Prakiraan AutoML

  • Artikel

Artikel ini menjelaskan komponen dalam perancang Azure Machine Learning.

Gunakan komponen ini untuk membuat model pembelajaran mesin yang didasarkan pada Prakiraan AutoML.

Cara mengonfigurasi

Komponen ini membuat model prakiraan. Karena prakiraan adalah metode pembelajaran yang diawasi, Anda memerlukan himpunan data berlabel yang menyertakan kolom label dengan nilai untuk semua baris. Ikuti tautan ini untuk mendapatkan informasi selengkapnya tentang cara menyiapkan himpunan data Anda. Himpunan data akan memerlukan himpunan data berlabel yang menyertakan kolom label dengan nilai untuk semua baris.

Model ini memerlukan himpunan data pelatihan. Validasi dan himpunan data pengujian bersifat opsional.

AutoML membuat sejumlah alur secara paralel yang mencoba algoritma dan parameter yang berbeda untuk model Anda. Layanan ini berulang melalui algoritma ML yang dipasangkan dengan pilihan fitur, setiap perulangan menghasilkan model dengan skor pelatihan. Anda dapat memilih metrik yang Anda inginkan untuk dioptimalkan oleh model. Semakin baik skor untuk metrik yang dipilih, semakin baik model dianggap "sesuai" data Anda. Anda dapat menentukan kriteria keluar untuk eksperimen. Kriteria keluar akan menjadi model dengan skor pelatihan tertentu yang Anda inginkan untuk ditemukan AutoML. Ini akan berhenti setelah mencapai kriteria keluar yang ditentukan. Komponen ini kemudian akan menghasilkan model terbaik yang telah dihasilkan di akhir eksekusi untuk himpunan data Anda.

  1. Tambahkan komponen Prakiraan AutoML ke alur Anda.

  2. Tentukan training_data yang Anda inginkan untuk digunakan model.

  3. Tentukan Metrik Utama yang Anda inginkan untuk digunakan AutoML untuk mengukur keberhasilan model Anda.

  4. Tentukan Kolom Target yang Anda inginkan untuk output model

  5. Pada formulir Jenis tugas dan pengaturan , pilih jenis tugas: prakiraan. Lihat tipe tugas yang didukung untuk informasi selengkapnya.

    1. Untuk perkiraan Anda bisa,

      1. Aktifkan pembelajaran mendalam.

      2. Pilih kolom waktu: Kolom ini berisi data waktu yang akan digunakan.

      3. Pilih cakrawala prakiraan: Menunjukkan berapa banyak unit waktu (menit/jam/hari/minggu/bulan/tahun) yang akan dapat diprediksi model ke masa depan. Semakin jauh model diperlukan untuk memprediksi masa depan, maka akan semakin menjadi tidak akurat. Pelajari selengkapnya tentang perkiraan dan cakrawala perkiraan.

  6. (Opsional) Tampilan pengaturan konfigurasi tambahan: setelan tambahan yang dapat Anda gunakan untuk mengontrol pekerjaan pelatihan dengan lebih baik. Jika tidak, pengaturan default diterapkan berdasarkan pilihan eksperimen dan data.

    Konfigurasi tambahan Deskripsi
    Metrik utama Metrik utama yang digunakan untuk mencetak model Anda. Pelajari selengkapnya tentang metrik model.
    Menjelaskan model terbaik Pilih untuk mengaktifkan atau menonaktifkan, untuk menampilkan penjelasan untuk model terbaik yang direkomendasikan.
    Fungsi ini saat ini tidak tersedia untuk algoritma perkiraan tertentu.
    Algoritma yang diblokir Pilih algoritme yang ingin Anda kecualikan dari pekerjaan pelatihan.

    Mengizinkan algoritma hanya tersedia untuk eksperimen SDK.
    Lihat algoritma yang didukung untuk setiap jenis tugas.
    Kriteria keluar Ketika salah satu kriteria ini terpenuhi, pekerjaan pelatihan dihentikan.
    Waktu kerja pelatihan (jam kerja) : Berapa lama untuk memungkinkan pekerjaan pelatihan berjalan.
    Ambang skor metrik: Skor metrik minimum untuk semua alur. Ini memastikan bahwa jika Anda memiliki metrik target yang ditentukan yang ingin Anda jangkau, Anda tidak menghabiskan lebih banyak waktu untuk pekerjaan pelatihan daripada yang diperlukan.
    Konkurensi maks iterasi bersamaan: Jumlah maksimum alur (iterasi) untuk diuji dalam pekerjaan pelatihan. Pekerjaan tidak akan berjalan lebih dari jumlah iterasi yang ditentukan. Pelajari selengkapnya tentang cara ML otomatis melakukan beberapa turunan pekerjaan pada kluster.

Langkah berikutnya

Lihat set komponen yang tersedia untuk Azure Machine Learning.