Intelligenza artificiale con i flussi di datiAI with dataflows

In questo articolo viene illustrato come è possibile usare l'intelligenza artificiale (IA) con i flussi di dati.In this article we discuss ways you can use artificial intelligence (AI) with dataflows. In questo articolo vengono descritte le aree seguenti:The areas described in this article are the following:

  • Servizi cognitiviCognitive Services
  • Machine Learning automatizzatoAutomated Machine Learning
  • Integrazione con Azure Machine LearningAzure Machine Learning Integration

Servizi cognitivi in Power BICognitive Services in Power BI

Con Servizi cognitivi in Power BI è possibile applicare diversi algoritmi dei Servizi cognitivi di Azure per arricchire i dati nella preparazione dei dati self-service per i flussi di dati.With Cognitive Services in Power BI, you can apply different algorithms from Azure Cognitive Services to enrich your data in the self-service data prep for Dataflows.

I servizi attualmente supportati sono Analisi del sentiment, Estrazione frasi chiave, Rilevamento lingua e Assegnazione di tag alle immagini.The services that are supported today are Sentiment Analysis, Key Phrase Extraction, Language Detection, and Image Tagging. Le trasformazioni vengono eseguite nel servizio Power BI e non richiedono una sottoscrizione di Servizi cognitivi di Azure.The transformations are executed on the Power BI Service and do not require an Azure Cognitive Services subscription. Questa funzionalità richiede Power BI Premium.This feature requires Power BI Premium.

Abilitazione delle funzionalità di intelligenza artificialeEnabling AI features

I servizi cognitivi sono supportati per i nodi della capacità Premium EM2, A2 o P1 e superiori.Cognitive services are supported for Premium capacity nodes EM2, A2, or P1 and above. Per eseguire i servizi cognitivi viene usato un carico di lavoro di Intelligenza artificiale separato nella capacità.A separate AI workload on the capacity is used to run cognitive services. Durante l'anteprima pubblica, antecedente a giugno 2019, questo carico di lavoro era disabilitato per impostazione predefinita.During public preview (prior to June 2019), this workload was disabled by default. Prima di usare i servizi cognitivi in Power BI è necessario abilitare il carico di lavoro di Intelligenza artificiale nelle impostazioni della capacità nel portale di amministrazione.Before using cognitive services in Power BI, the AI workload needs to be enabled in the capacity settings of the admin portal. È possibile attivare il carico di lavoro di Intelligenza artificiale nella sezione Carichi di lavoro e definire la quantità massima di memoria che può essere utilizzata da questo carico di lavoro.You can turn on the AI workload in the workloads section, and define the maximum amount of memory you would like this workload to consume. Il limite consigliato per la memoria è pari al 20%.The recommended memory limit is 20%. Il superamento di questo limite causa il rallentamento della query.Exceeding this limit causes the query to slow down.

Servizi cognitivi in Power BI

Iniziare a usare Servizi cognitivi in Power BIGetting started with Cognitive Services in Power BI

Le trasformazioni di Servizi cognitivi fanno parte della preparazione dei dati self-service per i flussi di dati.Cognitive Services transforms are part of the Self-Service Data Prep for dataflows. Per arricchire i dati con Servizi cognitivi, iniziare con la modifica di un flusso di dati.To enrich your data with Cognitive Services, start by editing a dataflow.

Modificare un flusso di dati

Selezionare il pulsante Informazioni dettagliate sull'intelligenza artificiale sulla barra multifunzione superiore dell'editor di Power Query.Select the AI Insights button in the top ribbon of Power Query Editor.

Informazioni dettagliate sull'intelligenza artificiale nell'editor di Power Query

Nella finestra popup selezionare la funzione da usare e i dati da trasformare.In the pop-up window, select the function you want to use and the data you want to transform. In questo esempio viene assegnato un punteggio al sentiment di una colonna che contiene testo di recensioni.In this example, I'm scoring the sentiment of a column that contains review text.

Selezionare una funzione

Cultureinfo è un input facoltativo che specifica la lingua del testo.Cultureinfo is an optional input to specify the language of the text. Questo campo prevede un codice ISO.This field is expecting an ISO code. Come input per Cultureinfo è possibile usare una colonna oppure un campo statico.You can use a column as input for Cultureinfo, or a static field. In questo esempio la lingua scelta è l'inglese, specificato come "en" per l'intera colonna.In this example, the language is specified as English (en) for the whole column. Se si lascia vuoto questo campo, Power BI rileva automaticamente la lingua prima di applicare la funzione.If you leave this field blank, Power BI automatically detects the language before applying the function. Selezionare quindi Richiama.Next, select Invoke.

Selezionare Richiama

Dopo il richiamo della funzione, il risultato viene aggiunto come nuova colonna alla tabella.After invoking the function, the result is added as a new column to the table. Anche la trasformazione viene aggiunta come passaggio applicato nella query.The transformation is also added as an applied step in the query.

Nuova colonna creata

Se la funzione restituisce più campi di output, il richiamo della funzione aggiunge una nuova colonna con un record dei diversi campi di output.If the function returns multiple output fields, invoking the function adds a new column with a record of the multiple output fields.

Usare l'opzione di espansione per aggiungere uno o entrambi i valori come colonne ai dati.Use the expand option to add one or both values as columns to your data.

Colonna Espandi

Funzioni disponibiliAvailable functions

Questa sezione descrive le funzioni disponibili in Servizi cognitivi in Power BI.This section describes the available functions in Cognitive Services in Power BI.

Rileva linguaDetect Language

La funzione di rilevamento della lingua valuta l'input di testo e, per ogni campo, restituisce il nome della lingua e l'identificatore ISO.The language detection function evaluates text input, and for each field, returns the language name and ISO identifier. Questa funzione è utile per le colonne di dati che raccolgono testo arbitrario, la cui lingua è sconosciuta.This function is useful for data columns that collect arbitrary text, where language is unknown. La funzione accetta come input dati in formato testo.The function expects data in text format as input.

Analisi del testo riconosce fino a 120 lingue.Text Analytics recognizes up to 120 languages. Per altre informazioni, vedere Supporto lingua e area geografica per l'API Analisi del testo.For more information, see supported languages.

Estrazione frasi chiaveExtract Key Phrases

La funzione Estrazione frasi chiave valuta il testo non strutturato e, per ogni campo di testo, restituisce un elenco di frasi chiave.The Key Phrase Extraction function evaluates unstructured text, and for each text field, returns a list of key phrases. La funzione richiede come input un campo di testo e accetta un input facoltativo per Cultureinfo.The function requires a text field as input, and accepts an optional input for Cultureinfo. Vedere la sezione Iniziare a usare Servizi cognitivi in Power BI più indietro in questo articolo.(See the Getting Started section earlier in this article).

L'estrazione di espressioni chiave risulta più efficiente quando si elaborano blocchi di testo più grandi,Key phrase extraction works best when you give it bigger chunks of text to work on. diversamente dalla funzione Analisi del sentiment che offre le migliori prestazioni su blocchi di testo più piccoli.This is opposite from sentiment analysis, which performs better on smaller blocks of text. Per ottenere risultati ottimali da entrambe le operazioni, provare a ristrutturare gli input di conseguenza.To get the best results from both operations, consider restructuring the inputs accordingly.

Analisi del sentimentScore Sentiment

La funzione Analisi del sentiment valuta l'input di testo e restituisce un punteggio del sentiment per ogni documento, compreso tra 0 (negativo) e 1 (positivo).The Score Sentiment function evaluates text input and returns a sentiment score for each document, ranging from 0 (negative) to 1 (positive). Questa funzione è utile per rilevare il sentiment positivo e negativo in social media, recensioni dei clienti e forum di discussione.This function is useful for detecting positive and negative sentiment in social media, customer reviews, and discussion forums.

