บทช่วยสอน: สร้างแบบจําลองการเรียนรู้ของเครื่องใน Power BI

  • บทความ

ในบทช่วยสอนนี้ คุณใช้ การเรียนรู้ ของเครื่องอัตโนมัติเพื่อสร้างและใช้แบบจําลองการคาดการณ์ไบนารีใน Power BI คุณสร้างกระแสข้อมูล Power BI และใช้เอนทิตีที่คุณกําหนดในกระแสข้อมูลเพื่อฝึกและตรวจสอบแบบจําลองการเรียนรู้ของเครื่องได้โดยตรงใน Power BI จากนั้นคุณใช้แบบจําลองดังกล่าวเพื่อให้คะแนนข้อมูลใหม่และสร้างการคาดการณ์

ก่อนอื่นคุณต้องสร้างแบบจําลองการเรียนรู้ของเครื่องคาดการณ์ไบนารีเพื่อคาดการณ์จุดประสงค์ในการซื้อของผู้ซื้อออนไลน์โดยยึดตามชุดของแอตทริบิวต์เซสชันออนไลน์ของพวกเขา คุณใช้แบบจําลองความหมายการเรียนรู้ของเครื่อง benchmark สําหรับแบบฝึกหัดนี้ เมื่อคุณฝึกแบบจําลอง Power BI จะสร้างรายงานการตรวจสอบความถูกต้องที่อธิบายผลลัพธ์แบบจําลองโดยอัตโนมัติ จากนั้นคุณสามารถตรวจสอบรายงานการตรวจสอบความถูกต้องและนําแบบจําลองไปใช้กับข้อมูลของคุณสําหรับการให้คะแนนได้

บทช่วยสอนนี้ประกอบด้วยขั้นตอนต่อไปนี้:

  • สร้างกระแสข้อมูลด้วยข้อมูลป้อนเข้า
  • สร้างและฝึกแบบจําลองการเรียนรู้ของเครื่อง
  • ตรวจสอบรายงานการตรวจสอบความถูกต้องของแบบจําลอง
  • นําแบบจําลองไปใช้กับเอนทิตีกระแสข้อมูล
  • ใช้ผลลัพธ์ที่ได้จากแบบจําลองในรายงาน Power BI

สร้างกระแสข้อมูลด้วยข้อมูลป้อนเข้า

สร้างกระแสข้อมูลด้วยข้อมูลป้อนเข้าโดยทําตามขั้นตอนเหล่านี้

รับ ข้อมูล

ขั้นตอนแรกในการสร้างกระแสข้อมูลคือการให้แหล่งข้อมูลของคุณพร้อมใช้งาน ในกรณีนี้ คุณใช้แบบจําลองความหมายการเรียนรู้ของเครื่องจากชุดของเซสชันออนไลน์ซึ่งบางส่วนถึงยอดในการซื้อ แบบจําลองความหมายประกอบด้วยชุดของแอตทริบิวต์เกี่ยวกับเซสชันเหล่านี้ซึ่งคุณใช้เพื่อฝึกแบบจําลองของคุณ

คุณสามารถดาวน์โหลดแบบจําลองความหมายจากเว็บไซต์ UC Irvine หรือดาวน์โหลด online_shoppers_intention.csv ต่อมาในบทช่วยสอนนี้ คุณจะเชื่อมต่อกับแบบจําลองความหมายโดยการระบุ URL

สร้างตาราง

หากต้องการสร้างเอนทิตีในกระแสข้อมูลของคุณ ให้ลงชื่อเข้าใช้บริการของ Power BI และนําทางไปยังพื้นที่ทํางาน

  1. หากคุณไม่มีพื้นที่ทํางาน ให้สร้างขึ้นโดยการเลือก พื้นที่ทํางาน ในบานหน้าต่างนําทางด้านซ้ายของ Power BI และเลือก สร้างพื้นที่ทํางาน ในแผง สร้างพื้นที่ทํางาน ให้ป้อนชื่อพื้นที่ทํางานและเลือก บันทึก

    Screenshot of how to create a workspace.

  2. เลือก ใหม่ ที่ด้านบนของพื้นที่ทํางานใหม่ จากนั้นเลือก กระแสข้อมูล

    Screenshot of how to create a dataflow.

  3. เลือก เพิ่มตาราง ใหม่ เพื่อเปิดใช้ตัว แก้ไข Power Query ในเบราว์เซอร์

    Screenshot of selecting Add new tables.

  4. บนหน้าจอ เลือกแหล่งข้อมูล ให้เลือก ข้อความ/CSV เป็นแหล่งข้อมูล

    Screenshot of selecting Text/CSV in Choose data source.

