Öğretici: Power BI’da Makine Öğrenmesi modeli oluşturmaTutorial: Build a Machine Learning model in Power BI

Bu öğretici makalesinde Otomatik Makine Öğrenmesi kullanarak Power BI’da bir ikili tahmin modeli oluşturacak ve uygulayacaksınız.In this tutorial article, you use Automated Machine Learning to create and apply a binary prediction model in Power BI. Öğretici, bir Power BI veri akışı oluşturmaya ve veri akışında tanımlanan varlıkları kullanarak doğrudan Power BI’da bir makine öğrenmesi modelini eğitme ve doğrulamaya yönelik kılavuz bilgilerini içerir.The tutorial includes guidance for creating a Power BI dataflow, and using the entities defined in the dataflow to train and validate a machine learning model directly in Power BI. Daha sonra tahminler oluşturmak üzere bu modeli yeni verileri puanlamak için kullanırız.We then use that model for scoring new data to generate predictions.

İlk olarak, İnternette alışveriş yapan tüketicilerin satın alma amacını bir dizi çevrimiçi oturum özniteliğine göre tahmin etmek üzere bir İkili Tahmin makine öğrenmesi modeli oluşturacaksınız.First, you'll create a Binary Prediction machine learning model, to predict the purchase intent of online shoppers based on a set of their online session attributes. Bu alıştırma için bir referans makine öğrenmesi veri kümesi kullanılmaktadır.A benchmark machine learning dataset is used for this exercise. Model eğitildikten sonra Power BI, model sonuçlarını açıklayan bir doğrulama raporunu otomatik olarak oluşturur.Once a model is trained, Power BI will automatically generate a validation report explaining the model results. Daha sonra doğrulama raporunu gözden geçirip puanlama için modeli verilerinize uygulayabilirsiniz.You can then review the validation report and apply the model to your data for scoring.

Bu öğretici aşağıdaki adımlardan oluşur:This tutorial consists of following steps:

  • Giriş verileriyle veri akışı oluşturmaCreate a dataflow with the input data
  • Makine öğrenmesi modeli oluşturma ve eğitmeCreate and train a machine learning model
  • Model doğrulama raporunu gözden geçirmeReview the model validation report
  • Modeli bir veri akışı varlığına uygulamaApply the model to a dataflow entity
  • Modeldeki puanlanmış çıkışı bir Power BI raporunda kullanmaUsing the scored output from the model in a Power BI report

Giriş verileriyle veri akışı oluşturmaCreate a dataflow with the input data

Bu öğreticinin ilk kısmında giriş verileriyle bir veri akışı oluşturulacaktır.The first part of this tutorial is to create a dataflow with input data. Bu işlem için, veri almayla başlayarak aşağıdaki bölümlerde gösterildiği gibi birkaç adım gerekir.That process takes a few steps, as shown in the following sections, beginning with getting data.

Veri alGet data

Veri akışı oluşturmanın ilk adımı, veri kaynaklarınızı hazır hale getirmektir.The first step in creating a dataflow is to have your data sources ready. Bu örnekte, bazıları satın almayla sonuçlanmış birkaç çevrimiçi oturumdaki makine öğrenmesi veri kümesini kullanacağız.In our case, we use a machine learning dataset from a set of online sessions, some of which culminated in a purchase. Veri kümesi, bu oturumlarla ilgili olarak modelimizi eğitmek için kullanacağımız bir dizi öznitelik içerir.The dataset contains a set of attributes about these sessions, which we'll use for training our model.

Veri kümesini UC Irvine web sitesinden indirebilirsiniz.You can download the dataset from the UC Irvine website. Bu öğretici için aşağıdaki bağlantıdan şu dosyaya da ulaşabilirsiniz: online_shoppers_intention.csv.We also have this available, for the purpose of this tutorial, from the following link: online_shoppers_intention.csv.

Varlıkları oluşturmaCreate the entities

Veri akışınızda varlıkları oluşturmak için, Power BI hizmetinde oturum açın ve yapay zekanın etkinleştirildiği kapasitenizdeki çalışma alanına gidin.To create the entities in your dataflow, sign into the Power BI service and navigate to a workspace on your capacity that has AI enabled.