Analisi del testo usa un algoritmo di classificazione di Machine Learning per generare un punteggio del sentiment compreso tra 0 e 1.Text Analytics uses a machine learning classification algorithm to generate a sentiment score between 0 and 1. I punteggi più vicini a 1 indicano un sentiment positivo, quelli più vicini a 0 indicano un sentiment negativo.Scores closer to 1 indicate positive sentiment, scores closer to 0 indicate negative sentiment. Il modello è stato precedentemente sottoposto a training con un corpo di testo di grandi dimensioni con associazioni di sentiment.The model is pre-trained with an extensive body of text with sentiment associations. Attualmente non è possibile fornire dati di training personali.Currently, it's not possible to provide your own training data. Il modello usa una combinazione di tecniche durante l'analisi del testo, tra cui elaborazione del testo, analisi delle parti del discorso, disposizione delle parole e associazioni di parole.The model uses a combination of techniques during text analysis, including text processing, part-of-speech analysis, word placement, and word associations. Per altre informazioni sull'algoritmo, vedere Introducing Text Analytics (Introduzione ad Analisi del testo).For more information about the algorithm, see Introducing Text Analytics.

L'analisi del sentiment viene eseguita sull'intero campo di input, a differenza dell'estrazione del sentiment per una particolare entità nel testo.Sentiment analysis is performed on the entire input field, as opposed to extracting sentiment for a particular entity in the text. In pratica, si è osservata una tendenza al miglioramento della precisione del punteggio quando i documenti contengono una o due frasi invece di un intero blocco di testo.In practice, there's a tendency for scoring accuracy to improve when documents contain one or two sentences rather than a large block of text. Durante una fase di valutazione dell'obiettività, il modello determina se un campo di input nel suo insieme è obiettivo o contiene sentiment.During an objectivity assessment phase, the model determines whether an input field as a whole is objective or contains sentiment. Un campo di input prevalentemente obiettivo non passa alla fase di rilevamento del sentiment, producendo un punteggio di 0,50 senza ulteriore elaborazione.An input field that is mostly objective does not progress to the sentiment detection phrase, resulting in a .50 score, with no further processing. Per i campi di input che proseguono nella pipeline, la fase successiva genera un punteggio superiore o inferiore a 0,50, a seconda del grado di sentiment rilevato nel campo di input.For input fields continuing in the pipeline, the next phase generates a score above or below .50, depending on the degree of sentiment detected in the input field.

Attualmente la funzione Analisi del sentiment supporta le lingue seguenti: inglese, tedesco, spagnolo e francese.Currently, Sentiment Analysis supports English, German, Spanish, and French. Altre lingue sono disponibili in anteprima.Other languages are in preview. Per altre informazioni, vedere Linguaggi supportati.For more information, see Supported languages.

Assegnazione di tag alle immaginiTag Images

La funzione Assegnazione di tag alle immagini restituisce tag sulla base di più di 2.000 oggetti, esseri viventi, paesaggi e azioni riconoscibili.The Tag Images function returns tags based on more than 2,000 recognizable objects, living beings, scenery, and actions. Quando i tag sono ambigui o non sono comunemente noti, l'output fornisce suggerimenti per chiarire il significato del tag nel contesto di un'ambientazione nota.When tags are ambiguous or not common knowledge, the output provides 'hints' to clarify the meaning of the tag in context of a known setting. I tag non sono organizzati in una tassonomia e non esiste alcuna gerarchia di ereditarietà.Tags are not organized as a taxonomy and no inheritance hierarchies exist. Una raccolta di tag di contenuto costituisce la base per la descrizione di un'immagine visualizzata come linguaggio leggibile dall'utente e formattata in frasi complete.A collection of content tags forms the foundation for an image 'description' displayed as human readable language formatted in complete sentences.

Dopo il caricamento di un'immagine o la definizione di un URL di immagine, gli algoritmi di Visione artificiale generano tag in base agli oggetti, alle azioni e agli esseri umani identificati nell'immagine.After uploading an image or specifying an image URL, Computer Vision algorithms output tags based on the objects, living beings, and actions identified in the image. L'assegnazione di tag non è limitata al soggetto principale, come la persona in primo piano, ma si estende all'ambiente (interno o esterno), all'arredamento, agli attrezzi, alle piante, agli animali, agli accessori e così via.Tagging is not limited to the main subject, such as a person in the foreground, but also includes the setting (indoor or outdoor), furniture, tools, plants, animals, accessories, gadgets, and so on.

Questa funzione richiede un URL immagine o un campo base 64 come input.This function requires an image URL or abase-64 field as input. Attualmente la funzione di assegnazione di tag alle immagini supporta le lingue seguenti: inglese, spagnolo, giapponese, portoghese e cinese semplificato.At this time, image tagging supports English, Spanish, Japanese, Portuguese, and Simplified Chinese. Per altre informazioni, vedere Linguaggi supportati.For more information, see Supported languages.

Machine Learning automatizzato in Power BIAutomated Machine Learning in Power BI

Machine Learning automatizzato (AutoML) per i flussi di dati consente agli analisti aziendali di eseguire il training, convalidare e richiamare i modelli di Machine Learning (ML) direttamente in Power BI.Automated machine learning (AutoML) for dataflows enables business analysts to train, validate, and invoke Machine Learning (ML) models directly in Power BI. Include un'esperienza semplice per la creazione di un nuovo modello di ML in cui gli analisti possono usare i propri flussi di dati per specificare i dati di input per il training del modello.It includes a simple experience for creating a new ML model where analysts can use their dataflows to specify the input data for training the model. Il servizio estrae automaticamente le caratteristiche più rilevanti, seleziona un algoritmo appropriato e ottimizza e convalida il modello di ML.The service automatically extracts the most relevant features, selects an appropriate algorithm, and tunes and validates the ML model. Dopo aver eseguito il training di un modello, Power BI genera automaticamente un report prestazioni che include i risultati della convalida.After a model is trained, Power BI automatically generates a performance report that includes the results of the validation. Il modello può quindi essere richiamato per tutti i dati nuovi o aggiornati all'interno del flusso di dati.The model can then be invoked on any new or updated data within the dataflow.

Schermata di Machine Learning

Machine Learning automatizzato (AutoML) è disponibile per i flussi di data ospitati solo in Power BI Premium e nelle capacità incorporate.Automated machine learning is available for dataflows that are hosted on Power BI Premium and Embedded capacities only.

Uso di AutoMLWorking with AutoML

I flussi di dati offrono la preparazione dei dati self-service per i Big Data.Dataflows offer self-serve data prep for big data. AutoML è integrato nei flussi di dati e consente di sfruttare le attività di preparazione dei dati per la creazione di modelli di Machine Learning, direttamente all'interno di Power BI.AutoML is integrated into dataflows and enables you to leverage your data prep effort for building machine learning models, right within Power BI.

AutoML in Power BI consente agli analisti di dati di usare i flussi di dati per creare modelli di Machine Learning con un'esperienza semplificata, usando solo competenze di Power BI.AutoML in Power BI enables data analysts to use dataflows to build machine learning models with a simplified experience, using just Power BI skills. La maggior parte delle attività di data science su cui si basa la creazione dei modelli di Machine Learning è automatizzata da Power BI.Most of the data science behind the creation of the ML models is automated by Power BI. Sono disponibili controlli che assicurano la buona qualità del modello prodotto e la visibilità sul processo usato per creare il modello di ML.It has guardrails to ensure that the model produced has good quality and provides visibility into the process used to create your ML model.

AutoML supporta la creazione di modelli di previsione per dati binari, classificazione e regressione per i flussi di dati.AutoML supports the creation of Binary Prediction, Classification, and Regression Models for dataflows. Sono tipi di tecniche di Machine Learning con supervisione, ovvero l'apprendimento si basa sui risultati noti delle osservazioni precedenti al fine di stimare i risultati di altre osservazioni.These are types of supervised machine learning techniques, which means that they learn from the known outcomes of past observations to predict the outcomes of other observations. Il set di dati di input usato per il training di un modello AutoML è un set di record etichettati con i risultati noti.The input dataset for training an AutoML model is a set of records that are labeled with the known outcomes.