  5. ในเชื่อมต่อไปยังหน้าแหล่งข้อมูล วางลิงก์ต่อไปนี้ไปยังไฟล์ online_shoppers_intention.csv ลงในกล่อง เส้นทางของไฟล์ หรือ URL จากนั้นเลือก ถัดไป

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

    Screenshot that shows pasting in the file path.

  6. ตัวแก้ไข Power Query แสดงตัวอย่างของข้อมูลจากไฟล์ CSV เมื่อต้องการทําการเปลี่ยนแปลงข้อมูลก่อนที่จะโหลด ให้เลือก แปลงข้อมูล

    Screenshot of selecting Transform data on the Preview file data screen.

  7. Power Query อนุมานชนิดข้อมูลของคอลัมน์โดยอัตโนมัติ คุณสามารถเปลี่ยนชนิดข้อมูลได้โดยการเลือกไอคอนชนิดแอตทริบิวต์ที่ด้านบนของส่วนหัวของคอลัมน์ เปลี่ยนชนิดของคอลัมน์รายได้เป็น จริง/เท็จ

    คุณสามารถเปลี่ยนชื่อคิวรีเป็นชื่อมิตรได้โดยการเปลี่ยนค่า ในกล่องชื่อ ในบานหน้าต่างด้านขวา เปลี่ยนชื่อคิวรีเป็น ผู้เยี่ยมชมออนไลน์

    Screenshot of changing the query name and Revenue column data type.

  8. เลือก บันทึกและปิด และในกล่องโต้ตอบ ใส่ชื่อสําหรับกระแสข้อมูล จากนั้นเลือก บันทึก

    Screenshot of saving the dataflow.

สร้างและฝึกแบบจําลองการเรียนรู้ของเครื่อง

วิธีเพิ่มแบบจําลองการเรียนรู้ของเครื่อง:

  1. เลือกไอคอน ใช้แบบจําลอง ML ในรายการ การดําเนินการ สําหรับตารางที่ประกอบด้วยข้อมูลการฝึกและข้อมูลป้ายชื่อของคุณ จากนั้นเลือก เพิ่มแบบจําลองการเรียนรู้ของเครื่อง

    Screenshot that shows adding a machine learning model.

  2. ขั้นตอนแรกในการสร้างแบบจําลองการเรียนรู้ของเครื่องของคุณคือการระบุข้อมูลในอดีตรวมถึงเขตข้อมูลผลลัพธ์ที่คุณต้องการคาดการณ์ แบบจําลองถูกสร้างขึ้นโดยการเรียนรู้จากข้อมูลนี้ ในกรณีนี้คุณต้องการคาดการณ์ว่าผู้เข้าชมกําลังจะทําการซื้อหรือไม่ ผลลัพธ์ที่คุณต้องการคาดการณ์อยู่ในเขตข้อมูลรายได้ เลือกรายได้เป็นค่าคอลัมน์ผลลัพธ์ จากนั้นเลือกถัดไป

    Screenshot that shows selecting a historical data field.

  3. ถัดไป คุณเลือกชนิดของแบบจําลองการเรียนรู้ของเครื่องที่จะสร้าง Power BI วิเคราะห์ค่าในเขตข้อมูลผลลัพธ์ที่คุณระบุและแนะนําชนิดของแบบจําลองการเรียนรู้ของเครื่องที่สามารถสร้างขึ้นเพื่อทํานายเขตข้อมูลนั้นได้

    ในกรณีนี้เนื่องจากคุณต้องการคาดการณ์ผลลัพธ์ไบนารีว่าผู้เยี่ยมชมจะทําการซื้อหรือไม่ Power BI แนะนํา การคาดการณ์ไบนารี เนื่องจากคุณสนใจที่จะคาดการณ์ผู้เยี่ยมชมที่จะทําการซื้อ ให้เลือก จริง ภายใต้ เลือกผลลัพธ์เป้าหมาย คุณยังสามารถใส่ป้ายชื่อที่แตกต่างกันเพื่อใช้สําหรับผลลัพธ์ในรายงานที่สร้างขึ้นโดยอัตโนมัติซึ่งสรุปผลลัพธ์การตรวจสอบแบบจําลอง จากนั้นเลือก ถัดไป

    Screenshot that shows the Binary prediction screen.

