Öğretici: Power BI’da Makine Öğrenmesi modeli oluşturma

Bu öğretici makalesinde Otomatik Makine Öğrenmesi kullanarak Power BI’da bir ikili tahmin modeli oluşturacak ve uygulayacaksınız. Öğretici, bir Power BI veri akışı oluşturmaya ve veri akışında tanımlanan varlıkları kullanarak doğrudan Power BI’da bir makine öğrenmesi modelini eğitme ve doğrulamaya yönelik kılavuz bilgilerini içerir. Daha sonra tahminler oluşturmak üzere bu modeli yeni verileri puanlamak için kullanırız.

İlk olarak, İnternette alışveriş yapan tüketicilerin satın alma amacını bir dizi çevrimiçi oturum özniteliğine göre tahmin etmek üzere bir İkili Tahmin makine öğrenmesi modeli oluşturacaksınız. Bu alıştırma için bir referans makine öğrenmesi veri kümesi kullanılmaktadır. Model eğitildikten sonra Power BI, model sonuçlarını açıklayan bir doğrulama raporunu otomatik olarak oluşturur. Daha sonra doğrulama raporunu gözden geçirip puanlama için modeli verilerinize uygulayabilirsiniz.

Bu öğretici aşağıdaki adımlardan oluşur:

  • Giriş verileriyle veri akışı oluşturma
  • Makine öğrenmesi modeli oluşturma ve eğitme
  • Model doğrulama raporunu gözden geçirme
  • Modeli bir veri akışı varlığına uygulama
  • Modeldeki puanlanmış çıkışı bir Power BI raporunda kullanma

Giriş verileriyle veri akışı oluşturma

Bu öğreticinin ilk kısmında giriş verileriyle bir veri akışı oluşturulacaktır. Bu işlem için, veri almayla başlayarak aşağıdaki bölümlerde gösterildiği gibi birkaç adım gerekir.

Veri al

Veri akışı oluşturmanın ilk adımı, veri kaynaklarınızı hazır hale getirmektir. Bu örnekte, bazıları satın almayla sonuçlanmış birkaç çevrimiçi oturumdaki makine öğrenmesi veri kümesini kullanacağız. Veri kümesi, bu oturumlarla ilgili olarak modelimizi eğitmek için kullanacağımız bir dizi öznitelik içerir.

Veri kümesini UC Irvine web sitesinden indirebilirsiniz. Bu öğretici için aşağıdaki bağlantıdan şu dosyaya da ulaşabilirsiniz: online_shoppers_intention.csv.

Varlıkları oluşturma

Veri akışınızda varlıkları oluşturmak için, Power BI hizmetinde oturum açın ve yapay zekanın etkinleştirildiği kapasitenizdeki çalışma alanına gidin.

Henüz çalışma alanınız yoksa, Power BI hizmetinin gezinti bölmesi menüsünde Çalışma Alanları'nı ve sonra görüntülenen panelin altındaki Çalışma alanı oluştur'u seçerek bir çalışma alanı oluşturabilirsiniz. Sağ tarafta, çalışma alanı ayrıntılarını girebileceğiniz bir panel açılır. Bir çalışma alanı adı girin ve Gelişmiş'i seçin. Radyo düğmesini kullanarak çalışma alanının Ayrılmış Kapasite kullandığını ve yapay zeka önizlemesi açık olan bir kapasite örneğine atandığını doğrulayın. Sonra Kaydet'i seçin.

Create a workspace

Çalışma alanı oluşturulduktan sonra, aşağıdaki görüntüde gösterildiği gibi Hoş Geldiniz ekranının sağ alt kısmındaki Atla'yı seçebilirsiniz.

Skip if you have a workspace

Çalışma alanının sağ üst kısmındaki Oluştur düğmesini ve sonra Veri akışı'nı seçin.

Create dataflow

Yeni varlıklar ekle'yi seçin. Bu işlem tarayıcıda Power Query düzenleyicisini başlatır.

Add new entity

Aşağıdaki görüntüde gösterilen Metin/CSV Dosyası’nı veri kaynağı olarak seçin.