AutoML in Power BI integra la funzionalità Machine Learning automatizzato da Azure Machine Learning per creare i modelli di Machine Learning.AutoML in Power BI integrates automated ML from Azure Machine Learning to create your ML models. Tuttavia, non è necessaria una sottoscrizione di Azure per usare AutoML in Power BI.However, you don't need an Azure subscription to use AutoML in Power BI. Il processo di training e hosting dei modelli di Machine Learning è gestito interamente dal servizio Power BI.The process of training and hosting the ML models is managed entirely by the Power BI service.

Dopo aver eseguito il training di un modello di Machine Learning, AutoML genera automaticamente un report di Power BI in cui vengono spiegate le prestazioni probabili del modello di Machine Learning.After an ML model is trained, AutoML automatically generates a Power BI report that explains the likely performance of your ML model. AutoML rende più comprensibile la spiegazione evidenziando i fattori di influenza chiave tra gli input che influenzano le stime restituite dal modello.AutoML emphasizes explainability by highlighting the key influencers among your inputs that influence the predictions returned by your model. Il report include anche le metriche chiave per il modello.The report also includes key metrics for the model.

Altre pagine del report generato contengono un riepilogo statistico del modello e i dettagli del training.Other pages of the generated report show the statistical summary of the model and the training details. Il riepilogo statistico è di particolare interesse per gli utenti che vogliono visualizzare le misure di data science standard delle prestazioni del modello.The statistical summary is of interest to users who would like to see the standard data science measures of model performance. I dettagli del training riepilogano tutte le iterazioni eseguite per creare il modello, con i parametri di modellazione associati.The training details summarize all the iterations that were run to create your model, with the associated modeling parameters. Viene inoltre descritto il modo in cui è stato usato ogni input per creare il modello di Machine Learning.It also describes how each input was used to create the ML model.

È quindi possibile applicare il modello di Machine Learning ai dati per l'assegnazione dei punteggi.You can then apply your ML model to your data for scoring. Quando si aggiorna il flusso di dati, i dati vengono aggiornati con le stime del modello di ML.When the dataflow is refreshed, your data is updated with predictions from your ML model. Power BI include anche una spiegazione specifica per ogni stima prodotta dal modello di Machine Learning.Power BI also includes an individualized explanation for each specific prediction that the ML model produces.

Creazione di un modello di Machine LearningCreating a machine learning model

Questa sezione descrive la procedura di creazione di un modello AutoML.This section describes how to create an AutoML model.

Preparazione dei dati per la creazione di un modello di Machine LearningData prep for creating an ML model

Per creare un modello di Machine Learning in Power BI, è necessario prima creare un flusso di dati per i dati contenenti le informazioni relative ai risultati cronologici, da usare per il training del modello di Machine Learning.To create a machine learning model in Power BI, you must first create a dataflow for the data containing the historical outcome information, which is used for training the ML model. È inoltre necessario aggiungere colonne calcolate per eventuali metriche aziendali che possono essere predittori forti per il risultato che si sta tentando di prevedere.You should also add calculated columns for any business metrics that may be strong predictors for the outcome you're trying to predict. Per informazioni dettagliate sulla configurazione dei flussi di dati, vedere Configurare e usare un flusso di dati.For details on configuring your dataflow, see configure and consume a dataflow.

AutoML presenta requisiti specifici in termini di dati per eseguire il training di un modello di Machine Learning.AutoML has specific data requirements for training a machine learning model. Questi requisiti sono descritti nelle sezioni riportate di seguito, in base ai rispettivi tipi di modello.These requirements are described in sections below, based on respective model types.

Configurazione degli input del modello di Machine LearningConfiguring the ML model inputs

Per creare un modello AutoML, selezionare l'icona ML nella colonna Azioni dell'entità del flusso di dati e selezionare Aggiungi un modello di Machine Learning.To create an AutoML model, select the ML icon in the Actions column of the dataflow entity, and select Add a machine learning model.

Aggiungere un modello di Machine Learning

Viene avviata un'esperienza semplificata, costituita da una procedura guidata che illustra all'utente i passaggi del processo di creazione del modello di Machine Learning.A simplified experience is launched, consisting of a wizard that guides you through the process of creating the ML model. La procedura guidata include i semplici passaggi riportati di seguito.The wizard includes the following simple steps.

1. Selezionare l'entità con i dati cronologici e il campo del risultato per cui si vuole una stima1. Select the entity with the historical data, and the outcome field for which you want a prediction

Il campo del risultato identifica l'attributo dell'etichetta per il training del modello di Machine Learning, come illustra la figura seguente.The outcome field identifies the label attribute for training the ML model, shown in the following image.

Selezionare i dati del risultato cronologico

2. Scegliere un tipo di modello2. Choose a model type

Quando si specifica il campo del risultato, AutoML analizza i dati dell'etichetta per consigliare il tipo di modello di ML più adatto per il training.When you specify the outcome field, AutoML analyzes the label data to recommend the most likely ML model type that can be trained. È possibile scegliere un tipo di modello diverso, come mostrato di seguito, facendo clic su "Selezionare un altro modello".You can pick a different model type as shown below by clicking on “Select a different model”.

Selezionare un modello

Nota

Alcuni tipi di modelli possono non essere supportati per i dati selezionati e risultano quindi disabilitati.Some model types may not be supported for the data that you have selected and hence would be disabled. Nell'esempio precedente la regressione è disabilitata, dal momento che è selezionata una colonna di testo come campo del risultato.In the above example, Regression is disabled, as a text column is selected as outcome field.

3. Selezionare gli input che il modello dovrà usare come segnali predittivi3. Select the inputs you want the model to use as predictive signals

AutoML analizza un campione dell'entità selezionata per suggerire gli input che possono essere usati per il training del modello di Machine Learning.AutoML analyzes a sample of the selected entity to suggest the inputs that can be used for training the ML model. Accanto ai campi che non vengono selezionati verranno fornite delle spiegazioni.Explanations would be provided next to fields that are not selected. Se un campo specifico contiene troppi valori distinti o un solo valore, oppure una correlazione bassa o alta con il campo di output, non verrà consigliato.If a particular field has too many distinct values or only one value, or low or high correlation with the output field, it would not be recommended.

Eventuali input che dipendono dal campo del risultato (o dal campo dell'etichetta) non devono essere usati per il training del modello di Machine Learning, perché influiscono negativamente sulle prestazioni.Any inputs that are dependent on the outcome field (or the label field) should not be used for training the ML model, since they will affect its performance. Questi campi vengono contrassegnati come aventi una "correlazione alta sospetta con il campo di output".Such fields would be flagged as having “suspiciously high correlation with output field”. L'introduzione di questi campi nei dati di training causa la perdita di etichette, per cui il modello offre prestazioni ottimali rispetto ai dati di convalida o di test, ma non riesce a uguagliare tali prestazioni quando viene usato nell'ambiente di produzione per l'assegnazione dei punteggi.Introducing these fields into the training data causes label leakage, where the model performs well on the validation or test data but cannot match that performance when used in production for scoring. La perdita di etichette può costituire un possibile problema nei modelli AutoML, quando le prestazioni del modello di training sono troppo positive per essere vere.Label leakage could be a possible concern in AutoML models, when training model performance is too good to be true.

La raccomandazione di questa caratteristica è basata su un campione di dati, pertanto è necessario esaminare gli input usati.This feature recommendation is based on a sample of a data, so you should review the inputs used. È possibile modificare le selezioni in modo da includere solo i campi da esaminare nel modello.You have the option to change the selections to include only the fields you want the model to study. È anche possibile selezionare tutti i campi selezionando la casella di controllo accanto al nome dell'entità.You can also select all the fields by selecting the checkbox next to the entity name.

Personalizza i campi di input

4. Assegnare un nome al modello e salvare la configurazione4. Name your model and save your configuration

Nel passaggio finale è possibile assegnare un nome al modello e selezionare Salva ed esegui training per iniziare a eseguire il training del modello di ML.In the final step, you can name the model and select Save and train which begins training the ML model. È possibile scegliere di ridurre il tempo di training per visualizzare risultati rapidi o aumentare la quantità di tempo impiegato per il training per ottenere il modello migliore.You can choose to reduce the training time to see quick results or increase the amount of time spent in training to get the best model.

