Użyj przykładowych danych, aby potrenować wielozmienny (wiele kolumn predykcji) eksperyment szeregów czasowych, który przewiduje wykorzystanie energii elektrycznej dla trzech klientów w przyrostach po 1 godzinie.

Podczas konfigurowania eksperymentu ładuje się przykładowe dane śledzające zużycie energii elektrycznej dla zestawu klientów. Użytkownik wybiera 3 kolumny, które reprezentują zużycie energii elektrycznej przez klienta jako kolumny predykcji, oraz kolumnę datownika, która śledzi użycie w krokach co 1 godzinę. Eksperyment wygeneruje zestaw rurociągów, które wykorzystują algorytmy do przewidywania przyszłego zużycia energii dla tych klientów. Po wygenerowaniu rurociągów, AutoAI porównuje je i testuje, wybiera najlepszych wykonawców i prezentuje je w tablicy liderów, aby można było je przejrzeć.

Obejrzyj ten film wideo, aby wyświetlić podgląd kroków kursu.

Ten film wideo udostępnia metodę wizualną jako alternatywę dla poniższych kroków opisowych w tej dokumentacji.

• transcript
  Synchronizuj transkrypcj z wideo

  Czas	transcript
  00:00	Ten film wideo przedstawia sposób uczenia wielozmiennego eksperymentu szeregów czasowych za pomocą metody AutoAI w sekcji Cloud Pak for Data as a Service(Pak dla danych w chmurze dla danych).
  00:10	Eksperyment szeregów czasowych jest metodą prognozowania, która wykorzystuje obserwacje historyczne do przewidywania przyszłych wartości.
  00:18	Eksperyment automatycznie buduje wiele rurociągów, które zawierają modele uczenia maszynowego, a także modele szeregów czasowych statystycznych, a następnie rekomenduje najlepszy rurociąg zgodnie z wydajnością rurociągu, oceniany na zestawie danych holdout lub zestawie danych.
  00:35	W przeciwieństwie do standardowego eksperymentu AutoAI , który buduje zestaw rurociągów do ukończenia, a następnie szereguje je, eksperyment szeregów czasowych ocenia rurociągi wcześniej w procesie i wykonuje tylko i testuje najlepiej wykonujące się rurociągi.
  00:51	Przykładowy zestaw danych używany w tym filmie jest dostępny w Galerii.
  00:56	Zawiera on zapisy dotyczące zużycia energii elektrycznej przez klientów, mierzone w krokach co godzinę lub przyrostach.
  01:03	Przykładowe dane są ustrukturyzowane w wierszach i kolumnach i zapisywane jako plik .CSV.
  01:09	Każda kolumna, inna niż kolumna "znacznik_czasu", reprezentuje zużycie energii elektrycznej dla konkretnego klienta.
  01:16	Ten zestaw danych służy do przewidywania zużycia energii elektrycznej dla trzech klientów w przyrostach jednogodzinnych.
  01:23	Należy więc dodać ten zestaw danych do projektu.
  01:28	Podczas wyświetlania projektu zostanie wyświetlony zestaw danych wymieniony na karcie "Zasoby".
  01:35	Teraz można dodać do projektu nowy eksperyment AutoAI .
  01:41	Podaj nazwę i opis eksperymentu, a następnie wybierz instancję Watson Machine Learning , która ma być używana.
  01:49	Następnie utwórz eksperyment.
  01:53	Po pierwsze, należy dodać zestaw danych z projektu do eksperymentu.
  02:00	Następnie wybierz opcję "Tak", aby utworzyć prognozę szeregów czasowych.
  02:05	W tym przypadku należy wybrać wszystkie trzy kolumny, aby były kolumnami predykcji.
  02:11	Format daty/godziny jest następujący: "datownik".
  02:16	Okno prognozy reprezentuje liczbę kroków, które zostaną zwrócone dla każdej kolumny predykcji podczas oceniania.
  02:23	Teraz skonfiguruj ustawienia eksperymentu.
  02:27	W panelu "Data source settings" (Ustawienia źródła danych) określ wielkość wstrzymania (20).
  02:32	Określa to, że 20 kroków lub wiersze danych uczących zostaną użyte do testowania wydajności eksperymentu i automatycznie ustawia długość sprawdzania poprawności na 20 na karcie szeregów czasowych.
