Übersicht über Datasets

Für dieses Tutorial verwenden Sie den Beijing PM 2.5 Datensatz aus dem Ressourcen-Hub. Dieses Dataset beschreibt die Wetterbedingungen in Peking von 2010 bis 2014, die in Schritten von 1 Tag oder in Inkrementen gemessen werden. Sie verwenden dieses Dataset, um Ihr AutoAI -Experiment zu konfigurieren und die unterstützenden Features auszuwählen. Details zum Dataset werden hier beschrieben:

• Jede Spalte mit Ausnahme der Datumsspalte stellt eine Wetterbedingung dar, die sich auf den Verschmutzungsindex auswirkt.
• Der Ressourcenhubeintrag zeigt den Ursprung der Daten an. Sie können die Datei voranzeigen, bevor Sie sie herunterladen.
• Die Beispieldaten sind in Zeilen und Spalten strukturiert und als CSV-Datei gespeichert.

Aufgabenübersicht

In diesem Lernprogramm führen Sie die folgenden Schritte aus, um ein multivariates Zeitreihenexperiment zu erstellen, das Unterstützungsfunktionen verwendet:

1. Projekt erstellen
2. AutoAI-Experiment erstellen
3. Experiment konfigurieren
4. Ergebnisse des Experiments überprüfen
5. Trainiertes Modell bereitstellen
6. Bereitgestelltes Modell testen

Projekt erstellen

Befolgen Sie diese Schritte, um ein leeres Projekt zu erstellen und den Beijing PM 2.5 - Datensatz vom IBM watsonx Resource Hub herunterzuladen:

1. Klicken Sie im Hauptnavigationsfenster auf Projekte > Alle Projekte anzeigenund anschließend auf Neues Projekt.
   a. Klicken Sie auf Leeres Projekt erstellen.
   b. Geben Sie einen Namen und optional eine Beschreibung für Ihr Projekt ein.
   c. Klicken Sie auf Erstellen.
2. Klicken Sie im Hauptnavigationsbereich auf „Ressourcen-Hub“ und laden Sie eine lokale Kopie des Beijing PM 2.5 Datensatzes herunter.

AutoAI-Experiment erstellen

Führen Sie die folgenden Schritte aus, um ein AutoAI -Experiment zu erstellen und Ihrem Experiment Beispieldaten hinzuzufügen:

1. Klicken Sie in Ihrem Projekt auf der Registerkarte Assets auf Neues Asset > Modelle für maschinelles Lernen automatisch erstellen.

2. Geben Sie einen Namen und optional eine Beschreibung für Ihr Experiment ein.

3. Ordnen Sie Ihrem Experiment eine Machine Learning-Serviceinstanz zu.

4. Wählen Sie eine Umgebungsdefinition von 8 vCPU und 32 GB RAM aus.

5. Klicken Sie auf Erstellen.

6. Wählen Sie eine der folgenden Methoden aus, um Beispieldaten hinzuzufügen:

   • Wenn Sie Ihre Datei lokal heruntergeladen haben, laden Sie die Trainingsdatendatei PM25.csv hoch, indem Sie auf Durchsuchen klicken und dann den Eingabeaufforderungen folgen.
   • Wenn Sie Ihre Datei bereits in Ihr Projekt hochgeladen haben, klicken Sie auf Aus Projekt auswählen, wählen Sie dann die Registerkarte Datenasset aus und wählen Sie Beijing PM 25.csvaus.

Experiment konfigurieren

Führen Sie die folgenden Schritte aus, um Ihr multivariates AutoAI -Zeitreihenexperiment zu konfigurieren:

1. Klicken Sie bei der Option zum Erstellen einer Zeitreihenvorhersage auf Ja.

2. Als Vorhersagespalten auswählen: pollution, temp.

3. Wählen Sie date als Datums-/Uhrzeitspalte.

   

4. Klicken Sie auf Experimenteinstellungen , um das Experiment zu konfigurieren:
   a. Akzeptieren Sie auf der Seite Vorhersage die Standardauswahl für einzuschließende Algorithmen. Algorithmen, die die Verwendung unterstützender Funktionen ermöglichen, sind durch ein Häkchen in der Spalte „Unterstützende Funktionen zulassen “ gekennzeichnet.
   
   

   b. Rufen Sie die Seite Datenquelle auf. Für dieses Lernprogramm geben Sie beim Testen zukünftige Werte für die unterstützenden Features an. Zukünftige Werte sind hilfreich, wenn Werte für die unterstützenden Merkmale für den Vorhersagehorizont bekannt sind. Akzeptieren Sie die Standardaktivierung für Leverage future values of support features. Akzeptieren Sie außerdem die Standardauswahl für Spalten, die als unterstützende Funktionen verwendet werden.
   
   c. Klicken Sie auf Abbrechen , um die Experimenteinstellungen zu verlassen.

5. Klicken Sie auf Experiment ausführen, um mit dem Training zu beginnen.

Experimentergebnisse prüfen

Der Versuch dauert einige Minuten. Während das Experiment trainiert, zeigt die Beziehungszuordnung die Transformationen, die zum Erstellen von Pipelines verwendet werden. Führen Sie die folgenden Schritte aus, um die Ergebnisse des Experiments zu überprüfen und die Pipeline mit der besten Leistung zu speichern.