Assegnare un nome al modello

Training del modello di Machine LearningML model training

Il training dei modelli AutoML fa parte dell'aggiornamento del flusso di dati.Training of AutoML models is a part of the dataflow refresh. AutoML prima prepara i dati per il training.AutoML first prepares your data for training. Suddivide i dati cronologici specificati in set di dati di training e test.AutoML splits the historical data you provide into training and testing datasets. Il set di dati di test è un set di dati di controllo usato per convalidare le prestazioni del modello dopo il training.The test dataset is a holdout set that is used for validating the model performance after training. Nel flusso di dati si ottengono come entità di training e test.These are realized as Training and Testing entities in the dataflow. AutoML usa la convalida incrociata per convalidare il modello.AutoML uses cross-validation for the model validation.

Ogni campo di input viene quindi analizzato e viene applicata l'imputazione, che sostituisce eventuali valori mancanti con valori sostituiti.Next, each input field is analyzed and imputation is applied, which replaces any missing values with substituted values. AutoML usa due strategie di imputazione diverse.A couple of different imputation strategies are used by AutoML. Per gli attributi di input trattati come caratteristiche numeriche, per l'imputazione viene usata la media dei valori della colonna.For input attributes treated as numeric features, the mean of the column values is used for imputation. Per gli attributi di input trattati come caratteristiche categoriche, per l'imputazione AutoML usa la modalità dei valori della colonna.For input attributes treated as categorical features, AutoML uses the mode of the column values for imputation. La media e la modalità dei valori usati per l'imputazione vengono calcolate dal framework AutoML nel set di dati di training sottocampionato.The mean and mode of values used for imputation are calculated by the AutoML framework on the subsampled training dataset.

Vengono quindi applicati ai dati i campionamenti e le normalizzazioni in base alle esigenze.Then, sampling and normalization are applied to your data as required. Per i modelli di classificazione, AutoML esegue i dati di input tramite il campionamento stratificato e bilancia le classi per garantire che i conteggi delle righe siano uguali per tutti.For classification models, AutoML runs the input data through stratified sampling and balances the classes to ensure the row counts are equal for all.

AutoML applica diverse trasformazioni a ogni campo di input selezionato in base al relativo tipo di dati e alle relative proprietà statistiche.AutoML applies several transformations on each selected input field based on its data type, and its statistical properties. AutoML usa queste trasformazioni per estrarre le funzionalità da usare per il training del modello di Machine Learning.AutoML uses these transformations to extract features for use in training your ML model.

Il processo di training per i modelli AutoML è costituito da un massimo di 50 iterazioni con algoritmi di modellazione e impostazioni di iperparametri diversi per trovare il modello con le migliori prestazioni.The training process for AutoML models consists of up to 50 iterations with different modeling algorithms and hyperparameter settings to find the model with the best performance. Il training può terminare in anticipo con meno iterazioni se AutoML rileva che non è stato osservato alcun miglioramento delle prestazioni.Training can end early with lesser iterations if AutoML notices that there is no performance improvement being observed. Le prestazioni di ognuno di questi modelli vengono valutate usando la convalida eseguita con il set di dati di test dei dati di controllo.The performance of each of these models is assessed by validation with the holdout test dataset. Durante questo passaggio del training, AutoML crea diverse pipeline per il training e la convalida di queste iterazioni.During this training step, AutoML creates several pipelines for training and validation of these iterations. Il processo di valutazione delle prestazioni dei modelli può richiedere tempo, da diversi minuti a un paio d'ore fino alla durata del training configurata nella procedura guidata, a seconda delle dimensioni del set di dati e delle risorse di capacità disponibili.The process of assessing the performance of the models can take time, anywhere from several minutes to a couple of hours up-to the training time configured in the wizard, depending on the size of your dataset and the capacity resources available.

In alcuni casi il modello finale generato può usare l'apprendimento di tipo ensemble, in cui vengono usati più modelli per ottimizzare le prestazioni predittive.In some cases, the final model generated may use ensemble learning, where multiple models are used to deliver better predictive performance.

Spiegazione del modello AutoMLAutoML model explainability

Dopo aver eseguito il training del modello, AutoML analizza la relazione tra le funzionalità di input e l'output del modello.After the model has been trained, AutoML analyzes the relationship between the input features and the model output. Valuta la magnitudine delle modifiche apportate all'output del modello per il set di dati di test dei dati di controllo per ogni caratteristica di input.It assesses the magnitude of change to the model output for the holdout test dataset for each input feature. Questa operazione è nota come priorità della funzionalità.This is known as the feature importance. Viene eseguita come parte dell'aggiornamento una volta completato il training.This happens as a part of the refresh once training is complete. Di conseguenza, l'aggiornamento potrebbe richiedere più tempo rispetto alla durata del training configurata nella procedura guidata.Hence your refresh may take longer than the training time configured in the wizard.

Priorità funzionalità

Report sul modello AutoMLAutoML model report

AutoML genera un report di Power BI che contiene un riepilogo delle prestazioni del modello durante la convalida e indica la priorità della funzionalità globale.AutoML generates a Power BI report that summarizes the performance of the model during validation, along with the global feature importance. È possibile accedere a questo report dalla scheda Modello di Machine Learning al termine dell'aggiornamento del flusso di dati.This report can be accessed from the Machine Learning Model tab once the dataflow refresh is successful. Il report riepiloga i risultati dell'applicazione del modello di Machine Learning ai dati del test dei dati di controllo e del confronto tra le previsioni e i valori dei risultati noti.The report summarizes the results from applying the ML model to the holdout test data and comparing the predictions with the known outcome values.

È possibile esaminare il report sul modello per comprenderne le prestazioni.You can review the model report to understand its performance. È anche possibile verificare che i fattori di influenza chiave del modello siano allineati con le informazioni aziendali dettagliate sui risultati noti.You can also validate that the key influencers of the model align with the business insights about the known outcomes.

I grafici e le misure usati per descrivere le prestazioni del modello nel rapporto dipendono dal tipo di modello.The charts and measures used to describe the model performance in the report depend on the model type. I grafici e le misure delle prestazioni sono descritti nelle sezioni seguenti.These performance charts and measures are described in the following sections.

Altre pagine del report possono descrivere misure statistiche sul modello da una prospettiva di data science.Additional pages in the report may describe statistical measures about the model from a data science perspective. Ad esempio, il report sulla previsione per dati binari include un grafico del guadagno e la curva ROC per il modello.For instance, the Binary Prediction report includes a gain chart and the ROC curve for the model.

I report includono inoltre una pagina dei dettagli del training che contiene una descrizione del modo in cui è stato eseguito il training del modello e un grafico che descrive le prestazioni del modello per ogni esecuzione di iterazione.The reports also include a Training Details page that includes a description of how the model was trained, and a chart describing the model performance over each of the iterations run.

Dettagli del training

In un'altra sezione di questa pagina viene descritto il tipo rilevato del campo di input e il metodo di imputazione usato per compilare i valori mancanti.Another section on this page describes the detected type of the input field and imputation method used for filling missing values. Sono inclusi inoltre i parametri usati dal modello finale.It also includes the parameters used by the final model.

Altre informazioni per il modello

Se il modello prodotto usa l'apprendimento di tipo ensemble, la pagina dei dettagli del training include anche un grafico che mostra il peso di ogni modello costituente dell'ensemble, nonché i relativi parametri.If the model produced uses ensemble learning, then the Training Details page also includes a chart showing the weight of each constituent model in the ensemble, as well as its parameters.

