Regressão 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 Regressão AutoML.

Como configurar

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. Visite esta ligação para obter mais informações sobre os critérios de saída (política de cessação).

1. Adicione o componente regressão AutoML ao pipeline.

2. Especifique a Coluna de Destino que pretende que o modelo produza

3. (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.
   Depurar modelo através do dashboard de IA Responsável	Gere um dashboard de IA Responsável para fazer uma avaliação holística e depuração do melhor modelo recomendado. Isto inclui informações como explicações de modelos, explorador de desempenho e equidade, explorador de dados e análise de erros de modelos. Saiba mais sobre como pode gerar um dashboard de IA Responsável.
   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.

4. O formulário [Opcional] Validar e testar permite-lhe fazer o seguinte.

   1. Especifique o tipo de validação a utilizar para a sua tarefa de preparação.

   2. Forneça um conjunto de dados de teste (pré-visualização) para avaliar o modelo recomendado que o ML automatizado gera automaticamente no final da experimentação. Quando fornece dados de teste, é automaticamente acionada uma tarefa de teste no final da experimentação. Esta tarefa de teste é apenas uma tarefa no melhor modelo recomendado pelo ML automatizado.

      Importante

      Fornecer um conjunto de dados de teste para avaliar modelos gerados é uma funcionalidade de pré-visualização. Esta capacidade é uma funcionalidade de pré-visualização experimental e pode ser alterada em qualquer altura.

      • Os dados de teste são considerados separados da preparação e validação, de modo a não influenciar os resultados da tarefa de teste do modelo recomendado. Saiba mais sobre o preconceito durante a validação de modelos.
      • Pode fornecer o seu próprio conjunto de dados de teste ou optar por utilizar uma percentagem do conjunto de dados de preparação. Os dados de teste têm de estar na forma de um TabularDataset do Azure Machine Learning.
      • O esquema do conjunto de dados de teste deve corresponder ao conjunto de dados de preparação. A coluna de destino é opcional, mas se não for indicada nenhuma coluna de destino, não são calculadas métricas de teste.
      • O conjunto de dados de teste não deve ser o mesmo que o conjunto de dados de preparação ou o conjunto de dados de validação.
      • As tarefas de previsão não suportam a divisão de preparação/teste.

Passos seguintes

Veja o conjunto de componentes disponíveis para o Azure Machine Learning.