Henüz çalışma alanınız yoksa, Power BI hizmetinin gezinti bölmesi menüsünde Çalışma Alanları 'nı ve sonra görüntülenen panelin altındaki Çalışma alanı oluştur 'u seçerek bir çalışma alanı oluşturabilirsiniz.If you don't already have a workspace, you can create one by selecting Workspaces in the nav pane menu in the Power BI service, and select Create workspace at the bottom of the panel that appears. Sağ tarafta, çalışma alanı ayrıntılarını girebileceğiniz bir panel açılır.This opens a panel on the right to enter the workspace details. Bir çalışma alanı adı girin ve Gelişmiş 'i seçin.Enter a workspace name and select Advanced. Radyo düğmesini kullanarak çalışma alanının Ayrılmış Kapasite kullandığını ve yapay zeka önizlemesi açık olan bir kapasite örneğine atandığını doğrulayın.Confirm that the workspace uses Dedicated Capacity using the radio button, and that it's assigned to a capacity instance that has the AI preview turned on. Sonra Kaydet 'i seçin.Then select Save.

Çalışma alanı oluşturma

Çalışma alanı oluşturulduktan sonra, aşağıdaki görüntüde gösterildiği gibi Hoş Geldiniz ekranının sağ alt kısmındaki Atla 'yı seçebilirsiniz.Once the workspace is created, you can select Skip in the bottom right of the Welcome screen, as shown in the following image.

Bir çalışma alanınız varsa atlayın

Çalışma alanının sağ üst kısmındaki Oluştur düğmesini ve sonra Veri akışı 'nı seçin.Select the Create button at the top right of the workspace, and then select Dataflow.

Veri akışı oluşturma

Yeni varlıklar ekle 'yi seçin.Select Add new entities. Bu işlem tarayıcıda Power Query düzenleyicisini başlatır.This launches a Power Query editor in the browser.

Yeni varlık ekleme

Aşağıdaki görüntüde gösterilen Metin/CSV Dosyası ’nı veri kaynağı olarak seçin.Select Text/CSV File as a data source, shown in the following image.

Text/CSF dosyası seçildi

Daha sonra görüntülenen Veri kaynağı sayfasına bağlan menüsünde, aşağıdaki online_shoppers_intention.csv bağlantısını Dosya yolu veya URL kutusuna yapıştırın ve sonra İleri ’yi seçin.In the Connect to a data source page that appears next, paste the following link to the online_shoppers_intention.csv into the File path or URL box, and then select Next.

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

Dosya yolu

Power Query Düzenleyicisi CSV dosyasındaki verilerin önizlemesini gösterir.The Power Query Editor shows a preview of the data from the CSV file. Sağ bölmedeki Ad kutusunun değerini değiştirerek sorguya daha kolay bir ad verebilirsiniz.You can rename the query to a friendlier name by changing the value in the Name box found in the right pane. Örneğin, Sorgu adını Çevrimiçi Ziyaretçiler olarak değiştirebilirsiniz.For example, you could change the Query name to Online Visitors.

Kolay bir adla değiştirme

Power Query sütun türlerini otomatik olarak anlar.Power Query automatically infers the type of columns. Sütun üst bilgisinin üstündeki öznitelik türü simgesine tıklayarak sütun türünü değiştirebilirsiniz.You can change the column type by clicking on the attribute type icon at the top of the column header. Bu örnekte Revenue sütununun türünü True/False olarak değiştireceğiz.In this example, we change the type of the Revenue column to True/False.

Veri türünü değiştirme

Kaydet ve Kapat düğmesini seçerek Power Query Düzenleyicisi'ni kapatın.Select the Save & close button to close Power Query Editor. Aşağıdaki görüntüde gösterildiği gibi, veri akışı için bir ad sağlayın ve sonra iletişim kutusunda Kaydet ’i seçin.Provide a name for the dataflow, and then select Save on the dialog, as shown in the following image.

Veri akışını kaydetme

Makine öğrenmesi modeli oluşturma ve eğitmeCreate and train a machine learning model

Bir makine öğrenmesi modeli eklemek için, eğitim verilerinizi ve etiket bilgilerini içeren temel varlığın Eylemler listesindeki ML modeli uygula düğmesini seçin ve sonra Makine öğrenmesi modeli ekle ’yi seçin.To add a machine learning model, Select the Apply ML model button in the Actions list for the base entity that contains your training data and label information, and then select Add a machine learning model.

Makine öğrenmesi modeli ekle

Makine öğrenmesi modelimizi oluşturmanın ilk adımı, tahmin etmek istediğiniz sonuç alanını içeren geçmiş verileri tanımlamaktır.The first step for creating our machine learning model is to identify the historical data including the outcome field that you want to predict. Model, bu verilerden öğrenilerek oluşturulacaktır.The model will be created by learning from this data.

