Previsão de AutoML
Este artigo descreve um componente no estruturador do Azure Machine Learning.
Utilize este componente para criar um modelo de machine learning baseado na Previsão de AutoML.
Como configurar
Este componente cria um modelo de previsão. Uma vez que a previsão é um método de aprendizagem supervisionado, precisa de um conjunto de dados etiquetado que inclua uma coluna de etiqueta com um valor para todas as linhas. Siga esta ligação para obter mais informações sobre como preparar o conjunto de dados. O conjunto de dados precisará de um conjunto de dados etiquetado que inclua uma coluna de etiqueta com um valor para todas as linhas.
Este modelo requer um conjunto de dados de preparação. Os conjuntos de dados de validação e teste são opcionais.
O AutoML cria vários pipelines em paralelo que experimentam diferentes algoritmos e parâmetros para o seu modelo. O serviço itera através de algoritmos ML emparelhados com seleções de funcionalidades, onde cada iteração produz um modelo com uma classificação de preparação. Pode escolher a métrica para a qual pretende otimizar o modelo. Quanto melhor for a classificação da métrica escolhida, melhor será considerado o modelo para "ajustar" os seus dados. Pode definir um critério de saída para a experimentação. Os critérios de saída serão um modelo com uma classificação de preparação específica que pretende que o AutoML encontre. Irá parar assim que atingir os critérios de saída definidos. Em seguida, este componente irá produzir o melhor modelo que foi gerado no final da execução do conjunto de dados.
Adicione o componente de Previsão de AutoML ao pipeline.
Especifique o training_data que pretende que o modelo utilize.
Especifique a Métrica Primária que pretende que o AutoML utilize para medir o sucesso do modelo.
Especifique a Coluna de Destino que pretende que o modelo produza
No formulário Tipo de tarefa e definições , selecione o tipo de tarefa: previsão. Veja tipos de tarefas suportados para obter mais informações.
Para a previsão , pode,
Ativar a aprendizagem profunda.
Selecionar coluna de tempo: esta coluna contém os dados de hora a utilizar.
Selecionar horizonte de previsão: indique quantas unidades de tempo (minutos/horas/dias/semanas/meses/anos) o modelo será capaz de prever para o futuro. Quanto mais longe for necessário o modelo para prever o futuro, menos preciso se torna. Saiba mais sobre a previsão e o horizonte de previsão.
(Opcional) Ver definições de configuração de adição: definições adicionais que pode utilizar para controlar melhor a tarefa de preparação. Caso contrário, as predefinições são aplicadas com base na seleção de experimentação e nos dados.
Configurações adicionais Description Métrica primária Métrica principal utilizada para classificar o modelo. Saiba mais sobre as métricas de modelo. Explicar o melhor modelo Selecione para ativar ou desativar, para mostrar explicações para o melhor modelo recomendado.
Esta funcionalidade não está atualmente disponível para determinados algoritmos de previsão.Algoritmo bloqueado Selecione algoritmos que pretende excluir da tarefa de preparação.
Permitir algoritmos só está disponível para experimentações do SDK.
Veja os algoritmos suportados para cada tipo de tarefa.Critério de saída Quando qualquer um destes critérios é cumprido, a tarefa de preparação é interrompida.
Tempo de trabalho de formação (horas): quanto tempo permite a execução da tarefa de preparação.
Limiar de classificação de métricas: classificação mínima de métricas para todos os pipelines. Isto garante que, se tiver uma métrica de destino definida que pretende alcançar, não passa mais tempo no trabalho de preparação do que o necessário.Simultaneidade Iterações simultâneas máximas: número máximo de pipelines (iterações) para testar na tarefa de preparação. A tarefa não será executada mais do que o número especificado de iterações. Saiba mais sobre como o ML automatizado executa várias tarefas subordinadas em clusters.
Passos seguintes
Veja o conjunto de componentes disponíveis para o Azure Machine Learning.