Разработка, оценка и присвоение оценки модели прогнозирования по продажам супермаркета

В этом руководстве представлен полный пример рабочего процесса Обработки и анализа данных Synapse в Microsoft Fabric. Сценарий создает модель прогнозирования, которая использует исторические данные о продажах для прогнозирования продаж категорий товаров в гипермаркете.

Прогнозирование является важным активом в продажах. Он объединяет исторические данные и прогнозные методы для предоставления аналитических сведений о будущих тенденциях. Прогнозирование может анализировать прошлые продажи для выявления шаблонов. Он также может учиться на поведении потребителей для оптимизации инвентаризации, производства и маркетинговых стратегий. Этот упреждающий подход повышает адаптируемость, скорость реагирования и общую производительность бизнеса в динамической marketplace.

В этом руководстве рассматриваются следующие действия.

• Загрузка данных
• Использование анализа аналитических данных для понимания и обработки данных
• Обучение модели машинного обучения с помощью пакета программного обеспечения с открытым кодом
• Отслеживайте эксперименты с помощью MLflow и функции автологирования Fabric
• Сохранение конечной модели машинного обучения и прогнозирование
• Отображение производительности модели с помощью визуализаций Power BI

Необходимые условия

• Получите подписку Microsoft Fabric. Или зарегистрируйте бесплатную пробную Microsoft Fabric.

• Войдите в Microsoft Fabric.

• Перейдите в Fabric с помощью переключателя интерфейса в левой нижней части домашней страницы.

  

• При необходимости создайте лейкхаус Microsoft Fabric, как описано в ресурсе Создание лейкхауса в Microsoft Fabric.

Следуйте инструкциям в записной книжке

Чтобы продолжить работу в записной книжке, у вас есть следующие параметры:

• Откройте и запустите встроенную записную книжку в интерфейсе Обработки и анализа данных Synapse
• Отправка записной книжки из GitHub в интерфейс Обработки и анализа данных Synapse

Открытие встроенной записной книжки

Пример записной книжки для прогнозирования продаж сопровождает это руководство.

1. Чтобы открыть пример ноутбука для этого руководства, следуйте инструкциям в Подготовка системы для учебников по науке о данных.

2. Перед началом выполнения кода обязательно подключите lakehouse к записной книжке.

Импорт записной книжки из GitHub

Записная книжка AIsample — Superstore Forecast.ipynb идет в комплекте с этим руководством.

• Чтобы открыть сопровождающую записную книжку для этого руководства, следуйте инструкциям в подготовьте систему для учебных руководств по науке о данных, чтобы импортировать записную книжку в своё рабочее пространство.

• Если вы хотите скопировать и вставить код на этой странице, можно создать новую записную книжку.

• Не забудьте подключить lakehouse к записной книжке перед началом выполнения кода.

Шаг 1. Загрузка данных

Набор данных содержит 9995 экземпляров продаж различных продуктов. Он также включает 21 атрибутов. Записная книжка использует файл с именемSuperstore.xlsx. Этот файл имеет эту структуру таблицы:

Идентификатор строки	Идентификатор заказа	Дата заказа	Дата отправки	Режим доставки	Идентификатор клиента	Имя клиента	Сегмент	Страна	Город	Государство	Почтовый индекс	Область	Идентификатор продукта	Категория	Sub-Category	Название продукта	Продажи	Количество	Скидка	Прибыль
4	US-2015-108966	2015-10-11	2015-10-18	Стандартный класс	SO-20335	Шон О'Доннелл	Потребитель	США	Форт Лодердейл	Флорида	33311	Юг	FUR-TA-10000577	Мебель	Таблицы	Стол серии Bretford CR4500, тонкий прямоугольный стол.	957,5775	5	0.45	-383.0310
11	CA-2014-115812	2014-06-09	2014-06-09	Стандартный класс	Стандартный класс	Brosina Хоффман	Потребитель	США	Лос-Анджелес	Калифорния	90032	Запад	FUR-TA-10001539	Мебель	Таблицы	Столы для конференций Chromcraft прямоугольной формы	1706.184	9	0.2	85.3092
31	US-2015-150630	2015-09-17	2015-09-21	Стандартный класс	ТБ-21520	Трейси Блюмштейн	Потребитель	США	Филадельфия	Пенсильвания	19140	Восток	OFF-EN-10001509	Канцелярские товары	Конверты	Пластиковые конверты с завязками на веревочках	3,264	2	0.2	1.1016