Kullandığımız veri kümesi söz konusu olduğunda burası Revenue alanıdır.In the case of the dataset we're using, this is the Revenue field. 'Sonuç alanı' için Revenue değerini ve sonra İleri ’yi seçin.Select Revenue as the 'Outcome field' value and then select Next.

Geçmiş verileri seçme

Bundan sonra, oluşturulacak makine öğrenmesi modelinin türünü seçmemiz gerekir.Next, we must select the type of machine learning model to create. Power BI, belirlediğiniz sonuç alanındaki değerleri analiz eder ve bu alanı tahmin etmek için oluşturulabilecek makine öğrenmesi modellerinin türlerini önerir.Power BI analyzes the values in the outcome field that you've identified and suggests the types of machine learning models that can be created to predict that field.

Bu örnekte bir kullanıcının satın alıp almayacağına ilişkin ikili sonucu tahmin edeceğimiz için İkili Tahmin önerilir.In this case since we're predicting a binary outcome of whether a user will make a purchase or not, Binary Prediction is recommended. Satın alacak kullanıcıları tahmin etmek istediğimiz için en çok ilgilendiğiniz Gelir sonucu olarak True değerini seçin.Since we are interested in predicting users who will make a purchase, select True as the Revenue outcome that you're most interested in. Ayrıca, model doğrulama sonuçlarını özetleyecek otomatik olarak oluşturulan raporda kullanılacak sonuçlar için kolay etiketler sağlayabilirsiniz.Additionally, you can provide friendly labels for the outcomes to be used in the automatically generated report that will summarize the results of the model validation. Ardından İleri’yi seçin.Then select Next.

İkili tahmin seçildi

Power BI, verilerinizin bir örneğinin ön taramasını yapar ve daha doğru tahminler üretebilecek girişleri önerir.Next, Power BI does a preliminary scan of a sample of your data and suggests the inputs that may produce more accurate predictions. Power BI bir alan önermezse yanında bir açıklama verilir.If Power BI doesn't recommend a field, an explanation would be provided next to it. Seçimleri yalnızca modelin üzerinde olmasını istediğiniz alanları içerecek şekilde değiştirme seçeneğiniz vardır veya varlık adının yanındaki onay kutusunu seçerek tüm alanları seçebilirsiniz.You have the option to change the selections to include only the fields you want the model to study, or you can select all the fields by selecting the checkbox next to the entity name. Girişleri kabul etmek için İleri ’yi seçin.Select Next to accept the inputs.

İleri onay kutusunu seçin

Son adımda, modelimiz için bir ad sağlamamız gerekir.In the final step, we must provide a name for our model. Modeli Satın Alma Amacı Tahmini olarak adlandırın.Name the model Purchase Intent Prediction. Hızlı sonuçlar görmek için eğitim süresini azaltmayı veya en iyi modeli elde etmek için eğitim süresini artırmayı seçebilirsiniz.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. Ardından Kaydet ve eğit 'i seçerek modeli eğitmeye başlatın.Then select Save and train to start training the model.

Modeli kaydetme

Eğitim işlemi, geçmiş verilerinizi örnekleyip normalleştirme ve veri kümenizi Satın Alma Amacı Tahmini Eğitim Verileri ve Satın Alma Amacı Tahmini Test Verileri şeklinde iki varlığa bölme ile başlar.The training process will begin by sampling and normalizing your historical data and splitting your dataset into two new entities Purchase Intent Prediction Training Data and Purchase Intent Prediction Testing Data.

Veri kümesinin boyutuna bağlı olarak eğitim işlemi birkaç dakika ile bir önceki ekranda seçilen eğitim süresi arasında sürebilir.Depending on the size of the dataset, the training process can take anywhere from a few minutes to the training time selected at the previous screen. Bu noktada, modeli veri akışının Makine öğrenmesi modelleri sekmesinde görebilirsiniz.At this point, you can see the model in the Machine learning models tab of the dataflow. Hazır durumu, modelin eğitim için kuyruğa alındığını veya eğitim aşamasında olduğunu gösterir.The Ready status indicates that the model has been queued for training or is under training.

Model eğitilmekte ve doğrulanmakta olduğunu veri akışının durumu üzerinden onaylayabilirsiniz.You can confirm that the model is being trained and validated through the status of the dataflow. Bu seçenek, çalışma alanının Veri Akışları sekmesinde bir veri yenileme sürüyor olarak görünür.This appears as a data refresh in progress in the Dataflows tab of the workspace.

