Share via

AutoML-prognose

  • Artikel

In dit artikel wordt een onderdeel in azure Machine Learning Designer beschreven.

Gebruik dit onderdeel om een machine learning-model te maken dat is gebaseerd op de AutoML-prognose.

Configureren

Met dit onderdeel wordt een prognosemodel gemaakt. Omdat prognose een leermethode onder supervisie is, hebt u een gelabelde gegevensset nodig die een labelkolom met een waarde voor alle rijen bevat. Volg deze koppeling voor meer informatie over het voorbereiden van uw gegevensset. De gegevensset heeft een gelabelde gegevensset nodig met een labelkolom met een waarde voor alle rijen.

Voor dit model is een trainingsgegevensset vereist. Validatie- en testgegevenssets zijn optioneel.

AutoML maakt parallel een aantal pijplijnen die verschillende algoritmen en parameters voor uw model proberen. De service doorloopt ML-algoritmen die zijn gekoppeld aan functieselecties, waarbij elke iteratie een model met een trainingsscore produceert. U kunt de metrische gegevens kiezen waarvoor u het model wilt optimaliseren. Hoe beter de score voor de gekozen metrische waarde, hoe beter het model wordt beschouwd als 'passend' voor uw gegevens. U kunt een afsluitcriterium voor het experiment definiëren. De afsluitcriteria zijn een model met een specifieke trainingsscore die AutoML moet zoeken. Deze wordt gestopt zodra de gedefinieerde afsluitcriteria worden bereikt. Dit onderdeel voert vervolgens het beste model uit dat aan het einde van de uitvoering voor uw gegevensset is gegenereerd.

  1. Voeg het onderdeel AutoML-prognose toe aan uw pijplijn.

  2. Geef de training_data op die u voor het model wilt gebruiken.

  3. Geef de primaire metrische waarde op die AutoML moet gebruiken om het succes van uw model te meten.

  4. Geef de doelkolom op die het model moet uitvoeren

  5. Selecteer in het formulier Taaktype en instellingen het taaktype: prognose. Zie Ondersteunde taaktypen voor meer informatie.

    1. Voor prognoses kunt u

      1. Deep Learning inschakelen.

      2. Tijdkolom selecteren: deze kolom bevat de tijdgegevens die moeten worden gebruikt.

      3. Prognoseperiode selecteren: geef aan hoeveel tijdseenheden (minuten/uren/dagen/weken/maanden/jaren) het model in staat zal zijn om de toekomst te voorspellen. Hoe verder het model nodig is om te voorspellen in de toekomst, hoe minder nauwkeurig het wordt. Meer informatie over prognose en prognosehorizre.

  6. (Optioneel) Configuratie-instellingen voor toevoegingen weergeven: aanvullende instellingen die u kunt gebruiken om de trainingstaak beter te beheren. Anders worden de standaardinstellingen toegepast op basis van de selectie en gegevens van het experiment.

    Aanvullende configuraties Beschrijving
    Primaire metrische gegevens Belangrijkste metrische gegevens die worden gebruikt voor het scoren van uw model. Meer informatie over metrische modelgegevens.
    Uitleg geven over het beste model Selecteer om in- of uit te schakelen om uitleg weer te geven voor het aanbevolen beste model.
    Deze functionaliteit is momenteel niet beschikbaar voor bepaalde prognosealgoritmen.
    Geblokkeerd algoritme Selecteer algoritmen die u wilt uitsluiten van de trainingstaak.

    Het toestaan van algoritmen is alleen beschikbaar voor SDK-experimenten.
    Bekijk de ondersteunde algoritmen voor elk taaktype.
    Criterium voor afsluiten Wanneer aan een van deze criteria wordt voldaan, wordt de trainingstaak gestopt.
    Tijd van trainingstaak (uren): hoe lang de trainingstaak kan worden uitgevoerd.
    Drempelwaarde voor metrische score: minimale metrische score voor alle pijplijnen. Dit zorgt ervoor dat als u een gedefinieerde doelmetriek hebt die u wilt bereiken, u niet meer tijd besteedt aan de trainingstaak dan nodig is.
    Gelijktijdigheid Maximum aantal gelijktijdige iteraties: Maximum aantal pijplijnen (iteraties) dat moet worden getest in de trainingstaak. De taak wordt niet meer uitgevoerd dan het opgegeven aantal iteraties. Meer informatie over hoe geautomatiseerde ML meerdere onderliggende taken uitvoert op clusters.

Volgende stappen

Bekijk de set onderdelen die beschikbaar zijn voor Azure Machine Learning.