Translation not up to date
Následující seznam obsahuje běžné problémy, které jsou známy pro AutoAI. Pokud váš experiment AutoAI selže při úspěšném spuštění nebo nasazení, prohlédněte si některé z těchto obecných problémů a rozlišení.
Předání neúplné nebo odlehlé vstupní hodnoty k implementaci může vést k odlehlé předpovědi
Po implementaci vašeho strojového učení se bere na vědomí, že poskytování vstupních dat, která se výrazně liší od dat používaných k vycvičení modelu, může produkovat odlehlější předpověď. Když jsou algoritmy lineární regrese, jako je Ridge a LinearRegression , předány mimo vstupní hodnotu měřítka, model extrapoluje hodnoty a přiřadí mu relativně velkou váhu, čímž se vytvoří skóre, které není v souladu s odpovídajícími daty.
Potrubí časové řady s podpůrnými funkcemi se při načítání nezdaří
Pokud budete trénovat AutoAI Time Series experiment pomocí podpůrných funkcí a dostanete chybu 'Chyba:' název 'tspy_interpolators' není definován ', když se systém snaží načíst kolonu pro předpovědi, zkontrolujte, zda váš systém běží na Java 8 nebo vyšší.
Spuštění propojení procesů nebo notebooku selže s chybou specifikace softwaru
V případě, že se změní podporované softwarové specifikace pro pokusy AutoAI , může dojít k chybě při spuštění notebooku se starší specifikací softwaru, jako je například starší verze Python. V takovém případě spusťte test znovu a uložte nový zápisník a operaci opakujte.
Řešení chyby nedostatku paměti
Pokud dojde k chybě paměti při spuštění buňky z generovaného zápisníku AutoAI , vytvořte běhové prostředí notebooku s více prostředky pro notebook AutoAI a proveďte znovu provedení buňky.
Zápisník pro experiment s podvzorkováním může selhat při generování předpovědí.
Pokud pro přípravu modelu provedete přípravu na potrubí a test používá podvzorkování dat během školení, můžete narazit na chybu "neznámá třída", když spustíte notebook, který je uložen z experimentu.
Tento problém pochází z neznámé třídy, která není zahrnuta do datové sady školení. Náhradním řešením je použít celou datovou sadu pro školení nebo znovu vytvořit podvzorkování, které se používá v experimentu.
Chcete-li provést dílčí vzorkování dat odborné přípravy (před fit()), poskytněte velikost vzorku podle počtu řádků nebo zlomku vzorku (jak bylo provedeno v experimentu).
Pokud bylo v nastavení dílčího vzorkování použito číslo záznamů, můžete zvýšit hodnotu
n. Například:train_df = train_df.sample(n=1000)Je-li dílčí vzorkování reprezentováno jako zlomek datové sady, zvyšte hodnotu parametru
frac. Například:train_df = train_df.sample(frac=0.4, random_state=experiment_metadata['random_state'])
Vytvoření propojení procesů se nezdařilo pro binární klasifikaci
Funkce AutoAI analyzuje dílčí sadu dat a určí nejvhodnější typ pro daný typ experimentu. Pokud ukázková data ve sloupci predikce obsahuje pouze dvě hodnoty, doporučuje parametr AutoAI test binární klasifikace a použije související algoritmy. Pokud však úplná datová sada obsahuje více než dvě hodnoty ve sloupci predikce, binární klasifikace selže a dostanete chybu, která označuje, že AutoAI nemůže vytvářet kolony.
V takovém případě ručně změňte typ experimentu z binárního na na vícevláknu, pro definovanou sadu hodnot, nebo regresi, pro nespecifikovanou sadu hodnot.
- Klepnutím na ikonu Překonfigurovat Experiment upravíte nastavení experimentu.
- Na stránce Předpověď aplikace Experiment Settings změňte typ predikce na ten, který nejlépe odpovídá datům ve sloupci predikce.
- Uložte změny a spusťte test znovu.
Další kroky
Nadřízené téma: PřehledAutoAI