培训
认证
Microsoft Certified: Azure Data Scientist Associate - Certifications
使用 Python、Azure 机器学习和 MLflow 管理数据引入和准备、模型训练和部署以及机器学习解决方案监视。
此示例创建一个 Power Apps 预测 AI 模型,该模型使用 Microsoft Dataverse 中的“网络消费者意向”表。 要将此示例数据导入您的 Microsoft Power Platform 环境,请在创建环境时启用部署示例应用和数据设置,如在 AI Builder 中生成模型中所述。 或者,按照数据准备中详细的说明进行操作。 将示例数据导入 Dataverse 之后,按以下步骤创建模型。
登录到 Power Apps 或 Power Automate。
在左侧窗格中,选择 ... 更多>AI 中心。
在发现 AI 能力下,选择 AI 模型。
(可选)要将 AI 模型永久保留在菜单上以便于访问,请选择大头针图标。
选择预测 - 根据历史数据预计未来结果。
选择创建自定义模型。
请考虑希望 AI Builder 进行的预测。 例如,对于问题“此客户会流失吗?”,请考虑以下问题:
使用此信息进行选择。 使用提供的示例数据时,问题是“与我的在线商店交互的用户是否购买了商品?”如果答案是肯定的,那么该客户应该带来了收入。 因此,应将此客户是否带来收入作为历史结果。 当这些信息为空时,AI Builder 可以帮助您进行预测。
在表下拉菜单中,选择包含要预测的数据和结果的表。 对于示例数据,选择在线购买者意图。
在列下拉菜单中,选择包含结果的列。 对于示例数据,选择收入(标签)。 如果想要尝试预测数字,请选择 ExitRates。
如果选择了包含两个或多个结果的选项集,则考虑将其映射到“是”或“否”,因为您希望预测是否会发生某些事情。
如果您要预测多个结果,请使用示例中的巴西电子商务数据集,然后在表下拉菜单中选择 BC 订单,在列下拉菜单中选择交付时间线。
备注
AI Builder 为结果列支持这些数据类型:
选择表和列并映射结果后,可以更改用于训练模型的数据列。 默认情况下,系统会选择所有相关列。 您可以取消选择可能对模型准确度产生负面影响的列。 如果您不知道该怎么做,别担心。 AI Builder 会试图查找提供最佳模型的列。 对于示例数据,只需将所有内容保留原样,然后选择下一步。
此处要考虑的最重要一点是,非历史结果列的列是否由结果间接决定。
假设您想要预测是否会延迟发货。 数据中可能有实际交付日期。 这个日期只有在订单交付后才会出现。 所以,如果包含此列,该模型的准确性将接近 100%。 您想要预测的订单尚未交付,且不会填写交付日期列。 所以,您应该在训练前取消选择此类列。 在机器学习中,这称为目标泄漏或数据泄漏。 AI Builder 会尝试筛选那些“好得不真实”的列,但您仍应进行检查。
备注
当你选择数据字段时, 一些数据类型(如无法用作输入来训练模型的图像)是不显示的。 此外,诸如“创建时间”之类的系统列默认排除在外。
若有可以提升预测性能的相关表,也可以添加这些表。 如您想要预测客户是否会流失时所做的那样,您应该包括可能在单独的表中存在的其他信息。 目前,AI Builder 支持多对一关系。
选择用于定型的数据列后,可以筛选数据。 您的表将包含所有行。 不过,您可能希望专注于对行的子集进行训练和预测。 如果您知道在您用来训练模型的同一表中存在不相关的数据,可以使用这一步来筛选它。
例如,如果您应用筛选器只查看美国区域,那么模型会对结果仅为美国区域已知的行进行训练。 训练后,此模型只会对结果仅为美国区域未知的行进行预测。
筛选体验与 Power Apps 视图编辑器中的体验相同。 首先添加:
选择列、运算符和表示筛选条件的值。 可以使用复选框对行进行分组,也可以批量删除行。
培训
认证
Microsoft Certified: Azure Data Scientist Associate - Certifications
使用 Python、Azure 机器学习和 MLflow 管理数据引入和准备、模型训练和部署以及机器学习解决方案监视。