Przekazywanie niekompletnej wartości wejściowej lub wartości odstającej do wdrożenia może prowadzić do przewidywań wartości odstających

Po wdrożeniu modelu uczenia maszynowego należy zwrócić uwagę, że dostarczanie danych wejściowych, które znacznie różni się od danych używanych do uczenia modelu, może spowodować powstanie wartości odstających. Gdy algorytmy regresji liniowej, takie jak Ridge i LinearRegression , są przekazywane poza wartość wejściową skali, model ekstrapoluje wartości i przypisuje do niej relatywnie dużą wagę, tworząc wynik, który nie jest zgodny z danymi zgodnymi.

Nie powiodło się pobranie potoku szeregów czasowych z funkcjami pomocniczą

Jeśli poćwiczysz eksperyment AutoAI szeregów czasowych za pomocą funkcji pomocniczych, a otrzymasz błąd 'Błąd: nazwa' tspy_interpolators 'nie jest zdefiniowana', gdy system próbuje pobrać potok dla predykcji, sprawdź, czy w systemie działa środowisko Java 8 lub nowsze.

Uruchomienie notatnika rurociągu lub eksperymentu nie powiodło się z błędem specyfikacji oprogramowania

Jeśli zostanie zmieniona obsługiwana specyfikacja oprogramowania dla eksperymentów AutoAI , podczas uruchamiania notatnika zbudowanego ze starszą specyfikacją oprogramowania, na przykład starszej wersji Python, może zostać zgłoszony błąd. W takim przypadku należy ponownie uruchomić eksperyment, a następnie zapisać nowy notatnik i spróbować ponownie.

Rozwiązywanie błędu braku pamięci

Jeśli podczas uruchamiania komórki z notatnika AutoAI zostanie wyświetlony błąd pamięci, należy utworzyć środowisko wykonawcze notebooka z większą ilością zasobów dla notebooka AutoAI i ponownie wykonać komórkę.

Notatnik dla eksperymentu z podpróbkowaniem może spowodować niepowodzenie generowania predykcji

Jeśli do przygotowania modelu zostanie wykonane rafinery rurociągów, a eksperyment wykorzystuje podpróbkowanie danych podczas szkolenia, podczas uruchamiania notatnika, który został zapisany z eksperymentu, może wystąpić błąd "nieznana klasa".

Problem wywodzi się z nieznanej klasy, która nie jest uwzględniona w zestawie danych uczących. Aby obejść ten problem, należy użyć całego zestawu danych do szkolenia lub ponownie utworzyć podpróbkowanie, które jest używane w eksperymencie.

Aby podtestować dane treningowe (przed fit()), należy podać wielkość próby według liczby wierszy lub ułamka próbki (tak jak to zostało zrobione w eksperymencie).

• Jeśli w ustawieniach podpróbkowania użyto liczby rekordów, można zwiększyć wartość n. Na przykład:

  train_df = train_df.sample(n=1000)
  

• Jeśli podpróbkowanie jest reprezentowane jako ułamek zestawu danych, należy zwiększyć wartość parametru frac. Na przykład:

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

Tworzenie potoku nie powiodło się dla klasyfikacji binarnej

AutoAI analizuje podzbiór danych w celu określenia najlepszego dopasowania do typu eksperymentu. Jeśli przykładowe dane w kolumnie predykcji zawierają tylko dwie wartości, AutoAI zaleca binarny eksperyment klasyfikacji i zastosuje powiązane algorytmy. Jeśli jednak pełny zestaw danych zawiera więcej niż dwie wartości w kolumnie predykcji, klasyfikacja binarna nie powiedzie się, a zostanie wyświetlony błąd wskazujący, że funkcja AutoAI nie może utworzyć rurociągów.

W takim przypadku należy ręcznie zmienić typ eksperymentu z binarnego na wieloklasową dla zdefiniowanego zestawu wartości lub regresji dla nieokreślonego zestawu wartości.

1. Kliknij ikonę Zmień konfigurację eksperymentu , aby edytować ustawienia eksperymentu.
2. Na stronie Predykcja w sekcji Ustawienia eksperymentu zmień typ predykcji na taki, który najlepiej pasuje do danych w kolumnie predykcji.
3. Zapisz zmiany i ponownie uruchom eksperyment.

Następne kroki

Przegląd produktu AutoAI

Temat nadrzędny: PrzeglądAutoAI