Antes de empezar

Asegúrese de que dispone de estos servicios:

• serviciowatsonx.ai Studio
• Servicio de Watson Machine Learning

Visión general del conjunto de datos

Para este tutorial, se utiliza el conjunto de datos PM 2.5 de Pekín del Resource hub. Este conjunto de datos describe las condiciones meteorológicas en Beijing de 2010 a 2014, que se miden en pasos de 1 día, o incrementos. Utilice este conjunto de datos para configurar el experimento AutoAI y seleccionar Características de soporte. Aquí se describen los detalles sobre el conjunto de datos:

• Cada columna, distinta de la columna de fecha, representa una condición meteorológica que afecta al índice de contaminación.
• La entrada de concentrador de recursos muestra el origen de los datos. Puede obtener una vista previa del archivo antes de descargarlo.
• Los datos de ejemplo se estructuran en filas y columnas y se guardan como un archivo .CSV.

Visión general de las tareas

En esta guía de aprendizaje, siga los pasos para crear un experimento de serie temporal multivariante que utilice las características de soporte:

1. Crear un proyecto
2. Cree un experimento de AutoAI
3. Configurar el experimento
4. Revisar resultados del experimento
5. Desplegar el modelo formado
6. Probar el modelo desplegado

Crear un proyecto

Siga estos pasos para crear un proyecto vacío y descargar el conjunto de datos Beijing PM 2.5 desde el hub de recursos Cloud Pak for Data as a Service:

1. En el panel de navegación principal, pulse Proyectos > Ver todos los proyectosy, a continuación, pulse Proyecto nuevo.
   a. Pulse Crear un proyecto vacío.
   b. Especifique un nombre y una descripción opcional para el proyecto.
   c. Pulse Crear.
2. En el panel de navegación principal, haga clic en Centro de recursos y descargue una copia local del conjunto de datos de PM 2.5 de Pekín.

Cree un experimento de AutoAI

Siga estos pasos para crear un experimento de AutoAI y añadir datos de ejemplo al experimento:

1. Sobre el Activos pestaña desde dentro de su proyecto, haga clic en Nuevo activo > Cree modelos de aprendizaje automático automáticamente .

2. Especifique un nombre y una descripción opcional para el experimento.

3. Asocie una instancia de servicio de aprendizaje automático con el experimento.

4. Elija una definición de entorno de 8 vCPU y 32 GB de RAM.

5. Pulse Crear.

6. Para añadir datos de ejemplo, elija uno de estos métodos:

   • Si ha descargado el archivo localmente, cargue el archivo de datos de entrenamiento, PM25.csv pulsando Examinar y, a continuación, siguiendo las solicitudes.
   • Si ya ha cargado el archivo en el proyecto, pulse Seleccionar de proyectoy, a continuación, seleccione la pestaña Activo de datos y elija Beijing PM 25.csv.

Configurar el experimento

Siga estos pasos para configurar el experimento multivariante de series temporales de AutoAI :

1. Pulse Sí para ver la opción para crear una previsión de series temporales.

2. Elija como columnas de predicción: pollution, temp.

3. Elija como la columna de fecha/hora: date.

   

4. Pulse Valores de experimento para configurar el experimento:
   a. En la página Predicción , acepte la selección predeterminada para los algoritmos a incluir. Los algoritmos que permiten utilizar funciones de apoyo se indican con una marca de verificación en la columna ' Permite funciones de apoyo' .
   
   

   b. Vaya a la página Origen de datos . Para esta guía de aprendizaje, proporcionará valores futuros de las características de soporte durante las pruebas. Los valores futuros son útiles cuando los valores para las características de soporte se pueden conocer para el horizonte de predicción. Acepte la habilitación predeterminada para Aprovechar los valores futuros de las características de soporte. Además, acepte la selección por defecto para las columnas que se utilizarán como Características de soporte.
   
   c. Pulse Cancelar para salir de los valores de experimento.

