データ・セットの概要

Mini_Daily_Temperaturesデータセットは、オーストラリアのメルボルン市における10年間（1981～1990年）の日最低気温を表している。 単位は摂氏で、データ・セットには 3650 個の観測値が含まれています。 データの出典はオーストラリア気象局です。 ここでは、データ・セットの詳細について説明します。

• Min_Temp 列を予測列として使用して、パイプラインを作成し、将来の毎日の最低気温を予測します。 パイプラインのトレーニングの前に、 date 列と Min_Temp 列を一緒に使用して、適切なルックバック・ウィンドウを見つけます。

• 予測列は、指定された日の毎日の最低気温の予測を予測します。

• サンプル・データは、行と列に 構造化 され、.csv ファイルとして保存されます。

タスクの概要

このチュートリアルでは、以下のステップに従って 1 変量の時系列実験を作成します。

1. プロジェクトの作成
2. AutoAI エクスペリメントの作成
3. エクスペリメントの構成
4. 実験結果の確認
5. トレーニングされたモデルのデプロイ
6. デプロイされたモデルのテスト

プロジェクトの作成

以下の手順に従って、リソースハブから Mini_Daily_Temperaturesデータセットをダウンロードし、空のプロジェクトを作成してください：

1. ナビゲーションメニュー'からResource hubをクリックし、Mini_Daily_Temperaturesデータセットのローカルコピーをダウンロードする。
2. ナビゲーションメニュー「」から「Projects」>「View all projects」をクリックし、「New Project」をクリックする。
   1. 空のプロジェクトを作成をクリックしてください。
   2. プロジェクトの名前とオプションの説明を入力します。
   3. 「作成」 をクリックします。

AutoAI エクスペリメントの作成

以下のステップに従って、 AutoAI エクスペリメントを作成し、サンプル・データをエクスペリメントに追加します。

1. プロジェクト内の 資産 タブで、 新規資産 > 機械学習モデルの構築または検索拡張生成の自動取得 をクリックします。

2. エクスペリメントの名前とオプションの説明を指定し、 「作成」を選択します。

3. 「 Machine Learning サービス・インスタンスの関連付け」 を選択して、新規サービス・インスタンスを作成するか、既存のインスタンスをプロジェクトに関連付けます。 再ロード をクリックして、構成を確認します。

4. 「作成」 をクリックします。

5. サンプル・データを追加するには、以下のいずれかの方法を選択します。
   

   • ファイルをローカルにダウンロードした場合は、 「参照」 をクリックしてトレーニング・データ・ファイル Daily_Min_Temperatures.csvをアップロードし、プロンプトに従います。
     
   • 既にファイルをプロジェクトにアップロードしている場合は、 「プロジェクトから選択」をクリックし、 「データ資産」 タブを選択して、 Daily_Min_Temperatures.csvを選択します。

エクスペリメントの構成

以下のステップに従って、1 変量の AutoAI 時系列エクスペリメントを構成します。

1. 時系列予測を作成するオプションの Yes をクリックします。

2. 予測列として選択する: Min_Temp。

3. 日付/時刻列として選択する：Date。

   

4. 「エクスペリメント設定」 をクリックして、エクスペリメントを構成します。
   

   1. 「データ・ソース」 ページで、 「時系列」 タブを選択します。
      

   2. このチュートリアルでは、 「バックテストの数」 (4)、 「ギャップの長さ」 (0 ステップ)、および 「ホールドアウトの長さ」 (20 ステップ) のデフォルト値を受け入れます。

      注: いずれかのパラメーター (*Number of backtests *、*Gap length *、または *Holdout length *) の値を変更すると、妥当性検査の長さが変わります。

   c. 「キャンセル」 をクリックして、 エクスペリメント設定を終了します。
   

   

5. Run experiment をクリックして、トレーニングを開始します。

エクスペリメント結果の確認

テストが完了するまでに数分かかります。 エクスペリメントがトレーニングされると、パイプラインの作成に使用される変換が視覚化に表示されます。 以下のステップに従って、テスト結果を確認し、最良のパフォーマンスでパイプラインを保存します。

1. (オプション): 特定のパイプラインの変換に関する詳細を取得するには、視覚化内の任意のノードの上に移動します。

   

2. (オプション): パイプラインがリーダーボードにリストされたら、 「パイプラインの比較 (Pipeline comparison)」 をクリックして、それらの違いを確認します。 例：

   

3. (オプション): トレーニングが完了すると、パフォーマンスが最も高い上位 3 つのパイプラインがリーダーボードに保存されます。 「破棄されたパイプラインの表示 (View discarded pipelines)」 をクリックして、パフォーマンスが最も低いパイプラインを確認します。

   

4. ランク 1 のパイプラインを選択し、 名前を付けて保存 をクリックしてモデルを作成します。 次に、 「作成」を選択します。 このアクションにより、「資産」タブの 「モデル」 セクションの下にパイプラインが保存されます。

トレーニングされたモデルのデプロイ

トレーニングされたモデルを使用して新規データの予測を行う前に、モデルをデプロイする必要があります。 トレーニング済みモデルをデプロイメント・スペースにプロモートするには、以下の手順を実行します。

1. モデルのデプロイは、モデルの詳細ページから行うことができます。 モデルの詳細ページにアクセスするには、以下のいずれかの方法を選択します。
   • モデルの保存時に表示される通知内のモデルの名前をクリックします。
   • モデルを含むプロジェクトの 「資産」 ページを開き、 Machine Learning 「モデル」 セクションでモデルの名前をクリックします。
2. 配備スペースへのプロモーション「アイコンをクリックし、モデルを配置する配置スペースを選択または作成します。
   (オプション): デプロイメント・スペースを作成するには、以下の手順を実行します。
   

   1. 「ターゲット・スペース」 リストから、 「新規デプロイメント・スペースの作成」を選択します。
      

   2. デプロイメント・スペースの名前を入力します。
      

   3. 機械学習インスタンスを関連付けるには、 「機械学習サービスの選択 (オプション)」 に移動し、リストからインスタンスを選択します。
      

   4. 作成.
      をクリックします。

3. スペースを選択または作成した後、 「プロモート」をクリックします。
4. 通知からデプロイメント・スペースのリンクをクリックしてください。
5. デプロイメント・スペースの「Assets」タブから、以下を実行します：
   1. モデル名の上にカーソルを置き、Deployアイコン'をクリックする。
   2. 開いたページで、以下のフィールドに入力します。
      1. デプロイメントの名前を指定します。
      2. デプロイメント・タイプとして オンライン を選択してください。
      3. 「作成」 をクリックします。

デプロイメントが完了したら、 「デプロイメント」 タブをクリックし、デプロイメント名を選択して詳細ページを表示します。

デプロイされたモデルのテスト

デプロイメントの詳細ページからデプロイ済みモデルをテストするには、以下の手順を実行します。

1. デプロイの詳細ページのTestタブで、ターミナルアイコン「」をクリックし、以下のJSONテストデータを入力します：

   { "input_data": [ {
   
         "fields": [
   
               "Min_Temp"
   
         ],
   
         "values": [
   
               [7], [15]
   
         ]
   
   } ] }
   

   注: テスト・データは、予測フィールドを除き、モデルのデータ・フィールドを複製します。

2. 「予測 (Predict)」 をクリックして、将来の最小温度を予測します。

親トピック: 時系列エクスペリメントの作成