Text/CSF file selected

Daha sonra görüntülenen Veri kaynağı sayfasına bağlan menüsünde, aşağıdaki online_shoppers_intention.csv bağlantısını Dosya yolu veya URL kutusuna yapıştırın ve sonra İleri’yi seçin.

https://raw.githubusercontent.com/santoshc1/PowerBI-AI-samples/master/Tutorial_AutomatedML/online_shoppers_intention.csv

File path

Power Query Düzenleyicisi CSV dosyasındaki verilerin önizlemesini gösterir. Sağ bölmedeki Ad kutusunun değerini değiştirerek sorguya daha kolay bir ad verebilirsiniz. Örneğin, Sorgu adını Çevrimiçi Ziyaretçiler olarak değiştirebilirsiniz.

Change to a friendly name

Power Query sütun türlerini otomatik olarak anlar. Sütun üst bilgisinin üstündeki öznitelik türü simgesine tıklayarak sütun türünü değiştirebilirsiniz. Bu örnekte Revenue sütununun türünü True/False olarak değiştireceğiz.

Change data type

Power Query Düzenleyicisi kapatmak için Kapat & düğmesini seçin. Aşağıdaki görüntüde gösterildiği gibi, veri akışı için bir ad sağlayın ve sonra iletişim kutusunda Kaydet’i seçin.

Save the dataflow

Makine öğrenmesi modeli oluşturma ve eğitme

Bir makine öğrenmesi modeli eklemek için, eğitim verilerinizi ve etiket bilgilerini içeren temel varlığın Eylemler listesindeki ML modeli uygula düğmesini seçin ve sonra Makine öğrenmesi modeli ekle’yi seçin.

Add a machine learning model

Makine öğrenmesi modelimizi oluşturmanın ilk adımı, tahmin etmek istediğiniz sonuç alanını içeren geçmiş verileri tanımlamaktır. Model, bu verilerden öğrenilerek oluşturulacaktır.

Kullandığımız veri kümesi söz konusu olduğunda burası Revenue alanıdır. 'Sonuç alanı' için Revenue değerini ve sonra İleri’yi seçin.

Select historical data

Bundan sonra, oluşturulacak makine öğrenmesi modelinin türünü seçmemiz gerekir. Power BI, belirlediğiniz sonuç alanındaki değerleri analiz eder ve bu alanı tahmin etmek için oluşturulabilecek makine öğrenmesi modellerinin türlerini önerir.

Bu örnekte bir kullanıcının satın alıp almayacağına ilişkin ikili sonucu tahmin edeceğimiz için İkili Tahmin önerilir. Satın alacak kullanıcıları tahmin etmek istediğimiz için en çok ilgilendiğiniz Gelir sonucu olarak True değerini seçin. Ayrıca, model doğrulama sonuçlarını özetleyecek otomatik olarak oluşturulan raporda kullanılacak sonuçlar için kolay etiketler sağlayabilirsiniz. Ardından İleri’yi seçin.

Binary prediction selected

Power BI, verilerinizin bir örneğinin ön taramasını yapar ve daha doğru tahminler üretebilecek girişleri önerir. Power BI bir alan önermezse yanında bir açıklama verilir. Seçimleri yalnızca modelin üzerinde olmasını istediğiniz alanları içerecek şekilde değiştirme seçeneğiniz vardır veya varlık adının yanındaki onay kutusunu seçerek tüm alanları seçebilirsiniz. Girişleri kabul etmek için İleri’yi seçin.

Select the Next checkbox

Son adımda, modelimiz için bir ad sağlamamız gerekir. Modeli Satın Alma Amacı Tahmini olarak adlandırın. Hızlı sonuçlar görmek için eğitim süresini azaltmayı veya en iyi modeli elde etmek için eğitim süresini artırmayı seçebilirsiniz. Ardından Kaydet ve eğit'i seçerek modeli eğitmeye başlatın.

