0 / 0
Go back to the English version of the documentation
教程: AutoAI 单变量时间序列试验
Last updated: 2024年11月28日
教程: AutoAI 单变量时间序列试验

使用样本数据来训练单变量(单个预测列)时间序列试验,此试验将预测每日最低温度。

设置实验时,将装入跟踪澳大利亚墨尔本市每日最低气温的数据。 该试验将生成一组管道,这些管道使用算法来预测未来的每日最低温度。 生成管道后,AutoAI 将比较和测试这些管道,选择性能最佳的管道,并在排行榜中显示这些管道以供您查看。

数据集概述

Mini_Daily_Temperatures数据集描述了澳大利亚墨尔本市 10 年内(1981-1990 年)的日最低气温。 这些单位以摄氏度为单位,数据集包含 3650 个观测值。 数据源是澳大利亚气象局。 此处描述了有关数据集的详细信息:

每日最小温度电子表格

  • 您将使用 Min_Temp 列作为预测列来构建管道并预测未来的每日最低温度。 在管道训练之前,会将 date 列和 Min_Temp 列一起用于确定相应的回溯窗口。

  • 预测列预测指定日期的每日最低温度预测。

  • 样本数据是 结构化 的行和列,并保存为 .csv 文件。

任务概述

在本教程中,您将遵循以下步骤来创建单变量时间序列试验:

  1. 创建项目
  2. 创建 AutoAI 试验
  3. 配置试验
  4. 复审实验结果
  5. 部署经过训练的模型
  6. 测试已部署的模型

创建项目

按照以下步骤从资源中心下载Mini_Daily_Temperatures数据集,并创建一个空项目:

  1. 从导航菜单 "导航菜单,单击资源中心,下载Mini_Daily_Temperatures数据集的本地副本。
  2. 从导航菜单 "导航菜单,单击项目 > 查看所有项目,然后单击新建项目
    1. 单击 创建空项目
    2. 输入项目的名称和可选描述。
    3. 单击创建

创建 AutoAI 试验

执行以下步骤以创建 AutoAI 试验并向该试验添加样本数据:

  1. 在项目中的 资产 选项卡上,单击 新建资产> 自动构建机器学习模型

  2. 指定试验的名称和可选描述,然后选择 创建

  3. 选择 关联 Machine Learning 服务实例 以创建新的服务实例或将现有实例与项目关联。 单击 重新装入 以确认配置。

  4. 单击创建

  5. 要添加样本数据,请选择下列其中一种方法:

    • 如果在本地下载了文件,请通过单击 浏览 并遵循提示来上载训练数据文件 Daily_Min_Temperatures.csv
    • 如果已将文件上载到项目,请单击 从项目中选择,然后选择 数据资产 选项卡并选择 Daily_Min_Temperatures.csv

配置试验

遵循以下步骤来配置单变量 AutoAI 时间序列试验:

  1. 针对该选项单击以创建时间序列预测。

  2. 选择 Min_Temp 作为预测列。

  3. 选择 Date 作为日期/时间列。

    正在配置试验设置。 "是" 到时间序列预测, "最小临时" 作为预测列, "日期" 作为日期/时间列。

  4. 单击 试验设置 以配置试验:

    1. 在 " 数据源 " 页面中,选择 时间序列 选项卡。

    2. 对于本教程,请接受 backtests Number (4) , Gap length (0 个步骤) 和 Holdout length (20 个步骤) 的缺省值。

      注: 如果更改任何参数的值,那么验证长度会更改: *Number of backtests * , *Gap length * 或 *Holdout length *。

    c. 单击 取消 以退出 试验设置

    "数据源" 页面上的试验设置

  5. 单击运行试验以开始训练。

复审实验结果

实验需要几分钟才能完成。 在实验训练时,可视化会显示用于创建管道的变换。 执行以下步骤以查看试验结果并以最佳性能保存管道。

  1. (可选): 将鼠标悬浮在可视化中的任何节点上,以获取有关特定管道的变换的详细信息。

    试验摘要生成管道

  2. (可选): 在排行榜上列出管道后,单击 管道比较 以查看它们之间的差异。 例如:

    管道比较的度量图表

  3. (可选): 训练完成后,前三个性能最佳的管道将保存到排行榜。 单击 查看废弃的管道 以查看性能最低的管道。

    基于准确性对管道排行榜进行排名

  4. 选择具有排名 1 的管道,然后单击 另存为 以创建模型。 然后,选择 创建。 此操作会将管道保存在 "资产" 选项卡的 模型 部分下。

部署经过训练的模型

要使用经过训练的模型来根据新数据进行预测,必须先部署该模型。 执行以下步骤以将经过训练的模型提升到部署空间:

  1. 可以从模型详细信息页面部署模型。 要访问模型详细信息页面,请选择下列其中一种方法:
    • 在保存模型时显示的通知中单击模型的名称。
    • 打开包含模型的项目的 " 资产 " 页面,然后在 Machine Learning 模型 部分中单击模型的名称。
  2. 单击 "推广到部署空间'alt= "提升到部署空间图标""图标,然后选择或创建部署模型的部署空间。
    (可选): 要创建部署空间,请执行以下步骤:
    1. 目标空间 列表中,选择 创建新的部署空间

    2. 输入部署空间的名称。

    3. 要关联机器学习实例,请转至 选择机器学习服务 (可选) ,然后从列表中选择实例。

    4. 单击创建

  3. 选择或创建空间后,单击 提升
  4. 单击通知中的部署空间链接。
  5. 从部署空间的 "资产" 选项卡:
    1. 将鼠标悬停在模型名称上,然后点击部署图标 "alt= "部署图标"
    2. 在打开的页面中,填写字段:
      1. 指定部署名称。
      2. 选择 联机 作为 部署类型
      3. 单击创建

部署完成后,单击 部署 选项卡,然后选择部署名称以查看详细信息页面。

测试已部署的模型

执行以下步骤以从 "部署详细信息" 页面测试已部署的模型:

  1. 在部署详细信息页面的 "测试 "选项卡上,单击终端图标 "alt= "终端图标"并输入以下 JSON 测试数据:

    { "input_data": [ {
    
          "fields": [
    
                "Min_Temp"
    
          ],
    
          "values": [
    
                [7], [15]
    
          ]
    
    } ] }
    
    注: 测试数据会复制模型的数据字段 (预测字段除外)。
  2. 单击 预测 以预测未来的最低温度。

使用 JSON 代码作为输入数据的已部署模型的测试选项卡

父主题: 构建时间序列试验

Generative AI search and answer
These answers are generated by a large language model in watsonx.ai based on content from the product documentation. Learn more