Notă
Accesul la această pagină necesită autorizare. Puteți încerca să vă conectați sau să modificați directoarele.
Accesul la această pagină necesită autorizare. Puteți încerca să modificați directoarele.
Acest exemplu creează un model de IA de predicție care utilizează tabelul Intenția cumpărătorului online Power Apps . Microsoft Dataverse Pentru a introduce aceste date eșantion în mediul dvs. Microsoft Power Platform , activați setarea Implementați aplicații și date eșantion atunci creați un mediu, așa cum este descris în Construiți un model în AI Builder. Sau urmați instrucțiunile mai detaliate din Pregătirea datelor. După ce datele eșantionului sunt în Dataverse, urmați acești pași pentru a crea modelul.
conectați-vă la Power Apps sau Power Automate.
În panoul din stânga, selectați ... Mai multe>Centrul AI.
Sub Descoperiți o capacitate AI, selectați Modele AI.
(Opțional) Pentru a păstra modelele AI permanent în meniu pentru acces facil, selectați pictograma cu ac.
Selectați Predicție - Preziceți rezultatele viitoare din datele istorice.
Selectați Creați un model personalizat.
Selectați rezultatul istoric
Gândește-te la predicția pe care vrei să o faci. AI Builder De exemplu, pentru întrebarea „Va abandona acest client?”, gândiți-vă la întrebări de genul:
- Unde este tabelul care conține informații despre rata de abandon a clienților?
- Există o coloană acolo care specifică dacă clientul a renunțat?
- Există necunoscute într-o coloană care ar putea cauza incertitudine?
Folosește aceste informații pentru a face selecțiile. Lucrând cu datele eșantion furnizate, întrebarea este „a făcut acest utilizator care a interacționat cu magazinul meu online o achiziție?” Dacă a făcut-o, ar trebui să existe venituri pentru acel client. Prin urmare, dacă există venituri pentru acest client ar trebui să fie rezultatul istoric. Oriunde aceste informații sunt goale, este locul unde AI Builder vă poate ajuta să faceți o predicție.
În meniul derulant Tabel , selectați tabelul care conține datele și rezultatul pe care doriți să îl preziceți. Pentru datele eșantion, selectați Intenția cumpărătorului online.
În meniul derulant Coloană , selectați coloana care conține rezultatul. Pentru datele eșantion, selectați Venit (Etichetă). Sau, dacă vrei să încerci să prezici un număr, selectează ExitRates.
Dacă ați selectat un set de opțiuni care conține două sau mai multe rezultate, luați în considerare asocierea acestuia cu „Da” sau „Nu”, deoarece doriți să preziceți dacă se va întâmpla ceva.
Dacă doriți să preziceți mai multe rezultate, utilizați setul de date privind comerțul electronic brazilian din eșantion și selectați Comandă BC din meniul derulant Tabel și Termene de livrare din meniul derulant Coloană .
Notă
AI Builder acceptă aceste tipuri de date pentru coloana de rezultate:
- Da/Nu
- Alegeri
- Număr întreg
- Număr zecimal
- Număr în virgulă mobilă
- Currency
Selectați coloanele de date pentru a antrena modelul
După ce selectați Tabelul și Coloana și mapați rezultatul, puteți face modificări la coloanele de date utilizate pentru antrenarea modelului. În mod implicit, toate coloanele relevante sunt selectate. Puteți deselecta coloanele care ar putea contribui la un model mai puțin precis. Dacă nu știi ce să faci aici, nu-ți face griji. AI Builder va încerca să găsească coloane care oferă cel mai bun model posibil. Pentru datele eșantion, lăsați totul așa cum este și selectați Următorul.
Considerații privind selecția coloanelor de date
Cel mai important lucru de luat în considerare aici este dacă o coloană care nu este coloana dvs. cu rezultate istorice este determinată indirect de rezultat.
Să presupunem că vrei să prezici dacă o livrare va fi întârziată. Este posibil să aveți data efectivă de livrare în datele dvs. Acea dată este prezentă doar după livrarea comenzii. Deci, dacă includeți această coloană, modelul va avea o precizie de aproape 100%. Comenzile pe care doriți să le preziceți nu vor fi fost încă livrate și nu vor avea coloana cu data livrării completată. Deci, ar trebui să deselectați coloane de acest gen înainte de antrenament. În învățarea automată, aceasta se numește scurgere de țintă sau scurgere de date. AI Builder încearcă să filtreze coloanele care sunt „prea bune ca să fie adevărate”, dar ar trebui să le verificați totuși.
Notă
Când selectați câmpuri de date, unele tipuri de date - cum ar fi Imagine, care nu pot fi utilizate ca date de intrare pentru antrenarea modelului - nu sunt afișate. În plus, coloanele de sistem precum Creat pe sunt excluse în mod implicit.
Utilizați datele din tabele corelate
Dacă aveți tabele conexe care ar putea îmbunătăți performanța predicției, le puteți include și pe acestea. Așa cum ați procedat atunci când ați vrut să preziceți dacă un client va renunța, ar trebui să includeți informații suplimentare care s-ar putea afla într-un tabel separat. AI Builder suportă relații de tip multi-la-unu în acest moment.
Filtrați-vă datele
După ce selectați coloanele de date pentru antrenament, puteți filtra datele. Tabelele tale vor conține toate rândurile. Totuși, este posibil să doriți să vă concentrați pe antrenament și predicție pe un subset de rânduri. Dacă știți că există date irelevante în același tabel pe care îl utilizați pentru a antrena un model, puteți utiliza acest pas pentru a le filtra.
De exemplu, dacă aplicați un filtru pentru a analiza doar regiunea SUA, modelul se va antrena pe rândurile unde rezultatul este cunoscut doar pentru regiunea SUA. Când acest model este antrenat, va face o predicție doar pentru rândurile în care rezultatul nu este cunoscut doar pentru regiunea SUA.
Experiența de filtrare este aceeași ca în editorul de vizualizări. Power Apps Începeți prin a adăuga:
- Un rând care conține o singură condiție de filtrare.
- Un grup care vă permite să imbricați condițiile de filtrare.
- Un tabel corelat, care vă permite să creați o condiție de filtrare pentru un tabel corelat.
Selectați coloana, operatorul și valoarea care reprezintă o condiție de filtrare. Puteți utiliza casetele de selectare pentru a grupa rânduri sau pentru a șterge rânduri în bloc.