Peso nell'ensamble

Applicazione del modello AutoMLApplying the AutoML model

Se si è soddisfatti delle prestazioni del modello di Machine Learning creato, è possibile applicarlo ai dati nuovi o aggiornati quando si aggiorna il flusso di dati.If you're satisfied with the performance of the ML model created, you can apply it to new or updated data when your dataflow is refreshed. È possibile eseguire questa operazione dal report sul modello, selezionando il pulsante Applica nell'angolo in alto a destra o il pulsante Applica modello di ML nell'elenco delle azioni della scheda Modelli di Machine Learning.You can do this from the model report, by selecting the Apply button in the top-right corner or the Apply ML Model button under actions in the Machine Learning Models tab.

Per applicare il modello di Machine Learning, è necessario specificare il nome dell'entità a cui deve essere applicato e un prefisso per le colonne che verranno aggiunte a questa entità per l'output del modello.To apply the ML model, you must specify the name of the entity to which it must be applied, and a prefix for the columns that will be added to this entity for the model output. Il prefisso predefinito per i nomi delle colonne è il nome del modello.The default prefix for the column names is the model name. La funzione Applica può includere parametri aggiuntivi specifici del tipo di modello.The Apply function may include additional parameters specific to the model type.

L'applicazione del modello di ML crea due nuove entità del flusso di dati contenenti le stime e le spiegazioni specifiche per ogni riga di cui viene calcolato il punteggio nell'entità di output.Applying the ML model creates two new dataflow entities which contains the predictions and individualized explanations for each row that it scores in the output entity. Ad esempio, se si applica il modello PurchaseIntent all'entità OnlineShoppers, l'output genera le entità OnlineShoppers enriched PurchaseIntent e OnlineShoppers enriched PurchaseIntent explanations.For instance, if you apply the PurchaseIntent model to the OnlineShoppers entity, the output will generate the OnlineShoppers enriched PurchaseIntent and OnlineShoppers enriched PurchaseIntent explanations entities. Per ogni riga nell'entità arricchita, le spiegazioni vengono suddivise in più righe nell'entità delle spiegazioni arricchite in base alla caratteristica di input.For each row in the enriched entity, The Explanations is broken down into multiple rows in the enriched explanations entity based on the input feature. Un ExplanationIndex consente di eseguire il mapping delle righe dall'entità delle spiegazioni arricchite alla riga nell'entità arricchita.An ExplanationIndex helps map the rows from the enriched explanations entity to the row in enriched entity.

Editor di query

È anche possibile applicare qualsiasi modello AutoML di Power BI alle entità di un flusso di dati nella stessa area di lavoro usando le informazioni dettagliate sull'intelligenza artificiale nel browser delle funzioni PQO.You can also apply any Power BI AutoML model to entities in any dataflow in the same workspace using AI Insights in PQO function browser. In questo modo è possibile usare i modelli creati da altri utenti nella stessa area di lavoro senza essere necessariamente proprietari del flusso di lavoro che possiede il modello.This way, you can use models created by others in the same workspace without necessarily being an owner of the dataflow that has the model. Power Query individua tutti i modelli di Machine Learning di Power BI nell'area di lavoro e li espone come funzioni di Power Query dinamiche.Power Query discovers all the Power BI ML models in the workspace and exposes them as dynamic Power Query functions.  L'utente può quindi richiamare queste funzioni accedendovi dalla barra multifunzione dell'editor di Power Query o richiamando direttamente la funzione M.You can invoke those functions by accessing them from the ribbon in Power Query Editor, or by invoking the M function directly. Questa funzionalità è attualmente supportata solo per i flussi di dati di Power BI e per Power Query Online nel servizio Power BI.This functionality is currently only supported for Power BI dataflows, and for Power Query Online in the Power BI service. Si noti che questa operazione è molto diversa dall'applicazione dei modelli di Machine Learning all'interno di un flusso di dati tramite la procedura guidata AutoML.Note that this is very different from applying ML models within a dataflow using the AutoML wizard. Non viene creata alcuna entità delle spiegazioni con questo metodo e, a meno che l'utente non sia il proprietario del flusso di dati, non è possibile accedere ai report di training del modello o ripetere il training del modello.There is no explanations entity created using this method and unless you are the owner of the dataflow, you cannot access model training reports or retrain the model. Se il modello di origine viene modificato (aggiungendo o rimuovendo campi di input) o il flusso di dati del modello o dell'origine viene eliminato, il flusso di dati dipendente si interrompe.If the source model is edited (adding or removing input fields) or, the model or source dataflow is deleted, then this dependent dataflow would break.

Applicare un modello usando il browser delle funzioni PQO

Dopo che è stato applicato il modello, AutoML fa in modo che le stime siano sempre aggiornate ogni volta che viene aggiornato il flusso di dati.After you apply the model, AutoML always keeps your predictions up-to-date whenever the dataflow is refreshed.

Per usare le informazioni dettagliate e le previsioni del modello di Machine Learning in un report di Power BI, è possibile connettersi all'entità di output da Power BI Desktop usando il connettore di flussi di dati.To use the insights and predictions from the ML model in a Power BI report, you can connect to the output entity from Power BI Desktop using the dataflows connector.

Modelli di previsione per dati binariBinary Prediction models

I modelli di previsione per dati binari, più formalmente noti come modelli di classificazione binaria, vengono usati per classificare un set di dati in due gruppi.Binary Prediction models, more formally known as binary classification models, are used to classify a dataset into two groups. Consentono di stimare gli eventi che possono avere un risultato binario,They're used to predict events that can have a binary outcome. ad esempio se un'opportunità di vendita verrà convertita, se un account passa a un'altra azienda, se una fattura verrà pagata in tempo, se una transazione è fraudolenta e così via.For instance, whether a sales opportunity will convert, whether an account will churn, whether an invoice will be paid on time, whether a transaction is fraudulent, and so on.

L'output di un modello di previsione per dati binari è un punteggio di probabilità, che identifica la probabilità che venga ottenuto il risultato di destinazione.The output of a Binary Prediction model is a probability score, which identifies the likelihood that the target outcome will be achieved.

Training di un modello di previsione per dati binariTraining a Binary Prediction model

Prerequisiti:Pre-requisites:

  • Sono necessarie almeno 20 righe di dati cronologici per ogni classe di risultatiA minimum of 20 rows of historical data is required for each class of outcomes

Il processo di creazione per un modello di previsione per dati binari segue gli stessi passaggi degli altri modelli AutoML, descritti in precedenza nella sezione Configurazione degli input del modello di Machine Learning.The process of creation for a Binary Prediction model follows the same steps as other AutoML models, described in the section Configuring the ML model inputs above. L'unica differenza è nel passaggio "Scegliere un modello", in cui è possibile selezionare il valore del risultato di destinazione a cui si è maggiormente interessati.The only difference is in the “Choose a model” step where you can select the target outcome value that you’re most interested in. È anche possibile specificare etichette descrittive per i risultati da usare nel report generato automaticamente che riepiloga i risultati della convalida del modello.You can also provide friendly labels for the outcomes to be used in the automatically generated report that will summarize the results of the model validation.

Procedura guidata di previsione per dati binari

Report del modello di previsione per dati binariBinary Prediction model report

Il modello di previsione per dati binari produce come output una probabilità che un record ottenga il risultato di destinazione.The Binary Prediction model produces as an output a probability that a record will achieve the target outcome. Il report include un filtro dei dati per la soglia di probabilità, che influisce sul modo in cui vengono interpretati i punteggi sopra e sotto la soglia di probabilità.The report includes a slicer for the probability threshold, which influences how the scores above and below the probability threshold are interpreted.

Il report descrive le prestazioni del modello in termini di veri positivi, falsi positivi, veri negativi e falsi negativi.The report describes the performance of the model in terms of True Positives, False Positives, True Negatives, and False Negatives. I veri positivi e i veri negativi sono risultati previsti correttamente per le due classi nei dati del risultato.True Positives and True Negatives are correctly predicted outcomes for the two classes in the outcome data. I falsi positivi sono record per cui è stato stimato un risultato di destinazione ma che non l'hanno effettivamente ottenuto.False Positives are records that were predicted to have Target outcome but actually did not. Viceversa, i falsi negativi sono record che hanno ottenuto il risultato di destinazione pur non essendo stato stimato che l'ottenessero.Conversely, False Negatives are records that had Target outcome but were predicted as not having it.