Следующий фрагмент кода определяет определенные параметры, чтобы использовать эту записную книжку с различными наборами данных:

IS_CUSTOM_DATA = False  # If TRUE, the dataset has to be uploaded manually

IS_SAMPLE = False  # If TRUE, use only rows of data for training; otherwise, use all data
SAMPLE_ROWS = 5000  # If IS_SAMPLE is True, use only this number of rows for training

DATA_ROOT = "/lakehouse/default"
DATA_FOLDER = "Files/salesforecast"  # Folder with data files
DATA_FILE = "Superstore.xlsx"  # Data file name

EXPERIMENT_NAME = "aisample-superstore-forecast"  # MLflow experiment name

Скачайте набор данных и отправьте его в lakehouse

Следующий фрагмент кода загружает общедоступную версию набора данных, а затем сохраняет этот набор данных в Fabric lakehouse:

Важный

Перед запуском записной книжки необходимо добавить lakehouse . В противном случае вы получите ошибку.

import os, requests
if not IS_CUSTOM_DATA:
    # Download data files into the lakehouse if they're not already there
    remote_url = "https://synapseaisolutionsa.z13.web.core.windows.net/data/Forecast_Superstore_Sales"
    file_list = ["Superstore.xlsx"]
    download_path = "/lakehouse/default/Files/salesforecast/raw"

    if not os.path.exists("/lakehouse/default"):
        raise FileNotFoundError(
            "Default lakehouse not found, please add a lakehouse and restart the session."
        )
    os.makedirs(download_path, exist_ok=True)
    for fname in file_list:
        if not os.path.exists(f"{download_path}/{fname}"):
            r = requests.get(f"{remote_url}/{fname}", timeout=30)
            with open(f"{download_path}/{fname}", "wb") as f:
                f.write(r.content)
    print("Downloaded demo data files into lakehouse.")

Настройка отслеживания экспериментов MLflow

Microsoft Fabric автоматически фиксирует входные значения параметров и выходные метрики модели машинного обучения при обучении. Это расширяет возможности автологирования MLflow. Затем данные записываются в рабочую область, где можно получить доступ и визуализировать его с помощью API MLflow или соответствующего эксперимента в рабочей области. Дополнительные сведения об автологе см. в разделе "Автологирование" в ресурсе Microsoft Fabric .

Чтобы отключить автологирование Microsoft Fabric в сеансе записной книжки, вызовите mlflow.autolog() и установите, disable=Trueкак показано в следующем фрагменте кода:

# Set up MLflow for experiment tracking
import mlflow

mlflow.set_experiment(EXPERIMENT_NAME)
mlflow.autolog(disable=True)  # Turn off MLflow autologging

Чтение необработанных данных из lakehouse

Следующий фрагмент кода считывает необработанные данные из раздела "Файлы " в lakehouse. Он также добавляет дополнительные столбцы для разных частей даты. Та же информация создает секционированную разностную таблицу. Так как необработанные данные хранятся в виде файла Excel, для его чтения необходимо использовать pandas.

import pandas as pd
df = pd.read_excel("/lakehouse/default/Files/salesforecast/raw/Superstore.xlsx")

Шаг 2. Выполнение анализа аналитических данных

Импорт библиотек

Импортируйте необходимые библиотеки перед началом анализа:

# Importing required libraries
import warnings
import itertools
import numpy as np
import matplotlib.pyplot as plt
warnings.filterwarnings("ignore")
plt.style.use('fivethirtyeight')
import pandas as pd
import statsmodels.api as sm
import matplotlib
matplotlib.rcParams['axes.labelsize'] = 14
matplotlib.rcParams['xtick.labelsize'] = 12
matplotlib.rcParams['ytick.labelsize'] = 12
matplotlib.rcParams['text.color'] = 'k'
from sklearn.metrics import mean_squared_error,mean_absolute_percentage_error

Отображение необработанных данных

Чтобы лучше понять сам набор данных, просмотрите подмножество данных вручную. Используйте функцию display для печати кадра данных. Chart Представления могут легко визуализировать подмножества набора данных:

display(df)

В этом руководстве рассматривается записная книжка, которая главным образом посвящена Furniture прогнозам продаж категорий. Этот подход ускоряет вычисление и помогает показать производительность модели. Однако эта записная книжка использует адаптируемые методы. Эти методы можно расширить для прогнозирования продаж других категорий продуктов. Следующий фрагмент кода выбирает Furniture в качестве категории продукта.