  4. Power BI จะทําการสแกนตัวอย่างข้อมูลของคุณเบื้องต้น และแนะนําอินพุทที่อาจสร้างการคาดการณ์ที่ถูกต้องมากขึ้น ถ้า Power BI ไม่แนะนําให้ใช้คอลัมน์ จะอธิบายว่าทําไมไม่อยู่ถัดจากคอลัมน์ คุณสามารถเปลี่ยนการเลือกเพื่อรวมเฉพาะเขตข้อมูลที่คุณต้องการให้แบบจําลองศึกษาได้โดยการเลือกหรือยกเลิกการเลือกกล่องกาเครื่องหมายถัดจากชื่อคอลัมน์ เลือก ถัดไป เพื่อยอมรับข้อมูลป้อนเข้า

    Screenshot that shows the column selections.

  5. ในขั้นตอนสุดท้าย ให้ตั้งชื่อแบบจําลอง การคาดการณ์เจตนาการซื้อ และเลือกระยะเวลาที่จะใช้ในการฝึก คุณสามารถลดเวลาการสอนเพื่อดูผลลัพธ์ที่รวดเร็วหรือเพิ่มเวลาเพื่อให้ได้แบบจําลองที่ดีที่สุด จากนั้นเลือก บันทึกและฝึก เพื่อเริ่มต้นการฝึกแบบจําลอง

    Screenshot that shows naming the model and choosing the training time.

ถ้าคุณได้รับข้อผิดพลาดที่คล้ายกับ ข้อมูลประจําตัวที่ไม่พบสําหรับแหล่งข้อมูล คุณจําเป็นต้องอัปเดตข้อมูลประจําตัวของคุณเพื่อให้ Power BI สามารถให้คะแนนข้อมูล หากต้องการอัปเดตข้อมูลประจําตัวของคุณ ให้เลือกตัวเลือกเพิ่มเติม ... ในแถบส่วนหัวจากนั้นเลือกการตั้งค่า>การตั้งค่า

Screenshot that shows selecting Settings.

เลือกกระแสข้อมูลของคุณภายใต้ กระแสข้อมูล ขยาย ข้อมูลประจําตัวของแหล่งข้อมูล จากนั้นเลือก แก้ไขข้อมูลประจําตัว

Screenshot that shows editing Dataflow credentials.

ติดตามสถานะการฝึกอบรม

กระบวนการฝึกอบรมเริ่มต้นด้วยการสุ่มตัวอย่างและทําให้ข้อมูลในอดีตเป็นมาตรฐานและแยกแบบจําลองความหมายของคุณออกเป็นสองเอนทิตีใหม่: ข้อมูล การฝึกอบรมการคาดการณ์เจตนาการซื้อและข้อมูล การทดสอบการคาดการณ์เจตนาการซื้อ

ทั้งนี้ขึ้นอยู่กับขนาดของแบบจําลองความหมาย กระบวนการฝึกอบรมสามารถใช้ที่ใดก็ได้จากไม่กี่นาทีจนถึงเวลาการฝึกอบรมที่คุณเลือก คุณสามารถยืนยันว่าแบบจําลองกําลังได้รับการฝึกและผ่านการตรวจสอบความถูกต้องผ่านสถานะของกระแสข้อมูล สถานะจะปรากฏขึ้นเป็นการรีเฟรชข้อมูลในแท็บ แบบจําลองความหมาย + กระแส ข้อมูล ของพื้นที่ทํางาน

Screenshot that shows the model under training.

คุณสามารถดูแบบจําลองใน แท็บแบบจําลอง การเรียนรู้ของเครื่องของกระแสข้อมูลได้ สถานะ ระบุว่าแบบจําลองได้รับการจัดคิวสําหรับการฝึกอบรมอยู่ภายใต้การฝึกอบรมหรือได้รับการฝึก เมื่อการฝึกแบบจําลองเสร็จสมบูรณ์ กระแสข้อมูลจะแสดงเวลาที่ได้รับการฝึกล่าสุดและสถานะของการฝึก

Screenshot that shows the Trained status and Last trained time.

ตรวจทานรายงานการตรวจสอบความถูกต้องของแบบจําลอง

หากต้องการตรวจสอบรายงานการตรวจสอบความถูกต้องของแบบจําลอง ในแท็บแบบจําลองการเรียนรู้ของเครื่อง ให้เลือกไอคอนรายงานการฝึกอบรมภายใต้การดําเนินการ รายงานนี้จะอธิบายวิธีการที่แบบจําลองการเรียนรู้ของเครื่องของคุณมีแนวโน้มที่จะดําเนินการ

ใน หน้าประสิทธิภาพของ แบบจําลองของรายงาน ให้เลือก ตัว คาดการณ์ยอดนิยมเพื่อดูตัวคาดการณ์ยอดนิยมสําหรับแบบจําลองของคุณ คุณสามารถเลือกหนึ่งในตัวคาดการณ์เพื่อดูว่าการกระจายผลลัพธ์เกี่ยวข้องกับตัวคาดการณ์นั้นอย่างไร

Screenshot that shows the Model performance page.