Le misure, ad esempio la precisione e il richiamo, descrivono l'effetto della soglia di probabilità sui risultati previsti.Measures, such as Precision and Recall, describe the effect of the probability threshold on the predicted outcomes. È possibile usare il filtro dei dati della soglia di probabilità per selezionare una soglia che raggiunga una compromesso equilibrato tra precisione e richiamo.You can use the probability threshold slicer to select a threshold that achieves a balanced compromise between Precision and Recall.

Anteprima dell'accuratezza

Il report include anche uno strumento di analisi costi-vantaggi che consente di identificare il subset della popolazione che dovrebbe produrre il massimo profitto.The report also includes a Cost-Benefit analysis tool to help identify the subset of the population that should be targeted to yield the highest profit. Dato un costo unitario stimato di destinazione e un vantaggio unitario derivante dal raggiungimento di un risultato di destinazione, l'analisi costi-vantaggi tenta di ottimizzare i profitti.Given an estimated unit cost of targeting and a unit benefit from achieving a target outcome, Cost-Benefit analysis attempts to maximize profit. È possibile usare questo strumento per scegliere la soglia di probabilità in base al punto massimo nel grafico per ottimizzare i profitti.You can use this tool to pick your probability threshold based on the maximum point in the graph to maximize profit. È anche possibile usare il grafico per calcolare il profitto o il costo per la soglia di probabilità scelta.You can also use the graph to compute the profit or cost for your choice of probability threshold.

Vantaggio costi

La pagina Report di accuratezza del report sul modello include il grafico dei guadagni cumulativi e la curva ROC per il modello.The Accuracy Report page of the model report includes the Cumulative Gains chart and the ROC curve for the model. Si tratta di misure statistiche delle prestazioni del modello.These are statistical measures of model performance. Nei report sono incluse le descrizioni dei grafici illustrati.The reports include descriptions of the charts shown.

Schermata del report di accuratezza

Applicazione di un modello di previsione per dati binariApplying a Binary Prediction model

Per applicare un modello di previsione per dati binari, è necessario specificare l'entità con i dati a cui verranno applicate le previsioni dal modello di Machine Learning.To apply a Binary Prediction model, you must specify the entity with the data to which you want to apply the predictions from the ML model. Altri parametri includono il prefisso del nome della colonna di output e la soglia di probabilità per la classificazione del risultato previsto.Other parameters include the output column name prefix and the probability threshold for classifying the predicted outcome.

Input della previsione

Quando viene applicato un modello di previsione per dati binari, vengono aggiunte quattro colonne di output all'entità di output arricchita: Outcome, PredictionScore, PredictionExplanation e ExplanationIndex.When a Binary Prediction model is applied, it adds four output columns to the enriched output entity: Outcome, PredictionScore, PredictionExplanation, and ExplanationIndex. I nomi delle colonne nell'entità hanno il prefisso specificato quando viene applicato il modello.The column names in the entity have the prefix specified when the model is applied.

PredictionScore è una probabilità percentuale, che identifica la probabilità che venga ottenuto il risultato di destinazione.PredictionScore is a percentage probability, which identifies the likelihood that the target outcome will be achieved.

La colonna Outcome contiene l'etichetta del risultato stimato.The Outcome column contains the predicted outcome label. Se le probabilità dei record superano la soglia, probabilmente il risultato di destinazione verrà raggiunto e i record saranno etichettati come True.Records with probabilities exceeding the threshold are predicted as likely to achieve the target outcome and are labeled as True. Se le probabilità sono sotto la soglia, si stima che il risultato probabilmente non verrà raggiunto e i record saranno etichettati come False.Records below the threshold are predicted as unlikely to achieve the outcome and are labeled as False.

La colonna PredictionExplanation contiene una spiegazione con l'influenza specifica delle funzionalità di input su PredictionScore.The PredictionExplanation column contains an explanation with the specific influence that the input features had on the PredictionScore.

Modelli di classificazioneClassification models

I modelli di classificazione vengono usati per classificare un set di dati in più gruppi o classi.Classification models are used to classify a dataset into multiple groups or classes. Si usano per stimare gli eventi che possono avere uno di più risultati possibili,They're used to predict events that can have one of the multiple possible outcomes. ad esempio se un cliente probabilmente ha un valore di durata molto elevato, elevato, medio o basso, se il rischio predefinito è alto, moderato, basso o molto basso e così via.For instance, whether a customer is likely to have a very high, high, medium, or low Lifetime Value, whether the risk of default is High, Moderate, Low, or Very Low; and so on.

L'output di un modello di classificazione è un punteggio di probabilità, che identifica la probabilità che un record raggiunga i criteri per una determinata classe.The output of a Classification model is a probability score, which identifies the likelihood that a record will achieve the criteria for a given class.

Training di un modello di classificazioneTraining a Classification model

L'entità di input contenente i dati di training per un modello di classificazione deve avere un campo stringa o numero intero come campo del risultato che identifica i risultati noti precedenti.The input entity containing your training data for a Classification model must have a string or whole number field as the outcome field, which identifies the past known outcomes.

Prerequisiti:Pre-requisites:

  • Sono necessarie almeno 20 righe di dati cronologici per ogni classe di risultatiA minimum of 20 rows of historical data is required for each class of outcomes

Il processo di creazione per un modello di classificazione segue gli stessi passaggi degli altri modelli AutoML, descritti in precedenza nella sezione Configurazione degli input del modello di Machine Learning.The process of creation for a Classification model follows the same steps as other AutoML models, described in the section Configuring the ML model inputs above.

Report sul modello di classificazioneClassification model report

Il report sul modello di classificazione viene generato applicando il modello di Machine Learning ai dati di test dei dati di controllo e confrontando la classe prevista per un record con la classe nota effettiva.The Classification model report is produced by applying the ML model to the holdout test data and comparing the predicted class for a record with the actual known class.

Il report sul modello include un grafico che illustra la suddivisione dei record classificati in modo corretto e non corretto per ogni classe nota.The model report includes a chart that includes the breakdown of the correctly and incorrectly classified records for each known class.

Report sul modello

Un ulteriore drilldown specifico della classe consente di analizzare il modo in cui vengono distribuite le previsioni per una classe nota.A further class-specific drilldown enables an analysis of how the predictions for a known class are distributed. Mostra le altre classi in cui i record della classe nota probabilmente sono classificati erroneamente.This shows the other classes in which records of that known class are likely to be misclassified.

La spiegazione del modello nel report include anche i predittori principali per ogni classe.The model explanation in the report also includes the top predictors for each class.

Il report sul modello di classificazione include anche una pagina di dettagli del training simile alle pagine usate per altri tipi di modello, come descritto in precedenza nella sezione Report sul modello AutoML di questo articolo.The Classification model report also includes a Training Details page similar to the pages for other model types, as described in the section AutoML model report earlier in this article.

Applicazione di un modello di classificazioneApplying a classification model

Per applicare un modello di classificazione di Machine Learning, è necessario specificare l'entità con i dati di input e il prefisso del nome della colonna di output.To apply a Classification ML model, you must specify the entity with the input data and the output column name prefix.

Quando viene applicato un modello di classificazione, vengono aggiunte cinque colonne di output all'entità di output arricchita: ClassificationScore, ClassificationResult, ClassificationExplanation, ClassProbabilities e ExplanationIndex.When a Classification model is applied, it adds five output columns to the enriched output entity: ClassificationScore, ClassificationResult, ClassificationExplanation, ClassProbabilities, and ExplanationIndex. I nomi delle colonne nell'entità hanno il prefisso specificato quando viene applicato il modello.The column names in the entity have the prefix specified when the model is applied.

La colonna ClassProbabilities contiene l'elenco dei punteggi di probabilità per il record per ogni classe possibile.The ClassProbabilities column contains the list of probability scores for the record for each possible class.