# Select "Furniture" as the product category
furniture = df.loc[df['Category'] == 'Furniture']
print(furniture['Order Date'].min(), furniture['Order Date'].max())

Предварительная обработка данных

Реальные бизнес-сценарии часто требуют прогнозирования продаж в трех разных категориях:

• Конкретная категория продукта
• Конкретная категория клиента
• Конкретная комбинация категории продуктов и категории клиентов

Следующий фрагмент кода удаляет ненужные столбцы для предварительной обработки данных. Нам не нужны некоторые столбцы (Row ID, Order ID,Customer IDи Customer Name) потому, что они не имеют релевантности. Мы хотим прогнозировать общий объем продаж в пределах штата и региона для определенной категории продуктов (Furniture). Таким образом, можно удалить Stateстолбцы , Region, CountryCityа также Postal Code столбцы. Чтобы прогнозировать продажи для определенного расположения или категории, нам может потребоваться соответствующим образом настроить этап предварительной обработки.

# Data preprocessing
cols = ['Row ID', 'Order ID', 'Ship Date', 'Ship Mode', 'Customer ID', 'Customer Name', 
'Segment', 'Country', 'City', 'State', 'Postal Code', 'Region', 'Product ID', 'Category', 
'Sub-Category', 'Product Name', 'Quantity', 'Discount', 'Profit']
# Drop unnecessary columns
furniture.drop(cols, axis=1, inplace=True)
furniture = furniture.sort_values('Order Date')
furniture.isnull().sum()

Набор данных структурирован ежедневно. Мы должны пересчитать данные по Order Date столбцу, так как мы хотим разработать модель для ежемесячного прогнозирования продаж.

Сначала сгруппируйте категорию Furniture по Order Date. Затем вычислите сумму столбца Sales для каждой группы, чтобы определить общее количество продаж для каждого уникального Order Date значения. Переобразуйте столбец Sales с частотой MS для агрегации данных по месяцам. Наконец, вычислите среднее значение продаж за каждый месяц. В следующем фрагменте кода показаны следующие действия.

# Data preparation
furniture = furniture.groupby('Order Date')['Sales'].sum().reset_index()
furniture = furniture.set_index('Order Date')
furniture.index
y = furniture['Sales'].resample('MS').mean()
y = y.reset_index()
y['Order Date'] = pd.to_datetime(y['Order Date'])
y['Order Date'] = [i+pd.DateOffset(months=67) for i in y['Order Date']]
y = y.set_index(['Order Date'])
maximim_date = y.reset_index()['Order Date'].max()

В следующем фрагменте кода показано влияние Order DateSales на категорию Furniture :

# Impact of order date on the sales
y.plot(figsize=(12, 3))
plt.show()

Перед любым статистическим анализом необходимо импортировать модуль Python statsmodels. Этот модуль предоставляет классы и функции для оценки многих статистических моделей. Он также предоставляет классы и функции для проведения статистических тестов и статистического исследования данных. В следующем фрагменте кода показан этот шаг:

import statsmodels.api as sm

Выполнение статистического анализа

Временный ряд отслеживает эти элементы данных с заданными интервалами, чтобы определить вариант этих элементов в шаблоне временных рядов:

• Уровень: базовый компонент, представляющий среднее значение для определенного периода времени

• тренд: описывает, уменьшается ли временный ряд, остается ли константой или увеличивается с течением времени.

• сезонности: описывает периодический сигнал во временных рядах и ищет циклические вхождения, влияющие на увеличение или уменьшение тенденций временных рядов.

• шум/остаточный: относится к случайным колебаниям и изменчивости в данных временных рядов, которые модель не может объяснить.