Eğitime hazır

Model eğitimi tamamlandıktan sonra veri akışı güncel bir yenileme saati gösterir.Once the model training is completed, the dataflow displays an updated refresh time. Veri akışındaki Makine öğrenmesi modelleri sekmesine giderek modelin eğitildiğini onaylayabilirsiniz.You can confirm that the model is trained, by navigating to the Machine learning models tab in the dataflow. Oluşturduğunuz model, Eğitildi durumunu göstermelidir ve Son Eğitim zamanı güncellenmiş olmalıdır.The model you created should show status as Trained and the Last Trained time should now be updated.

Son eğitim tarihi

Model doğrulama raporunu gözden geçirmeReview the model validation report

Model doğrulama raporunu incelemek için, Makine öğrenmesi modelleri sekmesinde modelin Eylem sütunundan Eğitim raporunu görüntüle düğmesini seçin.To review the model validation report, in the Machine learning models tab, select the View training report button in the Actions column for the model. Bu rapor, makine öğrenmesi modelinizin olası performansını açıklar.This report describes how your machine learning model is likely to perform.

Raporun Model Performansı sayfasında, modelinize yönelik en iyi tahmin unsurlarını görüntülemek için En iyi tahminleri gör ’ü seçin.In the Model Performance page of the report, select See top predictors to view the top predictors for your model. Çıkış dağılımının bir tahmin unsuruyla ilişkisini görmek için ilgili tahmin unsurunu seçebilirsiniz.You can select one of the predictors to see how the outcome distribution is associated with that predictor.

Model performansı

Modelin Duyarlık ve Yakalama değerine etkisini incelemek için Model Performansı sayfasındaki Olasılık Eşiği dilimleyicisini kullanabilirsiniz.You can use the Probability Threshold slicer on the Model Performance page to examine its influence on the Precision and Recall for the model.

Olasılık eşiği

Raporun diğer sayfaları, modelin istatistiksel performans ölçümlerini açıklar.The other pages of the report describe the statistical performance metrics for the model.

Bu rapor ayrıca, çalıştırılan farklı yinelemeleri, özelliklerin girişlerden nasıl ayıklandığını ve kullanılan son model için hiper parametreleri açıklayan bir Eğitim Ayrıntıları sayfasını içerir.The report also includes a Training Details page that describes the different iterations that were run, how features were extracted from the inputs, and the hyperparameters for the final model used.

Modeli bir veri akışı varlığına uygulamaApply the model to a dataflow entity

Bu modeli çağırmak için raporun üst kısmındaki Modeli uygula düğmesini seçin.Select the Apply model button at the top of the report to invoke this model. Uygula iletişim kutusunda, modelin uygulanması gereken kaynak verilere sahip hedef varlığı belirtebilirsiniz.In the Apply dialog, you can specify the target entity that has the source data to which the model should be applied.

Modeli uygulayın

Sorulduğunda, modelinizin sonuçlarının önizlemesini görmek için veri akışını Yenilemeniz gerekir.When prompted, you must Refresh the dataflow to preview the results of your model.

Model uygulandığında zenginleştirilmiş <model_name> ve zenginleştirilmiş <model_name> açıklamaları son ekiyle iki yeni varlık oluşturulur.Applying the model will create two new entities, with the suffix enriched <model_name> and enriched <model_name> explanations. Bu durumda, model Çevrimiçi Ziyaretçiler varlığına uygulandığında modelin tahmin edilen çıkışını içeren Çevrimiçi Ziyaretçiler zenginleştirilmiş Satın Alma Amacı tahmini ve tahmin için rapora özgü başlıca etkileyicileri içeren Çevrimiçi Ziyaretçiler zenginleştirilmiş Satın Alma Amacı Tahmini açıklamaları oluşturulur.In our case, applying the model to the Online Visitors entity will create Online Visitors enriched Purchase Intent Prediction which includes the predicted output from the model, and Online Visitors enriched Purchase Intent Prediction explanations which contains top record-specific influencers for the prediction.

İkili Tahmin modeli uygulamak, tahmin edilen sonuç, olasılık puanı, tahmin için kayda özel en önemli etkileyicileri ve her biri belirtilen sütun adını ön ek olarak alan bir açıklama dizini olmak üzere dört sütun ekler.Applying a Binary Prediction model adds four columns with predicted outcome, probability score, the top record-specific influencers for the prediction, and explanation index each prefixed with the column name specified.

Üç sonuç sütunu

Veri akışı yenilemesi tamamlandıktan sonra sonuçları görüntülemek için Çevrimiçi Ziyaretçiler zenginleştirilmiş Satın Alma Amacı Tahmini varlığını seçebilirsiniz.Once the dataflow refresh is completed, you can select the Online Visitors enriched Purchase Intent Prediction entity to view the results.