1. Optional: Bewegen Sie den Befehl über einen beliebigen Knoten in der Beziehungszuordnung, um Details zur Transformation für eine bestimmte Pipeline abzurufen.

   

2. Optional: Nachdem die Pipelines in der Bestenliste aufgelistet sind, klicken Sie auf Pipelinevergleich , um zu sehen, wie sie sich unterscheiden. Beispiel:

   

3. Wenn das Training beendet ist, werden die drei Pipelines mit der besten Leistung in der Bestenliste gespeichert. Klicken Sie auf einen beliebigen Pipelinenamen, um Details zu prüfen.

   Hinweis: Pipelines, die Unterstützungsfunktionen verwenden, sind durch die Erweiterung **SUP* * gekennzeichnet.

   

4. Wählen Sie die Pipeline mit Rang 1 aus und klicken Sie auf Speichern unter, um Ihr Modell zu erstellen. Klicken Sie dann auf Erstellen. Mit dieser Aktion wird die Pipeline im Abschnitt Modelle auf der Registerkarte Assets gespeichert.

Trainiertes Modell bereitstellen

Sie können das trainierte Modell erst nach seiner Bereitstellung für Vorhersagen für neue Daten verwenden. Führen Sie die folgenden Schritte durch, um Ihr trainiertes Modell in einen Bereitstellungsbereich hochzustufen:

1. Sie können das Modell über die Seite Modelldetails bereitstellen. Wählen Sie eine der folgenden Optionen aus, um auf die Seite Modelldetails zuzugreifen:
   • Klicken Sie auf den Namen des Modells in der Benachrichtigung, die angezeigt wird, wenn Sie das Modell speichern.
   • Öffnen Sie die Seite Assets für das Projekt, das das Modell enthält, und klicken Sie im Abschnitt Machine Learning Model auf den Namen des Modells.
2. Klicken Sie auf das Symbol „ In Bereitstellungsbereich befördern“ und wählen Sie anschließend einen Bereitstellungsbereich aus oder erstellen Sie einen, in dem das Modell bereitgestellt wird.
   Optional: Führen Sie die folgenden Schritte aus, um einen Bereitstellungsbereich zu erstellen:
   a Wählen Sie in der Liste "Zielbereich" die Option Neuen Bereitstellungsbereich erstellenaus.
   b. Geben Sie einen Namen für Ihren Bereitstellungsbereich ein.
   c. Um eine Machine Learning-Instanz zuzuordnen, wechseln Sie zu Machine Learning-Service auswählen (optional) und wählen Sie in der Liste eine Machine Learning-Instanz aus.
   d. Klicken Sie auf Erstellen.
   
3. Nachdem Sie Ihren Bereich ausgewählt oder erstellt haben, klicken Sie auf Hochstufen.
4. Klicken Sie in der Benachrichtigung auf den Link für den Bereitstellungsbereich.
5. Auf der Registerkarte Assets des Bereitstellungsbereichs:
   a. Bewegen Sie den Mauszeiger über den Namen des Modells und klicken Sie auf das Bereitstellungssymbol .
   b. Füllen Sie auf der geöffneten Seite die folgenden Felder aus:
   -Wählen Sie Online als Implementierungstyp aus.
   -Geben Sie einen Namen für die Implementierung an.
   -Klicken Sie auf Erstellen.
   

Klicken Sie nach Abschluss der Bereitstellung auf die Registerkarte Implementierungen und wählen Sie den Implementierungsnamen aus, um die Detailseite anzuzeigen.

Bereitgestelltes Modell testen

Gehen Sie wie folgt vor, um das bereitgestellte Modell auf der Seite mit den Bereitstellungsdetails zu testen:

1. Wechseln Sie auf der Registerkarte Test der Seite mit den Bereitstellungsdetails zum Arbeitsblatt Neue Beobachtungen (optional) und geben Sie die folgenden Werte ein:
   Verschmutzung (doppelt): 80.417
   temp (doppelt): -5.5
   taw (double): -7.083
   press (double): 1020.667
   wnd_spd (double): 9.518
   snow (double): 0
   regen (doppelt) 0
   

   
   

2. Um zukünftige Werte der unterstützenden Features hinzuzufügen, wechseln Sie zum Arbeitsblatt Zukünftige exogene Features (optional) und geben Sie die folgenden Werte ein:
   Taupunkt (double): -12.667
   press (double): 1023.708
   wnd_spd (double): 9.518
   snow (double): 0
   rain (double) 0.042
   

   Hinweis: Sie müssen dieselbe Anzahl von Werten für zukünftige exogene Merkmale wie den Vorhersagehorizont angeben, den Sie während der Experimentkonfigurationsphase festgelegt haben.

   
   

3. Klicken Sie auf Vorhersage. Die resultierende Vorhersage gibt Werte für Verschmutzung und Temperatur an.
   

   Hinweis: Die in der Ausgabe angezeigten Vorhersagewerte können abweichen, wenn Sie Ihre Bereitstellung testen.

   
   

Weitere Informationen

Übergeordnetes Thema: Erstellen eines Zeitreihenexperiments