В следующем фрагменте кода показаны эти элементы для набора данных после предварительной обработки:

# Decompose the time series into its components by using statsmodels
result = sm.tsa.seasonal_decompose(y, model='additive')

# Labels and corresponding data for plotting
components = [('Seasonality', result.seasonal),
              ('Trend', result.trend),
              ('Residual', result.resid),
              ('Observed Data', y)]

# Create subplots in a grid
fig, axes = plt.subplots(nrows=4, ncols=1, figsize=(12, 7))
plt.subplots_adjust(hspace=0.8)  # Adjust vertical space
axes = axes.ravel()

# Plot the components
for ax, (label, data) in zip(axes, components):
    ax.plot(data, label=label, color='blue' if label != 'Observed Data' else 'purple')
    ax.set_xlabel('Time')
    ax.set_ylabel(label)
    ax.set_xlabel('Time', fontsize=10)
    ax.set_ylabel(label, fontsize=10)
    ax.legend(fontsize=10)

plt.show()

На графиках описываются сезонность, тенденции и шум в прогнозируемых данных. Вы можете записать базовые шаблоны и разработать модели, которые делают точные прогнозы, которые имеют устойчивость к случайным колебаниям.

Шаг 3. Обучение и отслеживание модели

Теперь, когда у вас есть доступные данные, определите модель прогнозирования. В этом ноутбуке примените модель прогнозирования сезонного авторегрессионного интегрированного скользящего среднего с экзогенными факторами (SARIMAX). SARIMAX объединяет авторегрессионные (AR) и скользящее среднее (MA) компоненты, сезонное дифференцирование и внешние предикторы, чтобы сделать точные и гибкие прогнозы для временных рядов.

Для отслеживания экспериментов также используется автологирование MLflow и Fabric. Здесь загрузите дельта-таблицу из lakehouse. Вы можете использовать другие разностные таблицы, которые рассматривают lakehouse в качестве источника. Следующий фрагмент кода импортирует необходимые библиотеки:

# Import required libraries for model evaluation
from sklearn.metrics import mean_squared_error, mean_absolute_percentage_error

Настройка гиперпараметров

SARIMAX учитывает параметры стандартного авторегрессионного интегрированного скользящего среднего (ARIMA) (p, d, q) и добавляет параметры сезонности (P, D, Q, s). Эти аргументы модели SARIMAX называются порядком (, p, d) и сезонным порядком (q, , P, D) соответственно. Поэтому для обучения модели необходимо сначала настроить семь параметров.

Параметры заказа:

• p: порядок компонента AR, который представляет количество прошлых наблюдений в временных рядах, используемых для прогнозирования текущего значения.

  Как правило, этот параметр должен иметь неотрицательное целое число. Общие значения находятся в диапазоне 0 до 3. Однако более высокие значения возможны в зависимости от конкретных характеристик данных. Более высокое значение p указывает на длинную память прошлых значений в модели.

• d: Порядок дифференцирования, который представляет количество раз, когда временные ряды должны быть продифференцированы для достижения стационарности.

  Этот параметр должен иметь неотрицательное целое число. Общие значения находятся в диапазоне 0 до 2. Значение d0 означает, что временной ряд уже является стационарным. Более высокие значения указывают на то, что число операций дифференцирования, необходимых для того, чтобы сделать ряд стационарным, выше.

• q: порядок компонента MA. Этот параметр представляет количество прошлых терминов ошибки белого шума, используемых для прогнозирования текущего значения.

  Этот параметр должен иметь неотрицательное целое число. Общие значения находятся в диапазоне от 0 до 3, но для определенных временных рядов может потребоваться более высокие значения. Более высокое значение q указывает на более сильную зависимость от прошлых ошибок для прогнозирования.

Параметры сезонного заказа:

• P: сезонный порядок компонента AR, аналогичный p параметру, но охватывающий сезонную часть
• D: сезонный порядок разных значений, аналогичный d параметру, но охватывающий сезонную часть
• Q: сезонный порядок компонента MA, аналогичный q параметру, но охватывающий сезонную часть
• s: количество шагов времени на сезонный цикл (например, 12 для ежемесячных данных с ежегодной сезонностью)

# Hyperparameter tuning
p = d = q = range(0, 2)
pdq = list(itertools.product(p, d, q))
seasonal_pdq = [(x[0], x[1], x[2], 12) for x in list(itertools.product(p, d, q))]
print('Examples of parameter combinations for Seasonal ARIMA...')
print('SARIMAX: {} x {}'.format(pdq[1], seasonal_pdq[1]))
print('SARIMAX: {} x {}'.format(pdq[1], seasonal_pdq[2]))
print('SARIMAX: {} x {}'.format(pdq[2], seasonal_pdq[3]))
print('SARIMAX: {} x {}'.format(pdq[2], seasonal_pdq[4]))

SARIMAX имеет другие параметры:

• enforce_stationarity: Нужно ли применять стационарность к данным временных рядов, прежде чем использовать модель SARIMAX.

