Поделиться через


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 контролируемым методом обучения, вам потребуется набор данных с метками , включающий столбец меток со значением для всех строк. Перейдите по этой ссылке, чтобы получить дополнительные сведения о том, как подготовить набор данных. Для набора данных потребуется набор данных с метками , включающий столбец меток со значением для всех строк.

Для этой модели требуется набор данных для обучения. Наборы данных для проверки и тестирования являются необязательными.

AutoML параллельно создает несколько конвейеров, которые используют различные алгоритмы и параметры для вашей 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 нужно оптимизировать модель. Чем лучше оценка для выбранной метрики, тем лучше модель считается "подходящей" для ваших данных. Вы можете определить критерии выхода для эксперимента. Критерии выхода будут модели с определенной оценкой обучения, которую вы хотите найти в AutoML. Он остановится после того, как он достигнет определенных критериев выхода. Затем этот компонент выводит наилучшую модель, созданную в конце выполнения для набора данных.

  1. Добавьте компонент прогнозирования AutoML в конвейер.

  2. Укажите training_data, которое будет использоваться моделью.

  3. Укажите основную метрику , которую autoML будет использовать для измерения успешности модели.

  4. Укажите целевой столбец , для которого модель будет выводить

  5. В форме Тип задачи и параметры выберите тип задачи: прогнозирование. Дополнительные сведения см. в разделе о поддерживаемых типах задач.

    1. Для прогнозирования можно выполнить следующие действия.

      1. Включить глубокое обучение.

      2. Выбрать столбец времени. Он содержит данные о времени, которые необходимо использовать.

      3. 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.

  6. 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 Описание
    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.
    Training job time (hours) (Время задания обучения (в часах)). Продолжительность выполнения задания обучения.
    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 Max concurrent iterations (Максимальное число одновременных итераций). Максимальное количество конвейеров (итераций) 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.

Дальнейшие действия

Ознакомьтесь с набором доступных компонентов для Машинного обучения Azure.