5. Pulse Ejecutar experimento para comenzar el entrenamiento.

Revisar resultados del experimento

El experimento tarda varios minutos en completarse. A medida que el experimento se entrena, la correlación de relaciones muestra las transformaciones que se utilizan para crear interconexiones. Siga estos pasos para revisar los resultados del experimento y guardar la interconexión con el mejor rendimiento.

1. Opcional: Pase el encima de cualquier nodo de la correlación de relaciones para obtener detalles sobre la transformación para una interconexión determinada.

   

2. Opcional: una vez que las interconexiones se listan en el marcador, pulse Comparación de interconexiones para ver en qué se diferencian. Por ejemplo:

   

3. Cuando se completa el entrenamiento, las tres interconexiones principales con el mejor rendimiento se guardan en el marcador. Pulse cualquier nombre de conducto para revisar los detalles.

   Nota: Las interconexiones que utilizan características de soporte se indican mediante la mejora **SUP* *.

   

4. Seleccione la interconexión con Rango 1 y pulse Guardar como para crear el modelo. A continuación, pulse Crear. Esta acción guarda la interconexión en la sección Modelos de la pestaña Activos .

Desliegue del modelo entrenado

Para poder utilizar el modelo formado para realizar predicciones sobre los nuevos datos, debe desplegar el modelo. Siga estos pasos para promocionar el modelo entrenado a un espacio de despliegue:

1. Puede desplegar el modelo desde la página detalles del modelo . Para acceder a la página Detalles del modelo , elija una de estas opciones:
   • Pulse el nombre del modelo en la notificación que se muestra al guardar el modelo.
   • Abra la página Activos para el proyecto que contiene el modelo y pulse el nombre del modelo en la sección Modelo de Machine Learning .
2. Haga clic en el icono Promover al espacio de despliegue ' ' y, a continuación, seleccione o cree un espacio de despliegue en el que se desplegará el modelo.
   Opcional: Siga estos pasos para crear un espacio de despliegue:
   a. En la lista Espacio de destino, seleccione Crear un nuevo espacio de despliegue.
   b. Especifique un nombre para el espacio de despliegue.
   c. Para asociar una instancia de aprendizaje automático, vaya a Seleccionar servicio de aprendizaje automático (opcional) y seleccione una instancia de aprendizaje automático en la lista.
   d. Pulse Crear.
   
3. Una vez que haya seleccionado o creado el espacio, pulse Promocionar.
4. Pulse el enlace de espacio de despliegue de la notificación.
5. En la pestaña Activos del espacio de despliegue:
   a. Pase el ratón por encima del nombre del modelo y haga clic en el icono de despliegue " .
   b. En la página que se abre, complete los campos:
   -Seleccione En línea como tipo de despliegue.
   -Especifique un nombre para el despliegue.
   -Pulse Crear.
   

Una vez completado el despliegue, pulse el separador Despliegues y seleccione el nombre de despliegue para ver la página de detalles.

Probar el modelo desplegado

Siga estos pasos para probar el modelo desplegado desde la página de detalles de despliegue:

1. En el separador Probar de la página de detalles de despliegue, vaya a la hoja de cálculo Nuevas observaciones (opcional) y especifique los valores siguientes:
   contaminación (doble): 80.417
   temp (doble): -5.5
   dew (double): -7.083
   pulse (double): 1020.667
   wnd_spd (double): 9.518
   snow (double): 0
   lluvia (doble): 0
   

   
   

2. Para añadir valores futuros de características de soporte, vaya a la hoja de cálculo Características exógenas futuras (opcional) y especifique los valores siguientes:
   dew (double): -12.667
   press (double): 1023.708
   wnd_spd (double): 9.518
   snow (double): 0
   rain (double): 0.042
   

   Nota: Debe proporcionar el mismo número de valores para futuras características exógenas que el horizonte de predicción que ha establecido durante la etapa de configuración del experimento.

   
   

3. Pulse Pronosticar. La predicción resultante indica valores de contaminación y temperatura.
   

   Nota: Los valores de predicción que se muestran en la salida pueden diferir al probar el despliegue.

   
   

Más información

Tema principal: Creación de un experimento de series temporales