  Значение enforce_stationarityTrue (по умолчанию) указывает, что модель SARIMAX должна применять стационарность к данным временных рядов. Перед построением модели SARIMAX автоматически применяется разность к данным, чтобы сделать их стационарными, как указано в порядках d и D. Это распространенная практика, поскольку многие модели временных рядов, включая SARIMAX, предполагают стационарность данных.

  Для нестационарных временных рядов (например, ряда, демонстрирующего тенденции или сезонность), рекомендуется задать enforce_stationarityTrue, и позволить модели SARIMAX обрабатывать дифференцирование для достижения стационарности. Для стационных временных рядов (например, один без тенденций или сезонности), задайте enforce_stationarityFalse, чтобы избежать ненужных отличий.

• enforce_invertibility: определяет, должна ли модель применять обратимость для оцененных параметров во время процесса оптимизации.

  enforce_invertibility Значение True (по умолчанию) указывает на то, что модель SARIMAX должна принудительно применять инвертируемость для предполагаемых параметров. Инвертируемость гарантирует, что хорошо определенная модель и что предполагаемые коэффициенты AR и MA приземлились в пределах диапазона станции.

  Принудительное применение инвертируемости помогает обеспечить соответствие модели SARIMAX теоретическим требованиям для стабильной модели временных рядов. Это также помогает предотвратить проблемы с оценкой модели и стабильностью.

Модель AR(1) — это модель по умолчанию. Это относится к (1, 0, 0). Обычной практикой является пробовать различные сочетания параметров порядка и сезонных параметров порядка и оценивать производительность модели для набора данных. Соответствующие значения могут отличаться от одного временных рядов к другому.

Определение оптимальных значений часто включает анализ функции автозамены (ACF) и частичной функции автозамены (PACF) данных временных рядов. Он также часто включает в себя использование критериев выбора модели, например критерия информации Akaike (AIC) или критерия информации Байеса (BIC).

Настройте гиперпараметры, как показано в следующем фрагменте кода:

# Tune the hyperparameters to determine the best model
for param in pdq:
    for param_seasonal in seasonal_pdq:
        try:
            mod = sm.tsa.statespace.SARIMAX(y,
                                            order=param,
                                            seasonal_order=param_seasonal,
                                            enforce_stationarity=False,
                                            enforce_invertibility=False)
            results = mod.fit(disp=False)
            print('ARIMA{}x{}12 - AIC:{}'.format(param, param_seasonal, results.aic))
        except:
            continue

После оценки предыдущих результатов можно определить значения для параметров заказа и сезонных параметров заказа. Выбор — это order=(0, 1, 1) и seasonal_order=(0, 1, 1, 12), которые предлагают самый низкий AIC (например, 279,58). Используйте эти значения для обучения модели. В следующем фрагменте кода показан этот шаг:

Обучение модели

# Model training 
mod = sm.tsa.statespace.SARIMAX(y,
                                order=(0, 1, 1),
                                seasonal_order=(0, 1, 1, 12),
                                enforce_stationarity=False,
                                enforce_invertibility=False)
results = mod.fit(disp=False)
print(results.summary().tables[1])

Этот код визуализирует прогноз временных рядов для данных о продажах мебели. В диаграммах отображаются как наблюдаемые данные, так и прогноз на один шаг вперед, с затеняемой областью для доверительного интервала. В следующих фрагментах кода показана визуализация:

# Plot the forecasting results
pred = results.get_prediction(start=maximim_date, end=maximim_date+pd.DateOffset(months=6), dynamic=False) # Forecast for the next 6 months (months=6)
pred_ci = pred.conf_int() # Extract the confidence intervals for the predictions
ax = y['2019':].plot(label='observed')
pred.predicted_mean.plot(ax=ax, label='One-step ahead forecast', alpha=.7, figsize=(12, 7))
ax.fill_between(pred_ci.index,
                pred_ci.iloc[:, 0],
                pred_ci.iloc[:, 1], color='k', alpha=.2)
ax.set_xlabel('Date')
ax.set_ylabel('Furniture Sales')
plt.legend()
plt.show()

# Validate the forecasted result
predictions = results.get_prediction(start=maximim_date-pd.DateOffset(months=6-1), dynamic=False)
# Forecast on the unseen future data
predictions_future = results.get_prediction(start=maximim_date+ pd.DateOffset(months=1),end=maximim_date+ pd.DateOffset(months=6),dynamic=False)

Следующий фрагмент кода используется для оценки производительности модели, сравняя ее с фактическими значениями, с помощью predictions. Значение predictions_future указывает на будущее прогнозирование.