ClassificationScore è la probabilità percentuale, che identifica la probabilità che un record raggiunga i criteri per una determinata classe.The ClassificationScore is the percentage probability, which identifies the likelihood that a record will achieve the criteria for a given class.

La colonna ClassificationResult contiene la classe stimata con maggiore probabilità per il record.The ClassificationResult column contains the most likely predicted class for the record.

La colonna ClassificationExplanation contiene una spiegazione con l'influenza specifica delle caratteristica di input su ClassificationScore.The ClassificationExplanation column contains an explanation with the specific influence that the input features had on the ClassificationScore.

Modelli di regressioneRegression models

I modelli di regressione vengono usati per stimare un valore numerico,Regression models are used to predict a numeric value. ad esempio i ricavi che probabilmente verranno realizzati da un contratto di vendita, il valore di durata di un account, l'importo di una fattura che probabilmente verrà pagata, la data in cui è possibile che una fattura venga pagata e così via.For instance: the revenue likely to be realized from a sales deal, the lifetime value of an account, the amount of a receivable invoice that is likely to be paid, the date on which an invoice may be paid, and so on.

L'output di un modello di regressione è il valore previsto.The output of a Regression model is the predicted value.

Training di un modello di regressioneTraining a Regression model

L'entità di input contenente i dati di training per un modello di regressione deve avere un campo numerico come campo del risultato che identifica i valori dei risultati noti.The input entity containing the training data for a Regression model must have a numeric field as the outcome field, which identifies the known outcome values.

Prerequisiti:Pre-requisites:

  • Sono necessarie almeno 100 righe di dati cronologici per un modello di regressioneA minimum of 100 rows of historical data is required for a Regression model

Il processo di creazione per un modello di regressione segue gli stessi passaggi degli altri modelli AutoML, descritti in precedenza nella sezione Configurazione degli input del modello di Machine Learning.The process of creation for a Regression model follows the same steps as other AutoML models, described in the section Configuring the ML model inputs above.

Report sul modello di regressioneRegression model report

Analogamente agli altri report sui modelli AutoML, il report di regressione si basa sui risultati dell'applicazione del modello ai dati di test dei dati di controllo.Like the other AutoML model reports, the Regression report is based on the results from applying the model to the holdout test data.

Il report sul modello include un grafico che confronta i valori stimati con quelli effettivi.The model report includes a chart that compares the predicted values to the actual values. In questo grafico la distanza dalla diagonale indica l'errore nella previsione.In this chart, the distance from the diagonal indicates the error in the prediction.

Il grafico degli errori residui indica la distribuzione della percentuale di errore media per valori diversi nel set di dati di test dei dati di controllo.The residual error chart shows the distribution of the percentage of average error for different values in the holdout test dataset. L'asse orizzontale rappresenta la media del valore effettivo per il gruppo, con la dimensione della bolla che indica la frequenza o il numero di valori in quell'intervallo.The horizontal axis represents the mean of the actual value for the group, with the size of the bubble showing the frequency or count of values in that range. L'asse verticale è l'errore residuo medio.The vertical axis is the average residual error.

Grafico degli errori residui

Il report sul modello di regressione include anche una pagina di dettagli del training come i report su altri tipi di modello, come descritto in precedenza nella sezione Report sul modello AutoML.The Regression model report also includes a Training Details page like the reports for other model types, as described in the section AutoML model report above.

Applicazione di un modello di regressioneApplying a regression model

Per applicare un modello di regressione di Machine Learning, è necessario specificare l'entità con i dati di input e il prefisso del nome della colonna di output.To apply a Regression ML model, you must specify the entity with the input data and the output column name prefix.

Applicare una regressione

Quando viene applicato un modello di regressione, vengono aggiunte tre colonne di output all'entità di output arricchita: RegressionResult, RegressionExplanation e ExplanationIndex.When a Regression model is applied, it adds three output columns to the enriched output entity: RegressionResult, RegressionExplanation, and ExplanationIndex. I nomi delle colonne nell'entità hanno il prefisso specificato quando viene applicato il modello.The column names in the entity have the prefix specified when the model is applied.

La colonna RegressionResult contiene il valore stimato per il record in base ai campi di input.The RegressionResult column contains the predicted value for the record based on the input fields. La colonna RegressionExplanation contiene una spiegazione con l'influenza specifica delle caratteristiche di input su RegressionResult.The RegressionExplanation column contains an explanation with the specific influence that the input features had on the RegressionResult.

Integrazione di Azure Machine Learning in Power BIAzure Machine Learning integration in Power BI

Numerose organizzazioni usano modelli di Machine Learning per ottenere informazioni dettagliate e stime migliori sulle proprie attività aziendali.Numerous organizations use Machine Learning models for better insights and predictions about their business. La possibilità di visualizzare e richiamare informazioni dettagliate da questi modelli in report, dashboard e altri strumenti di analisi facilita la distribuzione di queste informazioni agli utenti aziendali che ne hanno maggiormente bisogno.The ability to visualize and invoke insights from these models, in your reports and dashboards and other analytics, can help disseminate these insights to the business users who need it the most. Ora con Power BI è facile incorporare le informazioni dettagliate dei modelli ospitati in Azure Machine Learning, usando semplici movimenti di puntamento e clic.Power BI now makes it simple to incorporate the insights from models hosted on Azure Machine Learning, using straightforward point-and-click gestures.

Per usare questa funzionalità, un data scientist può semplicemente concedere all'analista di Power BI l'accesso al modello di Azure Machine Learning usando il portale di Azure.To use this capability, a data scientist can simply grant access to the Azure ML model to the BI analyst using the Azure portal. Quindi, all'inizio di ogni sessione, Power Query individua tutti i modelli di Azure Machine Learning a cui l'utente ha accesso e li espone come funzioni dinamiche di Power Query.Then, at the start of each session, Power Query discovers all the Azure ML models to which the user has access and exposes them as dynamic Power Query functions. L'utente può quindi richiamare queste funzioni accedendovi dalla barra multifunzione dell'editor di Power Query o richiamando direttamente la funzione M.The user can then invoke those functions by accessing them from the ribbon in Power Query Editor, or by invoking the M function directly. Power BI inoltre invia in batch automaticamente le richieste di accesso quando richiama il modello di Azure Machine Learning per un set di righe, al fine di ottenere prestazioni migliori.Power BI also automatically batches the access requests when invoking the Azure ML model for a set of rows to achieve better performance.

Questa funzionalità è attualmente supportata solo per i flussi di dati di Power BI e per Power Query online nel servizio Power BI.This functionality is currently only supported for Power BI dataflows, and for Power Query online in the Power BI service.

Per altre informazioni sui flussi di dati, vedere Introduzione ai flussi di dati e alla preparazione dei dati self-service.To learn more about dataflows, see Introduction to dataflows and self-service data prep.

Per altre informazioni su Azure Machine Learning, vedere:To learn more about Azure Machine Learning, please see:

Nota

Per usare l'integrazione di Azure Machine Learning è necessaria una sottoscrizione di Power BI Premium.A Power BI Premium subscription is required to use Azure Machine learning integration.

Concedere a un utente di Power BI l'accesso al modello di Azure Machine LearningGranting access to the Azure ML model to a Power BI user

Per accedere a un modello di Azure Machine Learning da Power BI, l'utente deve avere accesso in lettura alla sottoscrizione di Azure.To access an Azure ML model from Power BI, the user must have Read access to the Azure subscription. Inoltre:In addition:

  • Per i modelli di Machine Learning Studio (versione classica), accesso in lettura al servizio Web Machine Learning Studio (versione classica)For Machine Learning Studio (classic) models, Read access to Machine Learning Studio (classic) web service
  • Per i modelli di Machine Learning, accesso in lettura all'area di lavoro di Machine LearningFor Machine Learning models, Read access to the Machine Learning workspace

La procedura in questo articolo spiega come concedere a un utente di Power BI l'accesso a un modello ospitato nel servizio Azure Machine Learning, in modo che possa accedere a questo modello come una funzione di Power Query.The steps in this article describe how to grant a Power BI user access to a model hosted on the Azure ML service, so they can access this model as a Power Query function. Per altre informazioni, vedere Gestire l'accesso alle risorse di Azure usando il controllo degli accessi in base al ruolo e il portale di Azure.For further details, please see Manage access using RBAC and the Azure portal.