คุณสามารถใช้ตัวแบ่งส่วนข้อมูล ขีดจํากัดความน่าจะเป็น บนหน้า ประสิทธิภาพของแบบจําลอง เพื่อตรวจสอบอิทธิพลของความแม่นยําของแบบจําลองและการเรียกใช้แบบจําลอง

Screenshot that shows the Probability Threshold slicer.

หน้าอื่นๆ ของรายงานอธิบายเมตริกประสิทธิภาพเชิงสถิติสําหรับแบบจําลอง

รายงานยังรวมถึงหน้ารายละเอียดการฝึกที่อธิบายการวนซ้ําวิธีการแยกคุณลักษณะออกจากอินพุทและ hyperparameters สําหรับแบบจําลองขั้นสุดท้ายที่ใช้

นําแบบจําลองไปใช้กับเอนทิตีกระแสข้อมูล

เลือก ปุ่มใช้แบบจําลอง ที่ด้านบนของรายงานเพื่อเรียกแบบจําลองนี้ ในกล่องโต้ตอบ นําไปใช้ คุณสามารถระบุเอนทิตีเป้าหมายที่มีข้อมูลต้นฉบับเพื่อใช้แบบจําลอง จากนั้นเลือก บันทึกและนําไปใช้

Screenshot that shows applying the model.

การใช้แบบจําลองจะสร้างตารางใหม่สองตารางโดยมีส่วนต่อท้าย model_name> ที่<อุดมไปด้วยและคําอธิบาย model_name> ที่<อุดมไปด้วย ในกรณีนี้ การนําแบบจําลองไป ใช้กับตารางผู้ เยี่ยมชมออนไลน์จะสร้าง:

  • ผู้เยี่ยมชมออนไลน์ทํานายเจตนาการซื้อซึ่งรวมถึงผลลัพธ์ที่คาดการณ์จากแบบจําลอง
  • คําอธิบายการคาดการณ์เจตนาการซื้อที่สมบูรณ์ของผู้เยี่ยมชมออนไลน์ซึ่งประกอบด้วยผู้มีอิทธิพลที่เฉพาะเจาะจงของระเบียนสําหรับการคาดการณ์

การใช้แบบจําลองการคาดการณ์ไบนารีจะเพิ่มสี่คอลัมน์: Outcome, PredictionScore, PredictionExplanation และ ExplanationIndex ซึ่งแต่ละคอลัมน์มีคํานําหน้าการคาดการณ์เจตนาการซื้อ

Screenshot that shows the four new columns.

เมื่อรีเฟรชกระแสข้อมูลเสร็จสมบูรณ์ คุณสามารถเลือก ตารางการคาดการณ์ เจตนาการซื้อที่สมบูรณ์ของผู้เยี่ยมชมออนไลน์เพื่อดูผลลัพธ์ได้

Screenshot that shows viewing the results in the Online visitors enriched Purchase intent prediction table.

คุณยังสามารถเรียกใช้แบบจําลองการเรียนรู้ของเครื่องอัตโนมัติในพื้นที่ทํางานได้โดยตรงจากตัวแก้ไข Power Query ในกระแสข้อมูลของคุณ หากต้องการเข้าถึงแบบจําลองการเรียนรู้ของเครื่องอัตโนมัติ ให้เลือก แก้ไข สําหรับตารางที่คุณต้องการเสริมด้วยข้อมูลเชิงลึกจากแบบจําลองการเรียนรู้ของเครื่องอัตโนมัติของคุณ

Screenshot that shows selecting Edit for the table.

ในตัวแก้ไข Power Query เลือกข้อมูลเชิงลึก AI ในริบบอน

Screenshot that shows selecting AI insights.

