Прогнозирование AutoML
В этой статье описывается компонент в конструкторе Машинного обучения Azure.
Используйте этот компонент для создания модели машинного обучения, основанной на прогнозе AutoML.
Порядок настройки
Этот компонент создает модель прогнозирования. Так как прогнозирование является защищенным методом обучения, вам нужен помеченный набор данных, содержащий столбец метки со значением для всех строк. Чтобы получить дополнительные сведения о подготовке набора данных, следуйте этой ссылке. Для набора данных потребуется помеченный набор данных, содержащий столбец меток со значением для всех строк.
Для этой модели требуется обучающий набор данных. Проверка и проверка наборов данных являются необязательными.
AutoML создает ряд конвейеров параллельно, которые пытаются использовать различные алгоритмы и параметры модели. Служба выполняет итерацию по алгоритмам машинного обучения, связанным с выбором признаков, где каждая итерация создает модель с оценкой обучения. Вы можете выбрать метрику, для которой требуется оптимизировать модель. Чем лучше оценка выбранной метрики, тем лучше модель считается "подходящей" для ваших данных. Вы можете определить критерии выхода для эксперимента. Критерии выхода будут моделью с определенной оценкой обучения, которую требуется найти AutoML. Он остановится после того, как он попадает в критерии выхода, определенные. Затем этот компонент выводит лучшую модель, созданную в конце выполнения для набора данных.
Добавьте компонент прогнозирования AutoML в конвейер.
Укажите training_data, которую будет использовать модель.
Укажите основную метрику , которую вы хотите использовать AutoML для измерения успеха модели.
Укажите целевой столбец , который требуется выводить модель
В форме "Тип задачи" и "Параметры" выберите тип задачи: прогнозирование. Дополнительные сведения см. в разделе о поддерживаемых типах задач.
Для прогнозирования можно выполнить следующие действия.
Включить глубокое обучение.
Выбрать столбец времени. Он содержит данные о времени, которые необходимо использовать.
Выбрать горизонт прогнозирования. Он показывает, на сколько единиц времени (минут, часов, дней, недель, месяцев или лет) модель сможет прогнозировать будущее. Чем отдаленнее период, который должна спрогнозировать модель, тем менее точной она становится. Узнайте больше о прогнозе и горизонте прогнозирования.
Необязательно. Просмотрите дополнительные параметры конфигурации, которые можно использовать для лучшего управления заданием обучения. В противном случае применяются значения по умолчанию, основанные на выборе эксперимента и данных.
Дополнительные конфигурации Description Основная метрика Основная метрика, используемая для оценки модели. Узнайте больше о метриках модели. Пояснения для наилучшей модели Выберите, чтобы включить или отключить отображение объяснения для рекомендуемой лучшей модели.
Эта функция в настоящее время недоступна для некоторых алгоритмов прогнозирования.Запрещенные алгоритмы Выберите алгоритмы, которые вы хотите исключить из задания обучения.
Разрешение алгоритмов доступно только для экспериментов с пакетом SDK.
См. поддерживаемые алгоритмы для каждого типа задачи.Критерий выхода Если выполняется любое из этих условий, задание обучения останавливается.
Время задания обучения (часы): сколько времени позволить заданию обучения выполняться.
Metric score threshold (Порог оценки метрики). Минимальный показатель метрики для всех конвейеров. Гарантирует, что при наличии определенной целевой метрики вы не потратите на задание обучения больше времени, чем это нужно.Параллелизм Максимальное число одновременных итераций: максимальное количество конвейеров (итерации) для тестирования в задании обучения. Число итераций при выполнении задания не будет больше указанного числа. Дополнительные сведения о том, как автоматизированное машинное обучение выполняет несколько дочерних заданий в кластерах.
Следующие шаги
Ознакомьтесь с набором доступных компонентов для машинного обучения Azure.