  02:47	Teraz zapisz ustawienia i uruchom eksperyment.
  02:54	Jako pociągi eksperyment, wizualizacja pokazuje transformacje używane do tworzenia rurociągów i wybrać zwycięskie rurociągi dla liderów.
  03:06	Po zakończeniu szkolenia można wyświetlić listę potoków uporządkowane według wyników sprawdzania poprawności, wynik holdout lub wynik z wynikiem backtest.
  03:17	Przewiń w dół, aby zobaczyć najlepsze trzy najlepsze wykonanie rurociągów są zapisywane do tablicy.
  03:23	Można również przejrzeć usunięte rurociągi.
  03:27	Wybierz potok, aby przejrzeć szczegóły.
  03:31	Na panelu "Informacje o modelu" umieść wskaźnik myszy nad każdym z parametrów dla opisu.
  03:38	Na panelu "Ocena modelu" można zobaczyć, w jaki sposób model jest wykonywany dla różnych kolumn predykcji.
  03:46	W panelu "Predykacja w czasie" zobaczysz porównanie wartości rzeczywistych i przewidywanych.
  03:52	Można również skupić się na każdym określonym okresie backtest lub holdout.
  03:58	Na panelu "Wydajność Backtest" wyświetlane są miary określone w określonych okresach backtest i holdout w celu sprawdzenia, czy oszacowany model może zapewnić stabilne predykcje dla danych historycznych dla każdej z różnych przewidywanych kolumn.
  04:13	Po zapoznaniu się z rurociągami można zapisać potok jako model, który można wdrożyć i użyć w celu wygenerowania predykcji dla nowych danych.
  04:22	Wystarczy zaakceptować wartości domyślne i utworzyć model.
  04:26	Następnie wyświetl model.
  04:31	Na karcie Przegląd wyświetlany jest schemat wejściowy.
  04:34	Aby wdrożyć model, należy awansować go do miejsca wdrożenia.
  04:39	Wybierz miejsce wdrożenia z listy i kliknij opcję "Awansuj".
  04:45	Użyj odsyłacza, aby przejść do obszaru wdrażania.
  04:50	Oto model, który właśnie został utworzony, który może być teraz wdrażany.
  04:56	W tym przypadku będzie to wdrożenie on-line.
  05:00	Wystarczy podać nazwę wdrożenia i kliknąć opcję "Utwórz".
  05:07	Następnie należy poczekać, aż model zostanie wdrożony.
  05:11	Po zakończeniu wdrażania modelu wyświetl wdrożenie.
  05:16	Do tej pory proces wdrażania modelu szeregów czasowych wygląda podobnie do procesu wdrażania dla modelu klasyfikacji lub regresji.
  05:25	Jednak ze względu na sposób, w jaki predykcje są ustrukturyzowane i generowane w modelu szeregów czasowych, dane wejściowe muszą być zgodne ze strukturą modelu.
  05:34	Na przykład sposób struktury ładunku zależy od tego, czy przewidywania pojedynczego wyniku (jednej zmiennej) lub wielu wyników (wielowarianty) są predykcyjne.
  05:44	Ponieważ jest to wielozmienny model szeregów czasowych, istnieje wiele kolumn predykcji.
  05:50	Oznacza to, że konieczne będzie dołączenie wartości dla każdego z nich w żądaniu oceniania.
  05:55	Na karcie Test (Test) można wprowadzić dane wejściowe ręcznie lub wkleić dane w formacie JSON i kliknąć przycisk "Predict" (Wydymianie).
  06:08	Wyniki przedstawiają przewidywane zużycie energii elektrycznej dla trzech określonych klientów.
  06:14	Podczas konfigurowania eksperymentu należy pamiętać, że podczas konfigurowania eksperymentu wybrano "1" dla okna prognozy, co oznacza liczbę kroków, które mają zostać zwrócone dla każdej kolumny predykcji podczas oceniania.
  06:25	W tym przypadku przewidywane zużycie energii elektrycznej jest na najbliższą godzinę.
  06:29	Jeśli dla okna prognozy wprowadzono wartość "2", przewidywane użycie będzie widoczne dla następnych dwóch godzin itd.
  06:38	Więcej filmów wideo można znaleźć w dokumentacji Cloud Pak for Data as a Service .