บนหน้าจอข้อมูลเชิงลึกของ AI ให้เลือกโฟลเดอร์แบบจําลองการเรียนรู้ของเครื่อง Power BI จากบานหน้าต่างการนําทาง รายการจะแสดงแบบจําลองการเรียนรู้ของเครื่องทั้งหมดที่คุณสามารถเข้าถึงเป็นฟังก์ชัน Power Query พารามิเตอร์การป้อนข้อมูลสําหรับแบบจําลองการเรียนรู้ของเครื่องจะแมปโดยอัตโนมัติเป็นพารามิเตอร์ของฟังก์ชัน Power Query ที่สอดคล้องกัน การแมปพารามิเตอร์อัตโนมัติจะเกิดขึ้นเฉพาะเมื่อชื่อและชนิดข้อมูลของพารามิเตอร์เหมือนกันเท่านั้น

หากต้องการเรียกใช้แบบจําลองการเรียนรู้ของเครื่อง คุณสามารถเลือกคอลัมน์ของแบบจําลองที่เลือกเป็นข้อมูลป้อนเข้าในรายการดรอปดาวน์ คุณยังสามารถระบุค่าคงที่เพื่อใช้เป็นข้อมูลป้อนเข้าได้ โดยการสลับไอคอนคอลัมน์ที่อยู่ถัดจากบรรทัดอินพุต

Screenshot that shows the Power Query functions browser.

เลือก นําไปใช้ เพื่อดูตัวอย่างผลลัพธ์แบบจําลองการเรียนรู้ของเครื่องเป็นคอลัมน์ใหม่ในตาราง คุณยังเห็นการเรียกแบบจําลองภายใต้ ขั้นตอนที่ กําหนดใช้สําหรับคิวรี

Screenshot that shows viewing preview results in Power Query Editor.

หลังจากที่คุณบันทึกกระแสข้อมูลของคุณแล้ว แบบจําลองจะเรียกใช้โดยอัตโนมัติเมื่อรีเฟรชกระแสข้อมูล สําหรับแถวใหม่หรือแถวที่ได้รับการอัปเดตใดๆ ในตารางเอนทิตี

การใช้ผลลัพธ์ที่ได้จากแบบจําลองในรายงาน Power BI

หากต้องการใช้ผลลัพธ์ที่ได้จากการเรียนรู้ของเครื่อง คุณสามารถเชื่อมต่อกับกระแสข้อมูลของคุณจาก Power BI Desktop โดยใช้ตัว เชื่อมต่อกระแส ข้อมูลได้ ตอนนี้คุณสามารถใช้ตารางการคาดการณ์เจตนาการซื้อที่สมบูรณ์ของผู้เยี่ยมชมออนไลน์เพื่อรวมการคาดการณ์จากแบบจําลองของคุณในรายงาน Power BI

ข้อจำกัด

มีปัญหาที่ทราบแล้วบางอย่างเกี่ยวกับการใช้เกตเวย์ที่มีการเรียนรู้ของเครื่องอัตโนมัติ หากคุณต้องการใช้เกตเวย์ จะเป็นการดีที่สุดที่จะสร้างกระแสข้อมูลที่นําเข้าข้อมูลที่จําเป็นผ่านเกตเวย์ก่อน จากนั้นสร้างกระแสข้อมูลอื่นที่อ้างอิงกระแสข้อมูลแรกเพื่อสร้างหรือใช้แบบจําลองเหล่านี้

หาก AI ของคุณทํางานกับกระแสข้อมูลล้มเหลว คุณอาจจําเป็นต้องเปิดใช้งานการรวมด่วนเมื่อใช้ AI กับกระแสข้อมูล เมื่อคุณนําเข้าตารางของคุณและก่อนที่คุณจะเริ่มเพิ่มคุณลักษณะ AI ให้เลือกตัวเลือกจากริบบิ้นหน้าแรกและในหน้าต่างที่ปรากฏขึ้นเลือกกล่องกาเครื่องหมายข้าง อนุญาตการรวมข้อมูลจากหลายแหล่งเพื่อเปิดใช้งานคุณลักษณะจากนั้นเลือก ตกลง เพื่อบันทึกการเลือกของคุณ จากนั้นคุณสามารถเพิ่มคุณลักษณะ AI ไปยังกระแสข้อมูลของคุณ

เนื้อหาที่เกี่ยวข้อง

ในบทช่วยสอนนี้ คุณสร้างและนําแบบจําลองการคาดการณ์ไบนารีใน Power BI ไปใช้โดยทําตามขั้นตอนเหล่านี้:

  • สร้างกระแสข้อมูลด้วยข้อมูลป้อนเข้า
  • สร้างและฝึกแบบจําลองการเรียนรู้ของเครื่อง
  • ตรวจทานรายงานการตรวจสอบความถูกต้องของแบบจําลองแล้ว
  • นําแบบจําลองไปใช้กับเอนทิตีกระแสข้อมูล
  • เรียนรู้วิธีการใช้ผลลัพธ์ที่ได้จากแบบจําลองในรายงาน Power BI

สําหรับข้อมูลเพิ่มเติมเกี่ยวกับ Machine Learning อัตโนมัติใน Power BI โปรดดูการเรียนรู้ของเครื่องอัตโนมัติใน Power BI