWrapper ExtremeRandomTrees 0:00:13 0.9077 0.9468
12 StandardScalerWrapper LassoLars 0:00:15 0.9433 0.9468
13 MinMaxScaler ExtremeRandomTrees 0:00:14 0.9186 0.9468
14 RobustScaler RandomForest 0:00:10 0.8810 0.9468
15 StandardScalerWrapper LassoLars 0:00:55 0.9433 0.9468
16 StandardScalerWrapper ExtremeRandomTrees 0:00:13 0.9026 0.9468
17 StandardScalerWrapper RandomForest 0:00:13 0.9140 0.9468
18 VotingEnsemble 0:00:23 0.9471 0.9471
19 StackEnsemble 0:00:27 0.9463 0.9471
Eksplorowanie wyników
Zapoznaj się z wynikami automatycznego trenowania za pomocą widżetu Jupyter. Widżet umożliwia wyświetlenie wykresu i tabeli wszystkich iteracji poszczególnych zadań wraz z metrykami dokładności trenowania i metadanymi. Ponadto można filtrować różne metryki dokładności niż podstawowa metryka za pomocą selektora listy rozwijanej.
from azureml.widgets import RunDetails
RunDetails(local_run).show()
Pobieranie najlepszego modelu
Wybierz najlepszy model z iteracji. Funkcja get_output zwraca najlepszy przebieg i dopasowany model dla ostatniego wywołania dopasowania. Za pomocą przeciążeń w systemie get_outputmożna pobrać najlepszy przebieg i dopasowany model dla dowolnej zarejestrowanej metryki lub określonej iteracji.
best_run, fitted_model = local_run.get_output()
print(best_run)
print(fitted_model)
Testowanie dokładności najlepszego modelu
Użyj najlepszego modelu do uruchamiania przewidywań na zestawie danych testowych w celu przewidywania opłat za taksówkę. Funkcja predict używa najlepszego modelu i przewiduje wartości y, koszt podróży z x_test zestawu danych. Wyświetl pierwsze 10 wartości przewidywanego kosztu z zestawu y_predict.
y_test = x_test.pop("totalAmount")
y_predict = fitted_model.predict(x_test)
print(y_predict[:10])
Oblicz wartość root mean squared error dla wyników. Przekonwertuj y_test ramkę danych na listę, aby porównać je z przewidywanymi wartościami. Funkcja mean_squared_error pobiera dwie tablice wartości i oblicza średnią wartość błędu kwadratowego między nimi. Wyciągnięcie pierwiastka kwadratowego z wyniku powoduje błąd w tych samych jednostkach co zmienna y koszt. Wskazuje mniej więcej, jak daleko przewidywania taryf taksówek pochodzą z rzeczywistych taryf.
from sklearn.metrics import mean_squared_error
from math import sqrt
y_actual = y_test.values.flatten().tolist()
rmse = sqrt(mean_squared_error(y_actual, y_predict))
rmse
Uruchom następujący kod, aby obliczyć średni bezwzględny błąd procentu (MAPE) przy użyciu pełnych y_actual zestawów danych.y_predict Ta metryka oblicza wartości bezwzględne różnic między poszczególnymi wartościami przewidywanymi i rzeczywistymi oraz sumuje wszystkie różnice. Następnie wyraża tę sumę jako procent sumy wartości rzeczywistych.
sum_actuals = sum_errors = 0
for actual_val, predict_val in zip(y_actual, y_predict):
abs_error = actual_val - predict_val
if abs_error < 0:
abs_error = abs_error * -1
sum_errors = sum_errors + abs_error
sum_actuals = sum_actuals + actual_val
mean_abs_percent_error = sum_errors / sum_actuals
print("Model MAPE:")
print(mean_abs_percent_error)
print()
print("Model Accuracy:")
print(1 - mean_abs_percent_error)
Model MAPE:
0.14353867606052823
Model Accuracy:
0.8564613239394718
Z dwóch metryk dokładności przewidywania widać, że model jest dość dobry w przewidywaniu opłat za taksówkę z funkcji zestawu danych, zazwyczaj w zakresie +- 4,00 USD i około 15% błędów.
Tradycyjny proces opracowywania modelu uczenia maszynowego intensywnie korzysta z zasobów. Wymaga dużej wiedzy o danej dziedzinie oraz czasu, który trzeba poświęcić na uruchamianie kilkudziesięciu modeli i porównywanie ich wyników. Użycie automatycznego uczenia maszynowego jest doskonałym sposobem na szybkie przetestowanie wielu różnych modeli w danym scenariuszu.
Czyszczenie zasobów
Nie należy wykonywać tej sekcji, jeśli planujesz uruchamianie innych samouczków usługi Azure Machine Edukacja.
Zatrzymywanie wystąpienia obliczeniowego
Jeśli użyto wystąpienia obliczeniowego, zatrzymaj maszynę wirtualną, gdy nie używasz jej w celu obniżenia kosztów.
W obszarze roboczym wybierz pozycję Obliczenia.
Z listy wybierz nazwę wystąpienia obliczeniowego.
Wybierz pozycję Zatrzymaj.
Gdy wszystko będzie gotowe do ponownego użycia serwera, wybierz pozycję Uruchom.
Usuń wszystko
Jeśli nie planujesz korzystać z utworzonych zasobów, usuń je, aby nie ponosić żadnych opłat.
- W witrynie Azure Portal na końcu z lewej strony wybierz pozycję Grupy zasobów.
- Wybierz utworzoną grupę zasobów z listy.
- Wybierz pozycję Usuń grupę zasobów.
- Wpisz nazwę grupy zasobów. Następnie wybierz Usuń.
Możesz też zachować grupę zasobów i usunąć jeden obszar roboczy. Wyświetl właściwości obszaru roboczego i wybierz pozycję Usuń.
Następne kroki
W tym artykule dotyczącym zautomatyzowanego uczenia maszynowego wykonaliśmy następujące zadania:
- Skonfigurowano obszar roboczy i przygotowano dane do eksperymentu.
- Przeprowadzono trenowanie przy użyciu zautomatyzowanego modelu regresji lokalnie z użyciem niestandardowych parametrów.
- Zbadano i przejrzano wyniki trenowania.