Sonuçları görüntüleme

Veri akışınızda doğrudan Power Query Düzenleyicisi’nden, çalışma alanındaki herhangi bir AutoML modelini de çağırabilirsiniz.You can also invoke any AutoML model in the workspace, directly from the Power Query Editor in your dataflow. AutoML modellerine erişmek için, aşağıdaki resimde gösterildiği gibi AutoML modelinizden gelen içgörülerle zenginleştirmek istediğiniz varlığa ilişkin Düzenle düğmesini seçin.To access the AutoML models, select the Edit button for the entity that you want to enrich with insights from your AutoML model, as shown in the following image.

Varlığı düzenleme

Düzenle düğmesi seçildiğinde veri akışınızdaki varlıklar için Power Query Düzenleyicisi açılır.Selecting the Edit button opens the Power Query Editor for the entities in your dataflow. Şeritte Yapay Zeka İçgörüleri düğmesini seçin.Select the AI Insights button in the ribbon.

Yapay Zeka İçgörüleri

Gezinti bölmesi menüsünden Power BI Makine Öğrenmesi Modelleri klasörünü seçin.Select the Power BI Machine Learning Models folder from the nav pane menu. Erişim iznine sahip olduğunuz tüm AutoML modelleri burada Power Query işlevleri olarak listelenir.All the AutoML models to which you have access are listed here as Power Query functions. Ayrıca, AutoML modeli için giriş parametreleri de otomatik olarak ilgili Power Query işlevinin parametreleri olarak eşlenir.Also, the input parameters for the AutoML model are automatically mapped as parameters of the corresponding Power Query function. Parametrelerin otomatik eşlemesinin yalnızca parametrenin adı ve veri türü aynı olduğunda gerçekleşeceğini unutmayın.Note that automatic mapping of parameters happens only if the name and data type of the parameter is the same.

AutoML modelini çağırmak için, seçilen varlığın herhangi bir sütununu açılan listeden giriş olarak belirtebilirsiniz.To invoke an AutoML model, you can specify any of the selected entity's columns as an input from the drop-down. Sütun simgesini giriş iletişim kutusunun sol tarafına doğru döndürerek giriş olarak bir sabitin kullanılmasını da belirtebilirsiniz.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.

PQO İşlevi tarayıcısı

AutoML modeli çıkışının önizlemesini varlık tablosunda yeni bir sütun olarak görüntülemek için Uygula’yı seçin.Select Apply to view the preview of the AutoML model's output as a new columns in the entity table. Ayrıca model çağrısını da sorgu için uygulanmış bir adım olarak görürsünüz.You will also see the model invocation as an applied step for the query.

Sonuçları görüntüleme

Veri akışınızı kaydettikten sonra, varlık tablosundaki yeni veya güncelleştirilmiş satırlar için veri akışını her yenilediğinizde model otomatik olarak çağrılır.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.

Modeldeki puanlanmış çıkışı bir Power BI raporunda kullanmaUsing the scored output from the model in a Power BI report

Makine öğrenmesi modelinizdeki puanlanmış çıktıyı kullanmak için, Veri Akışı bağlayıcısını kullanarak Power BI Desktop’tan veri akışınıza bağlanabilirsiniz.To use the scored output from your machine learning model you can connect to your dataflow from the Power BI desktop, using the Dataflows connector. Çevrimiçi Ziyaretçiler zenginleştirilmiş Satın Alma Amacı Tahmini varlığı artık modelinizdeki tahminleri Power BI raporlarına eklemek için kullanılabilir.The Online Visitors enriched Purchase Intent Prediction entity can now be used to incorporate the predictions from your model in Power BI reports.

Sonraki adımlarNext steps

Bu öğreticide, aşağıdaki adımları kullanarak Power BI’da bir ikili tahmin modeli oluşturup uyguladınız:In this tutorial, you created and applied a binary prediction model in Power BI using these steps:

  • Giriş verileriyle veri akışı oluşturmaCreate a dataflow with the input data
  • Makine öğrenmesi modeli oluşturma ve eğitmeCreate and train a machine learning model
  • Model doğrulama raporunu gözden geçirmeReview the model validation report
  • Modeli bir veri akışı varlığına uygulamaApply the model to a dataflow entity
  • Modeldeki puanlanmış çıkışı bir Power BI raporunda kullanmaUsing the scored output from the model in a Power BI report

Power BI'da Machine Learning tümleştirmesi hakkında daha fazla bilgi için bkz. Power BI'da Otomatik Makine Öğrenmesi.For more information about Machine Learning automation in Power BI, see Automated Machine Learning in Power BI.