Przegląd zestawu danych

Zestaw danych Elektryczne_godzinowo opisuje zużycie energii elektrycznej dla klientów, które są mierzone w krokach co 1 godziny lub przyrostów. Szczegółowe informacje na temat zestawu danych są opisane tutaj:

• Każda kolumna, inna niż kolumna datownika, reprezentuje zużycie energii elektrycznej dla konkretnego klienta.

• Galeria pokazuje pochodzenie danych. Przed pobraniem można wyświetlić podgląd pliku.

• Przykładowe dane są ustrukturyzowane w wierszach i kolumnach, a następnie zapisywane jako plik .csv.

Przegląd zadań

W tym kursie użytkownik śledzi kroki, aby utworzyć wielozmienny eksperyment szeregów czasowych:

1. Utwórz projekt Watson Studio
2. Tworzenie eksperymentu AutoAI
3. Skonfiguruj eksperyment

4. Przejrzyj wyniki eksperymentu

5. Wdróż przeszkolony model

6. Testowanie wdrożonego modelu

Tworzenie projektu Watson Studio

Wykonaj poniższe kroki, aby pobrać zestaw danych Electricity_hourly.csv z Watson Studio Galeria i utworzyć pusty projekt:

1. Na głównym panelu nawigacyjnym kliknij opcję Galeria , a następnie pobierz lokalną kopię zestawu danych Electricity_Hourly.csv .

2. W głównym panelu nawigacyjnym kliknij opcję Projekty > Wyświetl wszystkie projekty, a następnie kliknij opcję "Nowy projekt".
   a. Kliknij opcję "Utwórz pusty projekt".
   b. Wprowadź nazwę i opcjonalny opis projektu.
   c. Kliknij makro Create.

Tworzenie eksperymentu AutoAI

Aby utworzyć eksperyment AutoAI i dodać przykładowe dane do eksperymentu, wykonaj następujące kroki:

1. Otwórz projekt i przejdź do karty Zasoby .
2. Kliknij opcję Nowy zasób aplikacyjny i wybierz opcję AutoAI.
3. Podaj nazwę i opcjonalny opis eksperymentu.
4. Wybierz opcję Powiąż instancję usługi Machine Learning , aby utworzyć nową instancję usługi lub powiązać istniejącą instancję z projektem. Kliknij przycisk Przeładuj , aby potwierdzić konfigurację.
5. Kliknij makro Create.
6. Aby dodać przykładowe dane, wybierz jedną z następujących opcji:
   
   • Jeśli plik został pobrany lokalnie, należy przesłać plik danych uczących Electricity_Hourly.csv , klikając przycisk Przeglądaj , a następnie podążając za zachętą.
     
   • Jeśli plik został już przesłany do projektu, kliknij opcję Wybierz z projektu, a następnie wybierz opcję Zasób danych , a następnie wybierz opcję Electricity_Hourly.csv.

Konfiguruj eksperyment

Aby skonfigurować wielozmienny eksperyment szeregów czasowych AutoAI , należy wykonać następujące czynności:

1. Kliknij przycisk Tak , aby wybrać opcję utworzenia prognozy szeregów czasowych.
2. Wybierz jako kolumny predykcji: MT_002, MT_004, MT_007

3. Wybierz kolumnę daty/godziny: timestamp.

   

4. Kliknij opcję Ustawienia eksperymentu , aby skonfigurować eksperyment:
   a. Na stronie Źródło danych wybierz opcję szeregi czasowe.
   b. Na potrzeby tego kursu zaakceptuj wartość domyślną, aby określić Liczba wywołań(4), Długość mapy(0 kroków) i Długość Holdout (20 kroków).
   Uwaga: Długość sprawdzania poprawności jest zmieniana w przypadku zmiany wartości dowolnego z parametrów: Number of backtests(Liczba wywołań), Gap length(długość gap) lub Holdout length(długość wstrzymania).
   c. Kliknij przycisk Anuluj , aby wyjść z ustawień Eksperyment.

   

5. Kliknij opcję Uruchom eksperyment , aby rozpocząć szkolenie.

Przejrzyj wyniki eksperymentu

Wykonanie eksperymentu trwa kilka minut. Jako pociągi eksperymentu wizualizacja przedstawia transformacje, które są używane do tworzenia rurociągów. Wykonaj poniższe kroki, aby przejrzeć wyniki eksperymentu i zapisać rurociąg przy użyciu najlepszej wydajności.

