Génération d'un modèle AutoAI

Collecter vos données d'entrée

Copy link to section

Collectez et préparez vos données d'apprentissage. Pour plus de détails sur les sources de données autorisées, voir Présentation d'AutoAI.

Ouvrir l'outil AutoAI

Copy link to section

Pour plus de commodité, votre création de modèle AutoAI utilise le stockage par défaut associé à votre projet pour stocker vos données et enregistrer les résultats du modèle.

1. Ouvrez votre projet.

2. Cliquez sur l'onglet Actifs.

3. Cliquez sur Nouvelle ressource > Construire des modèles d'apprentissage automatique ou des modèles de génération augmentés par récupération automatiquement.

Spécifier les détails de votre expérimentation

Copy link to section

1. Indiquez un nom et une description pour votre expérimentation.

2. Sélectionnez une instance de service d'apprentissage automatique et fournissez les informations d'identification de la tâche si vous y êtes invité. Cliquez ensuite sur Créer.

3. Choisissez des données à partir de votre projet ou téléchargez-le depuis votre système de fichiers ou depuis le navigateur d'actifs, puis appuyez sur Continuer. Cliquez sur l'icône Aperçu pour passer en revue vos données. (Facultatif) Ajoutez un second fichier en tant que données restantes pour tester les pipelines entraînés.

4. Choisissez la colonne à prévoir pour les données que vous souhaitez que l'expérimentation prévoie.

   • En fonction de l'analyse d'un sous-ensemble du jeu de données, AutoAI sélectionne un type de modèle par défaut: classification binaire, classification multiclasse ou régression. L'option Binaire est sélectionnée si la colonne cible comporte deux valeurs possibles. Multiclasse a un ensemble discret de 3 valeurs ou plus. La régression comporte une variable numérique continue dans la colonne cible. Vous pouvez éventuellement remplacer cette sélection.
     

     Remarque: la limite des valeurs à classer est 200. La création d'une expérimentation de classification avec de nombreuses valeurs uniques dans la colonne de prévision est gourmande en ressources et affecte les performances et le temps d'apprentissage de l'expérimentation. Pour conserver la qualité de l'expérimentation:
     - AutoAI choisit une métrique par défaut pour l'optimisation. Par exemple, la métrique par défaut d'un modèle de classification binaire est *Précision *.
     -Par défaut, 10% des données d'apprentissage sont retenues pour tester les performances du modèle.

5. (Facultatif) Cliquez sur Paramètres de l'expérimentation pour afficher ou personnaliser les options de votre exécution AutoAI . Pour plus de détails sur les paramètres d'expérimentation, voir Configuration d'une expérimentation de classification ou de régression.

6. Cliquez sur Exécuter l'expérimentation pour commencer la création du pipeline de modèle.

Un schéma infographique illustre la création de pipelines pour vos données. La durée de cette phase dépend de la taille de votre jeu de données. Un message de notification vous informe si le temps de traitement sera court ou si davantage de temps sera nécessaire. Vous pouvez travailler dans d'autres parties du produit pendant la génération des pipelines.

Survolez les noeuds dans l'infographie pour explorer les facteurs que les pipelines partagent et leurs propriétés uniques. Vous pouvez voir les facteurs que les pipelines partagent et les propriétés qui rendent un pipeline unique. Pour obtenir un guide des données de l'infographie, cliquez sur l'onglet Légende dans le panneau d'informations. Ou, pour afficher une vue différente de la création du pipeline, cliquez sur l'onglet Détails de l'expérimentation de la sous-fenêtre de notification, puis sur Vues de commutateur pour afficher la mappe de progression. Dans l'une ou l'autre de ces vues, cliquez sur un noeud de pipeline pour afficher le pipeline associé dans le tableau de classement.

Afficher les résultats

Copy link to section

Une fois le processus de génération de pipeline terminé, vous pouvez afficher les candidats de modèle classés et les évaluer avant de sauvegarder un pipeline en tant que modèle.