  1. Accedere al portale di Azure.Sign in to the Azure portal.

  2. Passare alla pagina Sottoscrizioni.Go to the Subscriptions page. La pagina Sottoscrizioni è disponibile nell'elenco Tutti i servizi nel menu del riquadro di spostamento del portale di Azure.You can find the Subscriptions page through the All Services list in the nav pane menu of the Azure portal.

    Pagina Sottoscrizioni di Azure Azure subscriptions page

  3. Selezionare la propria sottoscrizione.Select your subscription.

    Selezionare la propria sottoscrizione Select your subscription

  4. Selezionare Controllo di accesso (IAM) e quindi il pulsante Aggiungi.Select Access Control (IAM), and then select the Add button.

    Controllo di accesso (IAM) Access control AIM

  5. Selezionare Lettore come ruolo.Select Reader as the Role. Selezionare l'utente di Power BI a cui si vuole concedere l'accesso al modello di Azure Machine Learning.Select the Power BI user to whom you wish to grant access to the Azure ML model.

    Selezionare Lettore come ruolo Select Reader as the role

  6. Selezionare Salva.Select Save.

  7. Ripetere i passaggi da 3 a 6 per assegnare all'utente il ruolo Lettore per l'accesso allo specifico servizio Web di Machine Learning Studio (versione classica) o all'area di lavoro di Machine Learning che ospita il modello.Repeat steps three through six to grant Reader access to the user for the specific Machine Learning Studio (classic) web service, or the Machine Learning workspace hosting the model.

Individuazione dello schema per i modelli di Machine LearningSchema discovery for Machine Learning models

I data scientist usano principalmente Python per sviluppare, e persino per distribuire, i modelli di Machine Learning per Machine Learning.Data scientists primarily use Python to develop, and even deploy, their machine learning models for Machine Learning. A differenza di Machine Learning Studio (versione classica), che consente di automatizzare l'attività di creazione di un file di schema per il modello, nel caso di Machine Learning il data scientist deve generare esplicitamente il file di schema mediante Python.Unlike the Machine Learning Studio (classic), which helps automate the task of creating a schema file for the model, in the case of Machine Learning, the data scientist must explicitly generate the schema file using Python.

Questo file di schema deve essere incluso nel servizio Web distribuito per i modelli di Machine Learning.This schema file must be included in the deployed web service for Machine Learning models. Per generare automaticamente lo schema per il servizio Web, è necessario fornire un esempio di input/output nello script di ingresso per il modello distribuito.To automatically generate the schema for web service, you must provide a sample of the input/output in the entry script for the deployed model. Vedere la sottosezione sulla generazione automatica (facoltativa) degli schemi Swagger nei modelli di distribuzione con Azure Machine Learning nella documentazione del servizio.Please see the subsection on (Optional) Automatic Swagger schema generation in the Deploy models with the Azure Machine Learning service documentation. Il collegamento include lo script di ingresso di esempio con le istruzioni per la generazione dello schema.The link includes the example entry script with the statements for the schema generation.

In particolare, le funzioni @input_schema e @output_schema nello script di ingresso fanno riferimento ai formati degli esempi di input e output nelle variabili input_sample e output_sample e usano questi esempi per generare una specifica OpenAPI (Swagger) per il servizio Web durante la distribuzione.Specifically, the @input_schema and @output_schema functions in the entry script reference the input and output sample formats in the input_sample and output_sample variables, and use these samples to generate an OpenAPI (Swagger) specification for the web service during deployment.

Le istruzioni per la generazione dello schema tramite l'aggiornamento dello script di ingresso devono essere applicate anche ai modelli creati con gli esperimenti di Machine Learning automatizzati e utilizzando l'SDK di Azure Machine Learning.These instructions for schema generation by updating the entry script must also be applied to models created using automated machine learning experiments using the Azure Machine Learning SDK.

Nota

I modelli creati usando l'interfaccia visiva di Azure Machine Learning attualmente non supportano la generazione dello schema, ma la supporteranno nelle versioni successive.Models created using the Azure Machine Learning visual interface do not currently support schema generation, but will in subsequent releases.

Richiamare il modello di Azure Machine Learning in Power BIInvoking the Azure ML model in Power BI

È possibile richiamare un modello di Azure Machine Learning al quale si ha accesso direttamente dall'editor di Power Query nel flusso di dati.You can invoke any Azure ML model to which you have been granted access, directly from the Power Query Editor in your dataflow. Per accedere ai modelli di Azure Machine Learning, selezionare il pulsante Modifica relativo all'entità che si vuole arricchire con le informazioni dettagliate del modello di Azure Machine Learning, come illustrato nell'immagine seguente.To access the Azure ML models, select the Edit button for the entity that you want to enrich with insights from your Azure ML model, as shown in the following image.

Servizio Power BI - modificare l'entità Power BI service - edit the entity

Selezionando il pulsante Modifica viene aperto l'editor di Power Query per le entità del flusso di dati.Selecting the Edit button opens the Power Query Editor for the entities in your dataflow.

Editor di Power Query Power Query Editor

Selezionare il pulsante Informazioni dettagliate sull'intelligenza artificiale sulla barra multifunzione e quindi selezionare la cartella Azure Machine Learning Models (Modelli di Azure Machine Learning) nel menu del riquadro di spostamento.Select the AI Insights button in the ribbon, and then select the Azure Machine Learning Models folder from the nav pane menu. Tutti i modelli di Azure Machine Learning a cui si ha accesso sono elencati qui come funzioni di Power Query.All the Azure ML models to which you have access are listed here as Power Query functions. Inoltre, i parametri di input del modello di Azure Machine Learning vengono automaticamente mappati ai parametri della funzione di Power Query corrispondente.Also, the input parameters for the Azure ML model are automatically mapped as parameters of the corresponding Power Query function.

Per richiamare un modello di Azure Machine Learning è possibile specificare una qualsiasi delle colonne dell'entità selezionata come input dall'elenco a discesa.To invoke an Azure ML model, you can specify any of the selected entity's columns as an input from the drop-down. Si può anche specificare un valore di costante da usare come input attivando l'icona della colonna a sinistra della finestra di dialogo di input.You can also specify a constant value to be used as an input by toggling the column icon to the left of the input dialog.

Selezionare la colonna select the column

Selezionare Richiama per visualizzare l'anteprima dell'output del modello di Azure Machine Learning come nuova colonna nella tabella delle entità.Select Invoke to view the preview of the Azure ML model's output as a new column in the entity table. Il richiamo del modello verrà visualizzato anche come passaggio applicato per la query.You will also see the model invocation as an applied step for the query.

Selezionare Richiama Select invoke

Se il modello restituisce più parametri di output, questi vengono raggruppati in un unico record nella colonna di output.If the model returns multiple output parameters, they are grouped together as a record in the output column. È possibile espandere la colonna per produrre singoli parametri di output in colonne separate.You can expand the column to produce individual output parameters in separate columns.

Espandere la colonna expand the column

Dopo il salvataggio del flusso di dati, il modello viene richiamato automaticamente ogni volta che il flusso di dati viene aggiornato con le righe nuove o modificate nella tabella delle entità.Once you save your dataflow, the model is automatically invoked when the dataflow is refreshed, for any new or updated rows in the entity table.

Passaggi successiviNext steps

Questo articolo ha offerto una panoramica su Machine Learning automatizzato per i flussi di dati nel servizio Power BI.This article provided an overview of Automated Machine Learning for Dataflows in the Power BI service. Anche gli articoli seguenti possono risultare utili.The following articles may also be useful.

Gli articoli seguenti contengono altre informazioni sui flussi di dati e su Power BI:The following articles provide more information about dataflows and Power BI: