Eksik ya da aykırı değer giriş değerinin devreye almaya geçirilmesi, aykırı değer tahminine yol açabilir

Makine öğrenimi modelinizi devreye aldıktan sonra, modeli eğitmek için kullanılan verilerden önemli ölçüde farklı giriş verileri sağlamanın daha aykırı bir öngörü oluşturabileceğini unutmayın. Ridge ve LinearRegression gibi doğrusal regresyon algoritmaları ölçek dışı bir giriş değeri geçirdiğinde, model değerleri tahmin eder ve buna nispeten büyük bir ağırlık atar ve uyumlu verilerle uyumlu olmayan bir puan üretir.

Alma sırasında destekleyici özelliklere sahip Zaman Serisi ardışık işlem hattı başarısız oluyor

Bir AutoAI Zaman Serisi deneyini destekleyici özellikleri kullanarak eğitiyorsanız ve sistem öngörü için ardışık düzeni almaya çalıştığında 'Hata: ad' tspy_interpolators 'tanımlanmamış' hatasını alırsanız, sisteminizin Java 8 ya da daha yüksek bir sürümü çalıştırdığından emin olun.

Bir ardışık düzen ya da deneme defterinin çalıştırılması bir yazılım belirtimi hatasıyla başarısız oluyor

AutoAI deneyleri için desteklenen yazılım belirtimleri değişirse, daha eski bir Pythonsürümü gibi daha eski bir yazılım belirtimiyle oluşturulmuş bir dizüstü bilgisayarı çalıştırdığınızda bir hata alabilirdiniz. Bu durumda, deneyi yeniden çalıştırın ve yeni bir not defteri kaydedin ve yeniden deneyin.

Bellek Yetersiz Hatasının Çözümlenmesi

AutoAI tarafından oluşturulan bir not defterinden bir hücre çalıştırdığınızda bir bellek hatası alırsanız, AutoAI not defteri için daha fazla kaynak içeren bir not defteri çalıştırma zamanı oluşturun ve hücreyi yeniden yürütün.

Alt örnekleme denemesi için not defteri, öngörü oluşturmada başarısız olabilir

Modeli hazırlamak için ardışık işlem rafinerisi yaparsanız ve deney eğitim sırasında verilerin alt örneklemesini kullanırsa, deneyden kaydedilen bir not defterini çalıştırdığınızda "bilinmeyen bir sınıf" hatasıyla karşılaşabilirsiniz.

Sorun, eğitim veri kümesine dahil edilmeyen bilinmeyen bir sınıftan kaynaklanıyor. Geçici çözüm, eğitim için tüm veri kümesini kullanmak veya deneyde kullanılan alt örneklemeyi yeniden oluşturmaktır.

Eğitim verilerini alt örneklemek için ( fit()öncesinde), örnek boyutunu satır sayısına göre ya da örneğin kesirine göre (deneyde olduğu gibi) sağlayın.

• Alt örnekleme ayarlarında kayıt sayısı kullanıldıysa, ndeğerini artırabilirsiniz. Örneğin:

  train_df = train_df.sample(n=1000)
  

• Alt örnekleme veri kümesinin bir kesri olarak gösteriliyorsa, fracdeğerini artırın. Örneğin:

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

İkili sınıflandırma için ardışık düzen oluşturma başarısız oldu

AutoAI , deney tipine en uygun olanı belirlemek için verilerin bir alt kümesini analiz eder. Öngörü sütunundaki örnek veriler yalnızca iki değer içeriyorsa, AutoAI bir ikili sınıflandırma deneyi önerir ve ilgili algoritmaları uygular. Ancak, tam veri kümesi öngörü sütununda ikiden fazla değer içeriyorsa ikili sınıflandırma başarısız olur ve AutoAI ' ın ardışık düzenleri oluşturamadığını gösteren bir hata alırsınız.

Bu durumda, belirlenmemiş bir değer kümesi için, tanımlı bir değer kümesi ya da regresyon için, deneme tipini ikili değerden çok değişkenli olarak el ile değiştirin.

1. Deneme ayarlarını düzenlemek için Deneyi Yeniden Yapılandırma simgesini tıklatın.
2. Deneme Ayarları 'nın Öngörü sayfasında öngörü tipini, öngörü sütunundaki verilerle en iyi eşleşecek şekilde değiştirin.
3. Değişiklikleri kaydedin ve deneyi yeniden çalıştırın.

Sonraki adımlar

AutoAI ' ye genel bakış

Üst konu: AutoAI genel bakış