Translation not up to date
AutoAI , sınıflandırma veya regresyon deneylerinizi yapılandırmak ve özelleştirmek için kullanabileceğiniz deney ayarları sunar.
Deneme ayarlarına genel bakış
Deney verilerini karşıya yükledikten ve deney tipinizi ve ne tahmin edileceğini seçtikten sonra, AutoAI denemeniz için varsayılan yapılandırmalar ve metrikler oluşturur. Bu varsayılanları kabul edip denemeye devam edebilir ya da yapılandırmaları özelleştirmek için Deney ayarları ' nı tıklatabilirsiniz. Yapılandırmaları özelleştirerek deneyin aday model boru hatlarını nasıl oluşturduğunu tam olarak denetleyebilirsiniz.
Sınıflandırma ve regresyon deneylerine ilişkin ayarları denemek için kılavuz olarak aşağıdaki tabloları kullanın. Bir zaman serisi deneyi yapılandırmaya ilişkin ayrıntılar için Zaman serisi deneyi oluşturmabaşlıklı konuya bakın.
Öngörü ayarları
Öngörü ayarlarının çoğu ana Genel sayfasında bulunur. Aşağıdaki ayarları gözden geçirin ya da güncelleyin.
| Ayar | Açıklama |
|---|---|
| Öngörü tipi | Öngörü tipini değiştirebilir ya da geçersiz kılabilirsiniz. Örneğin, AutoAI yalnızca iki veri sınıfı algılar ve bir ikili sınıflandırma deneyi yapılandırırsa, ancak üç veri sınıfı olduğunu biliyorsanız, tipi çok lassolarak değiştirebilirsiniz. |
| Pozitif sınıf | Duyarlık, Ortalama Duyarlık, Geri çağırmaya da F1için eniyilenmiş ikili sınıflandırma deneyleri için pozitif bir sınıf gerekir. Pozitif Sınıfın doğru olduğunu ya da deneyin yanlış sonuçlar oluşturabileceğini onaylayın. |
| Eniyilenmiş metrik | Model aday boru hatlarını eniyilemek ve sıralamak için metriği değiştirin. |
| Eniyilenmiş algoritma seçimi | AutoAI ' ın model aday boru hatlarını oluşturmak için kullanılacak algoritmaları nasıl seçeceğini seçin. En iyi puana sahip aloritmalar için eniyileyebilir ya da en kısa çalıştırma zamanında en yüksek puana sahip algoritmalar için eniyileyebilirsiniz. |
| İçerilecek algoritmalar | Deneme çalıştırıldığında hangi algoritmaların değerlendirilebileceğini seçin. Algoritma listesi, seçilen öngörü tipine dayalıdır. |
| Kullanılacak algoritmalar | AutoAI , belirtilen algoritmaları test eder ve model boru hatları oluşturmak için en iyi performans gösterenleri kullanır. En iyi algoritmaların kaç tanesinin uygulanacağını seçin. Her algoritma 4-5 boru hattı üretir, yani 3 algoritma seçerseniz deney sonuçlarınız 12-15 sıralı boru hattı içerir. Daha fazla algoritma deneyin çalışma zamanını artırır. |
Veri adaleti ayarları
Deneyinizi tahmin edilen sonuçlarda adil olarak değerlendirmek için Adalet sekmesini tıklatın. Adalet algılamasını yapılandırmaya ilişkin ayrıntılar için bkz. AutoAI deneylerine adalet testi uygulama.
Veri kaynağı ayarları
Veri kaynağı ayarlarının Genel sekmesi, deneyin eğitim ve deneme için verileri nasıl tükettiğini ve işlediğini yapılandırmaya ilişkin seçenekler sağlar.
| Ayar | Açıklama |
|---|---|
| Yinelenen satırlar | Eğitimi hızlandırmak için eğitim verilerinizde yinelenen satırları atlamayı tercih edebilirsiniz. |
| Ardışık düzen seçimi alt örnek yöntemi | Büyük bir veri kümesi için, deneyi eğitmek üzere bir veri alt kümesi kullanın. Bu seçenek sonuçları hızlandırır, ancak doğruluğu etkileyebilir. |
| Veri yükleme | Veri kaynağınızdaki eksik değerleri birbirine dahil edin. Veri yükleme yönetiminin ayrıntıları için bkz. AutoAI deneylerinde veri yükleme. |
| Metin özelliği mühendisliği | Etkinleştirildiğinde, metin olarak algılanan sütunlar, dizgiler arasındaki anlamsal benzerliği daha iyi analiz etmek için vektörlere dönüştürülür. Bu ayarın etkinleştirilmesi çalıştırma süresini artırabilir. Ayrıntılar için bkz. Metin analizi deneyi oluşturma. |
| Son eğitim verileri kümesi | Son boru hatlarını eğitmek için hangi verilerin kullanılacağını seçin. Yalnızca eğitim verilerini eklemeyi seçerseniz, oluşturulan not defterleri, her bir ardışık işlemi değerlendirmek için kullanılan holdout verilerini almak için bir hücre içerir. |
| Aykırı Değer İşlemi | Eğitim doğruluğunu artırmak için AutoAI ' ın aykırı değer değerlerini hedef sütundan dışlayıp çıkarmayacağını seçin. AutoAI etkinleştirilirse, ister yalnızca eğitim verileri olsun, ister eğitim verileri olsun, ister engelleme verileri olsun, son eğitim verilerinden aykırı değerleri algılamak ve dışlamak için çeyrekler arası aralık (IQR) yöntemini kullanır. |
| Eğitim ve holdout yöntemi | Eğitim verileri modeli eğitmek için kullanılır ve beklemeye alınan veriler modelin eğitilmesinden ve modelin performansını ölçmek için kullanılır. Bir singe veri kaynağını eğitim ve test (holdout) verilerine bölebilir ya da test verileri için özel olarak ikinci bir veri dosyası kullanabilirsiniz. Eğitim verilerinizi bölürseniz, eğitim verileri ve alıkoyan veriler için kullanılacak yüzdeleri belirtin. Ayrıca, varsayılan üç kıvrımdan en çok 10 'a kadar katlama sayısını da belirtebilirsiniz. Çapraz doğrulama, model performansının test edilmesi için eğitim verilerini katlara veya gruplara ayırır. |
| İçerilecek özellikleri seçin | Veri kaynağınızdan, öngörü sütununu destekleyen verileri içeren sütunları seçin. Dış kolonların dışlanması yürütme süresini iyileştirebilir. |
Çalıştırma zamanı ayarları
Deneme ayarlarını gözden geçirin ya da deneyi çalıştırmak için ayrılan bilgi işlem kaynaklarını değiştirin.
Sonraki adımlar
Metin analizi denemesini yapılandır
Üst konu: AutoAI modeli oluşturma