Save the model

Veri kaynağı için kimlik bilgileri bulunamadı veya benzer bir durumla karşılaşabilirsiniz. Bu durumda, verilerin puanlanabilmesi için kimlik bilgilerinizi güncelleştirmeniz gerekir. Kimlik bilgilerini güncelleştirmek için Power BI hizmeti Çalışma Alanım'a gidin ve üst bilgi çubuğunda Diğer seçenekler (...) > Ayarlar Ayarlar'ı >seçin.

Screenshot showing settings.

Veri kümeleri’ni seçin, Veri kaynağı kimlik bilgileri’ni genişletin ve Kimlik Bilgilerini Düzenle’yi seçin.

Screenshot showing credential refresh.

Eğitim işlemi, geçmiş verilerinizi örnekleyip normalleştirme ve veri kümenizi Satın Alma Amacı Tahmini Eğitim Verileri ve Satın Alma Amacı Tahmini Test Verileri şeklinde iki varlığa bölme ile başlar.

Veri kümesinin boyutuna bağlı olarak eğitim işlemi birkaç dakika ile bir önceki ekranda seçilen eğitim süresi arasında sürebilir. Bu noktada, modeli veri akışının Makine öğrenmesi modelleri sekmesinde görebilirsiniz. Hazır durumu, modelin eğitim için kuyruğa alındığını veya eğitim aşamasında olduğunu gösterir.

Model eğitilmekte ve doğrulanmakta olduğunu veri akışının durumu üzerinden onaylayabilirsiniz. Bu seçenek, çalışma alanının Veri Akışları sekmesinde bir veri yenileme sürüyor olarak görünür.

Ready for training

Model eğitimi tamamlandıktan sonra veri akışı güncel bir yenileme saati gösterir. Veri akışındaki Makine öğrenmesi modelleri sekmesine giderek modelin eğitildiğini onaylayabilirsiniz. Oluşturduğunuz model, Eğitildi durumunu göstermelidir ve Son Eğitim zamanı güncellenmiş olmalıdır.

Last trained on

Model doğrulama raporunu gözden geçirme

Model doğrulama raporunu incelemek için, Makine öğrenmesi modelleri sekmesinde modelin Eylem sütunundan Eğitim raporunu görüntüle düğmesini seçin. Bu rapor, makine öğrenmesi modelinizin olası performansını açıklar.

Raporun Model Performansı sayfasında, modelinize yönelik en iyi tahmin unsurlarını görüntülemek için En iyi tahminleri gör’ü seçin. Çıkış dağılımının bir tahmin unsuruyla ilişkisini görmek için ilgili tahmin unsurunu seçebilirsiniz.

Model performance

Modelin Duyarlık ve Yakalama değerine etkisini incelemek için Model Performansı sayfasındaki Olasılık Eşiği dilimleyicisini kullanabilirsiniz.

Probability threshold

Raporun diğer sayfaları, modelin istatistiksel performans ölçümlerini açıklar.

Bu rapor ayrıca, çalıştırılan farklı yinelemeleri, özelliklerin girişlerden nasıl ayıklandığını ve kullanılan son model için hiper parametreleri açıklayan bir Eğitim Ayrıntıları sayfasını içerir.

Modeli bir veri akışı varlığına uygulama

Bu modeli çağırmak için raporun üst kısmındaki Modeli uygula düğmesini seçin. Uygula iletişim kutusunda, modelin uygulanması gereken kaynak verilere sahip hedef varlığı belirtebilirsiniz.

Apply the model

Sorulduğunda, modelinizin sonuçlarının önizlemesini görmek için veri akışını Yenilemeniz gerekir.

Modelin uygulanması, sonek zenginleştirilmiş <model_name ve zenginleştirilmiş model_name> açıklamaları içeren iki yeni varlık oluşturur.>< Bu durumda, model Çevrimiçi Ziyaretçiler varlığına uygulandığında modelin tahmin edilen çıkışını içeren Çevrimiçi Ziyaretçiler zenginleştirilmiş Satın Alma Amacı tahmini ve tahmin için rapora özgü başlıca etkileyicileri içeren Çevrimiçi Ziyaretçiler zenginleştirilmiş Satın Alma Amacı Tahmini açıklamaları oluşturulur.

