Translation not up to date
AutoAI grafik aracı verilerinizi analiz eder ve en iyi tahmine dayalı modeli oluşturmak için veri algoritmalarını, dönüşümleri ve parametre ayarlarını kullanır. AutoAI , model adayı boru hatları olarak çeşitli potansiyel modelleri görüntüler ve bunları seçim yapabilmeniz için bir lider tahtasında derecelendirin.
- Veri biçimi
- Sekmeli: AutoAI deneylerinin her türü için virgülle (,) sınırlayıcı ile CSV dosyaları.
- IBM Cloud Object Storagetarafından sağlanan bağlantılı veriler.
Özellik Grubu (beta) olarak kaydedilen bir veri varlığını kullanabilirsiniz, ancak meta veriler AutoAI deneme ayarlarını doldurmak için kullanılmaz.
- Veri büyüklüğü
- En fazla 1 GB ya da en fazla 20 GB. Ayrıntılar için bkz. AutoAI veri kullanımı.
AutoAI veri kullanımı
Bu sınırlar, 8 CPU ve 32 GB ' lik varsayılan hesaplama yapılandırmasına dayalıdır.
AutoAI sınıflandırma ve regresyon deneyleri:
- AutoAI deneyleri için 1 GB ' ye kadar bir dosya yükleyebilirsiniz.
- 1 GB 'yi aşan bir veri kaynağına bağlanıyorsanız, yalnızca ilk 1 GB' lik kayıt kullanılır.
AutoAI zaman serisi deneyleri:
Veri kaynağı bir zaman damgası sütunu içeriyorsa, AutoAI verileri tek bir sıklıkta örnekler. Örneğin, veriler bir dakikalık, bir saatlik ya da bir günlük artımlarla olabilir. Modelin doğruluğunu artırmak için geri arama penceresini belirlemek üzere belirtilen zaman damgası kullanılır.
Not:Dosya boyutu 1 GB ' den büyükse, AutoAi verileri azalan zaman düzeninde sıralar ve deneyi eğitmek için yalnızca ilk 1 GB kullanılır.
Veri kaynağı bir zaman damgası sütunu içermiyorsa, AutoAI ' in verileri tek aralıklarla örnekleyip artan zaman düzeninde sıraladığından emin olun. Artan sıralama düzeni, birinci satırdaki değerin en eski, son satırdaki değerin en yeni olduğu anlamına gelir.
Not: Dosya boyutu 1 GB 'den büyükse, dosya boyutunu 1 GB' den daha küçük olacak şekilde kısaltın.
AutoAI süreci
AutoAIkullanarak, kapsamlı eğitim özellikleriyle ve kodlama olmadan bir makine öğrenimi modeli oluşturabilir ve devreye alabilirsiniz. Araç, işin çoğunu sizin için yapar.
Belirli bir deneyi yaratan kodu görüntülemek ya da deneyle programlı olarak etkileşimde bulunmak için bir deneyi not defteri olarak kaydedebilirsiniz.
AutoAI , aday model boru hatlarını oluşturmak ve değerlendirmek için aşağıdaki görevleri otomatik olarak çalıştırır:
- Veri ön işleme
- Otomatik model seçimi
- Otomatikleştirilmiş özellik mühendisliği
- Hyperparameter eniyilemesi
AutoAI sürecini anlama
Model boru hatlarını oluşturmak için uygulanan algoritmaların açıklamaları ve ilişkili araştırma makalelerine bağlantılar da dahil olmak üzere bu aşamaların her birine ilişkin ek ayrıntılar için bkz. AutoAI uygulama ayrıntıları.
Veri ön işleme
Çoğu veri kümesi farklı veri biçimleri ve eksik değerler içerir, ancak standart makine öğrenimi algoritmaları yalnızca sayılarla çalışır ve eksik değerler yoktur. Bu nedenle AutoAI , işlenmemiş verilerinizi makine öğrenimi için analiz etmek, temizlemek ve hazırlamak için çeşitli algoritmalar veya tahmin ediciler uygular. Bu teknik, veri tipi: kategorik ya da sayısal gibi özelliklere dayalı olarak değerleri otomatik olarak algılar ve sınıflandırır. Kategorilere ayırmaya bağlı olarak AutoAI , verileriniz için eksik değer yükleme, özellik kodlaması ve özellik ölçekleme için en iyi strateji birleşimini belirlemek üzere hiper parametre eniyilemesini kullanır.
Otomatik model seçimi
AutoAI , verileriniz için en iyi modeli tanımlamak üzere otomatikleştirilmiş model seçimini kullanır. Bu yeni yaklaşım, potansiyel modelleri verilerin küçük alt kümelerine karşı test eder ve doğruluğa göre sıralar. AutoAI daha sonra en umut verici modelleri seçer ve en iyi eşleşmeyi tanımlayana kadar veri alt kümesinin boyutunu artırır. Bu yaklaşım, doğruluğu temel alarak potansiyel modelleri kademeli olarak daraltarak zaman tasarrufu sağlar ve performansı artırır.
En iyi modeli seçmek üzere otomatik olarak oluşturulan ardışık hatların nasıl işleneceğine ilişkin bilgi için AutoAI modelinin seçilmesibaşlıklı konuya bakın.
Otomatikleştirilmiş özellik mühendisliği
Aksam mühendisliği, işlenmemiş verileri sorunu en iyi şekilde temsil eden özelliklerin birleşimine dönüştürerek en doğru modeli tanımlar. Bu benzersiz yaklaşım, çeşitli özellik oluşturma seçeneklerini yapısal, kapsamlı olmayan bir şekilde araştırırken, takviye öğrenmeyi kullanarak model doğruluğunu aşamalı olarak en üst düzeye çıkarır. Bu teknik, model seçimi adımının algoritmalarıyla en iyi eşleşen veriler için iyileştirilmiş bir dönüşüm dizisiyle sonuçlanır.
Hyperparameter eniyilemesi
Hyperparameter optimization en iyi performans gösteren modelleri iyileştirir. AutoAI , makine öğrenmesinde tipik olan model eğitimi ve puanlama gibi belirli işlev değerlendirmeleri için yeni bir hiperparametre optimizasyonu algoritması kullanır. Bu yaklaşım, her yinelemede uzun değerlendirme sürelerine rağmen en iyi modeli hızla tanımlar.
Sonraki adımlar
AutoAI eğitmeni: İkili Sınıflandırma Modeli Oluşturma
Üst konu: Veri ve bina modellerinin çözümlenmesi