1. Opcjonalnie: Umieść kursor myszy nad dowolnym węzłem w wizualizacji, aby uzyskać szczegółowe informacje na temat transformacji dla konkretnego potoku.

   

2. Opcjonalnie: Po tym, jak potoki są wyświetlane na tablicy liderów, kliknij opcję Porównanie potoku , aby sprawdzić, w jaki sposób różnią się od siebie. Na przykład:

   

3. Opcjonalnie: Po zakończeniu szkolenia najlepsze trzy potokiny wykonujące najlepsze wyniki są zapisywane na tablicy liderów. Kliknij opcję Wyświetl odrzucone potokiny , aby przejrzeć rurociągi o najmniejszym wydajności.

   

4. Wybierz potok z rangą 1 i kliknij przycisk Zapisz jako , aby utworzyć model. Następnie wybierz opcję Utwórz. Spowoduje to zapisanie potoku w sekcji Modele na karcie Zasoby aplikacyjne .

Wdróż wyszkolony model

Zanim będzie można użyć wyszkolonego modelu do tworzenia predykcji dla nowych danych, należy wdrożyć model. Aby awansować wyszkolony model do miejsca wdrożenia, należy wykonać następujące kroki:

1. Model można wdrożyć na stronie szczegółów modelu. Aby uzyskać dostęp do strony szczegółów modelu, należy wybrać jedną z następujących opcji:
   • Kliknij nazwę modelu w powiadomieniu, które jest wyświetlane podczas zapisywania modelu.
   • Otwórz stronę Zasoby dla projektu zawierającego model, a następnie kliknij nazwę modelu w sekcji Model Machine Learning (Nazwa modelu).
2. Wybierz opcję Awansuj do obszaru wdrażania, a następnie wybierz lub utwórz miejsce wdrożenia, w którym zostanie wdrożony model.
   Opcjonalnie: Wykonaj następujące kroki, aby utworzyć obszar wdrażania:
   a. Z listy Miejsce docelowe wybierz opcję Utwórz nowy obszar wdrażania.
   b. Wprowadź nazwę obszaru wdrażania.
   c. Aby powiązać instancję uczenia maszynowego, przejdź do sekcji Wybierz usługę uczenia maszynowego (opcjonalnie) , a następnie wybierz z listy instancję uczenia maszynowego.
   d. Wybierz opcję Utwórz.
   
3. Po wybraniu lub utworzeniu obszaru kliknij opcję Awansuj.
4. Kliknij odsyłacz obszaru wdrażania od powiadomienia.
5. Na karcie Zasoby w obszarze wdrażania: a. Umieść wskaźnik myszy nad nazwą modelu, a następnie kliknij ikonę wdrażania . b. Na stronie, która zostanie otwarta, wypełniaj pola:
   • Podaj nazwę wdrożenia.
   • Wybierz opcję "Tryb z połączeniem" jako Typ wdrożenia.
   • Kliknij makro Create.

Po zakończeniu wdrażania kliknij opcję Deployments (Wdrożenia), a następnie wybierz nazwę wdrożenia, aby wyświetlić stronę szczegółów.

Testowanie wdrożonego modelu

Aby przetestować wdrożony model na stronie szczegółów wdrożenia, wykonaj następujące kroki:

1. Na karcie Test na stronie szczegółów wdrożenia wprowadź następujące dane testowe JSON, klikając ikonę terminalu , aby udostępnić dane wejściowe jako dane JSON.

   
   {"input_data":[{ 
   
         "fields": ["MT_002", "MT_004", "MT_007"], 
   
         "values": [[92.46088193, 451.2195122, 15.26286037], 
   
   [79.65860597, 416.6666667, 12.43640475]] 
   
   }]}
   

   Uwaga: Dane testowe replikują pola danych dla modelu, z wyjątkiem pola predykcji.

2. Kliknij opcję Predict. Wynikowa predykcja wskazuje użycie energii elektrycznej dla trzech kolumn.

Następne kroki Kurs: AutoAI obsługa funkcji eksperymentu szeregów czasowych

Temat nadrzędny: Budowanie eksperymentu szeregów czasowych