İkili Tahmin modeli uygulamak, tahmin edilen sonuç, olasılık puanı, tahmin için kayda özel en önemli etkileyicileri ve her biri belirtilen sütun adını ön ek olarak alan bir açıklama dizini olmak üzere dört sütun ekler.

Three columns of outcome

Veri akışı yenilemesi tamamlandıktan sonra sonuçları görüntülemek için Çevrimiçi Ziyaretçiler zenginleştirilmiş Satın Alma Amacı Tahmini varlığını seçebilirsiniz.

View the results

Veri akışınızda doğrudan Power Query Düzenleyicisi’nden, çalışma alanındaki herhangi bir AutoML modelini de çağırabilirsiniz. AutoML modellerine erişmek için, aşağıdaki resimde gösterildiği gibi AutoML modelinizden gelen içgörülerle zenginleştirmek istediğiniz varlığa ilişkin Düzenle düğmesini seçin.

Edit the entity

Düzenle düğmesi seçildiğinde veri akışınızdaki varlıklar için Power Query Düzenleyicisi açılır. Şeritte Yapay Zeka İçgörüleri düğmesini seçin.

AI Insights

Gezinti bölmesi menüsünden Power BI Makine Öğrenmesi Modelleri klasörünü seçin. Erişim iznine sahip olduğunuz tüm AutoML modelleri burada Power Query işlevleri olarak listelenir. Ayrıca, AutoML modeli için giriş parametreleri de otomatik olarak ilgili Power Query işlevinin parametreleri olarak eşlenir. Parametrelerin otomatik eşlemesinin yalnızca parametrenin adı ve veri türü aynı olduğunda gerçekleşeceğini unutmayın.

AutoML modelini çağırmak için, seçilen varlığın herhangi bir sütununu açılan listeden giriş olarak belirtebilirsiniz. Sütun simgesini giriş iletişim kutusunun sol tarafına doğru döndürerek giriş olarak bir sabitin kullanılmasını da belirtebilirsiniz.

PQO Function browser

AutoML modeli çıkışının önizlemesini varlık tablosunda yeni bir sütun olarak görüntülemek için Uygula’yı seçin. Ayrıca model çağrısını da sorgu için uygulanmış bir adım olarak görürsünüz.

View results

Veri akışınızı kaydettikten sonra, varlık tablosundaki yeni veya güncelleştirilmiş satırlar için veri akışını her yenilediğinizde model otomatik olarak çağrılır.

Modeldeki puanlanmış çıkışı bir Power BI raporunda kullanma

Makine öğrenmesi modelinizdeki puanlanmış çıktıyı kullanmak için, Veri Akışı bağlayıcısını kullanarak Power BI Desktop’tan veri akışınıza bağlanabilirsiniz. Çevrimiçi Ziyaretçiler zenginleştirilmiş Satın Alma Amacı Tahmini varlığı artık modelinizdeki tahminleri Power BI raporlarına eklemek için kullanılabilir.

Sınırlamalar

AutoML ile Ağ Geçidi kullanmayla ilgili bazı bilinen sorunlar vardır. Ağ geçidi kullanmanız gerekiyorsa, önce ağ geçidi aracılığıyla gerekli verileri içeri aktaran bir veri akışı oluşturmanızı öneririz. Ardından, bu modelleri oluşturmak veya uygulamak için ilk veri akışına başvuran başka bir veri akışı oluşturun.

Sonraki adımlar

Bu öğreticide, aşağıdaki adımları kullanarak Power BI’da bir ikili tahmin modeli oluşturup uyguladınız:

  • Giriş verileriyle veri akışı oluşturma
  • Makine öğrenmesi modeli oluşturma ve eğitme
  • Model doğrulama raporunu gözden geçirme
  • Modeli bir veri akışı varlığına uygulama
  • Modeldeki puanlanmış çıkışı bir Power BI raporunda kullanma

Power BI'da Machine Learning tümleştirmesi hakkında daha fazla bilgi için bkz. Power BI'da Otomatik Makine Öğrenmesi.