# Log the model and parameters
model_name = f"{EXPERIMENT_NAME}-Sarimax"
with mlflow.start_run(run_name="Sarimax") as run:
    mlflow.statsmodels.log_model(results,model_name,registered_model_name=model_name)
    mlflow.log_params({"order":(0,1,1),"seasonal_order":(0, 1, 1, 12),'enforce_stationarity':False,'enforce_invertibility':False})
    model_uri = f"runs:/{run.info.run_id}/{model_name}"
    print("Model saved in run %s" % run.info.run_id)
    print(f"Model URI: {model_uri}")
mlflow.end_run()

# Load the saved model
loaded_model = mlflow.statsmodels.load_model(model_uri)

Шаг 4. Оценка модели и сохранение прогнозов

Следующий фрагмент кода интегрирует фактические значения с прогнозируемыми значениями, чтобы создать отчет Power BI. Кроме того, он сохраняет эти результаты в таблице в озере.

# Data preparation for Power BI visualization
Future = pd.DataFrame(predictions_future.predicted_mean).reset_index()
Future.columns = ['Date','Forecasted_Sales']
Future['Actual_Sales'] = np.NAN
Actual = pd.DataFrame(predictions.predicted_mean).reset_index()
Actual.columns = ['Date','Forecasted_Sales']
y_truth = y['2023-02-01':]
Actual['Actual_Sales'] = y_truth.values
final_data = pd.concat([Actual,Future])
# Calculate the mean absolute percentage error (MAPE) between 'Actual_Sales' and 'Forecasted_Sales' 
final_data['MAPE'] = mean_absolute_percentage_error(Actual['Actual_Sales'], Actual['Forecasted_Sales']) * 100
final_data['Category'] = "Furniture"
final_data[final_data['Actual_Sales'].isnull()]

input_df = y.reset_index()
input_df.rename(columns = {'Order Date':'Date','Sales':'Actual_Sales'}, inplace=True)
input_df['Category'] = 'Furniture'
input_df['MAPE'] = np.NAN
input_df['Forecasted_Sales'] = np.NAN

# Write back the results into the lakehouse
final_data_2 = pd.concat([input_df,final_data[final_data['Actual_Sales'].isnull()]])
table_name = "Demand_Forecast_New_1"
spark.createDataFrame(final_data_2).write.mode("overwrite").format("delta").save(f"Tables/{table_name}")
print(f"Spark DataFrame saved to delta table: {table_name}")

Шаг 5. Визуализация в Power BI

В отчете Power BI показана средняя абсолютная процентная ошибка (MAPE) 16,58. Метрика MAPE определяет точность метода прогнозирования. Он представляет точность прогнозируемых значений в сравнении с фактическими значениями.

MAPE — это простая метрика. 10% MAPE представляет, что среднее отклонение между прогнозируемыми значениями и фактическими значениями равно 10%независимо от того, было ли отклонение положительным или отрицательным. Стандарты желательных значений MAPE различаются в разных отраслях.

Светлая синяя линия в этом графе представляет фактические значения продаж. Темно-синяя линия представляет прогнозируемые значения продаж. Сравнение фактических и прогнозируемых продаж показывает, что модель эффективно прогнозирует продажи для категории Furniture в течение первых шести месяцев 2023 года.

Основываясь на этом наблюдении, мы можем иметь уверенность в возможностях прогнозирования модели для общих продаж за последние шесть месяцев 2023 года и расширении в 2024 году. Эта уверенность может влиять на стратегические решения в области управления запасами, закупки сырьевых материалов и другие вопросы, связанные с бизнесом.

Связанное содержимое

• Использование записных книжек Microsoft Fabric
• модель машинного обучения в Microsoft Fabric
• Обучение моделей машинного обучения
• эксперименты машинного обучения в Microsoft Fabric