Acelerar el entrenamiento de experimentos con grandes conjuntos de datos

Si ves que el entrenamiento de un modelo se interrumpe o tarda demasiado, ten en cuenta estas pautas para reducir el tiempo de entrenamiento:

En las páginas de configuración del experimento de la herramienta AutoAI:

• Asegúrese de que la opción Selección de algoritmo optimizado está establecida en Puntuación y tiempo de ejecución.
• Desactivar el modelo XGBRegressor. Este ajuste puede ayudarle a obtener resultados más rápidamente, pero las puntuaciones pueden ser ligeramente inferiores.

Para un experimento codificado:

• Pase el parámetro ' daub_give_priority_to_runtime ' como se describe en la documentación del SDK.
  Nota: Este parámetro puede aumentar el indeterminismo (irreproducibilidad) del experimento.

Pasar un valor de entrada incompleto o atípico al despliegue puede llevar a una predicción de valores atípicos

Después de desplegar el modelo de aprendizaje automático, tenga en cuenta que proporcionar datos de entrada que son marcadamente diferentes de los datos que se utilizan para entrenar el modelo puede producir una predicción de valores atípicos. Cuando los algoritmos de regresión lineal como Ridge y LinearRegression pasan un valor de entrada fuera de escala, el modelo extrapolará los valores y le asignará una ponderación relativamente grande, generando una puntuación que no está en línea con los datos conformes.

La interconexión de serie temporal con características de soporte falla en la recuperación

Si entrena un experimento de serie temporal de AutoAI utilizando características de soporte y obtiene el error 'Error: el nombre' tspy_interpolators 'no está definido' cuando el sistema intenta recuperar la interconexión para las predicciones, asegúrese de que el sistema esté ejecutando Java 8 o superior.

La ejecución de una interconexión o un cuaderno de experimento falla con un error de especificación de software

Si las especificaciones de software soportadas para los experimentos de AutoAI cambian, es posible que se produzca un error al ejecutar un cuaderno creado con una especificación de software anterior, como una versión anterior de Python. En este caso, vuelva a ejecutar el experimento, guarde un nuevo cuaderno e inténtelo de nuevo.

Resolución de un error de falta de memoria

Si obtiene un error de memoria al ejecutar una celda desde un cuaderno generado por AutoAI , cree un tiempo de ejecución de cuaderno con más recursos para el cuaderno AutoAI y vuelva a ejecutar la celda.

El cuaderno para un experimento con submuestreo puede fallar generando predicciones

Si realiza una refinería de interconexión para preparar el modelo, y el experimento utiliza un submuestreo de los datos durante el entrenamiento, es posible que se encuentre un error de "clase desconocida" al ejecutar un cuaderno que se guarda del experimento.

El problema proviene de una clase desconocida que no está incluida en el conjunto de datos de entrenamiento. La solución temporal es utilizar todo el conjunto de datos para el entrenamiento o volver a crear el submuestreo que se utiliza en el experimento.

Para el submuestreo de los datos de entrenamiento (antes de fit()), proporcione el tamaño de la muestra por número de filas o por fracción de la muestra (del mismo modo que en el experimento).

• Si se ha utilizado el número de registros en los valores de submuestreo, puede aumentar el valor de n. Por ejemplo:

  train_df = train_df.sample(n=1000)
  

• Si el submuestreo se representa como una fracción del conjunto de datos, aumente el valor de frac. Por ejemplo:

  train_df = train_df.sample(frac=0.4, random_state=experiment_metadata['random_state'])
  

Error al crear la interconexión para la clasificación binaria

AutoAI analiza un subconjunto de los datos para determinar el que mejor se ajusta al tipo de experimento. Si los datos de ejemplo de la columna de predicción solo contiene dos valores, AutoAI recomienda un experimento de clasificación binaria y aplica los algoritmos relacionados. Sin embargo, si el conjunto de datos completo contiene más de dos valores en la columna de predicción, la clasificación binaria falla y se obtiene un error que indica que AutoAI no puede crear las interconexiones.

En este caso, cambie manualmente el tipo de experimento de binario o cualquier tipo clase múltiple, para un conjunto de valores definidos o regresión, para un conjunto de valores no especificado.

1. Pulse el icono Volver a configurar experimento para editar los valores del experimento.
2. En la página Predicción de Valores de experimento, cambie el tipo de predicción por el que mejor coincida con los datos de la columna de predicción.
3. Guarde los cambios y vuelva a ejecutar el experimento.

Próximos pasos

Visión general de AutoAI

Tema principal: Visión general de AutoAI