Présentation de l'ensemble de données

L'ensemble de données Mini_Daily_Temperatures décrit les températures quotidiennes minimales sur 10 ans (1981-1990) dans la ville de Melbourne, en Australie. Les unités sont en degrés celsius et l'ensemble de données contient 3650 observations. La source des données est le bureau australien de météorologie. Les détails relatifs à l'ensemble de données sont décrits ici:

• Vous utiliserez la colonne Min_Temp comme colonne de prévision pour construire des pipelines et prévoir les températures minimales quotidiennes futures. Avant l'entraînement du pipeline, la colonne date et la colonne Min_Temp sont utilisées ensemble pour déterminer la fenêtre de récupération des consultations appropriée.

• La colonne de prévision prévoit une prévision de la température minimale quotidienne pour un jour spécifié.

• L'exemple de données est structuré en lignes et en colonnes et sauvegardé en tant que fichier .csv.

Présentation des tâches

Dans ce tutoriel, vous suivez les étapes suivantes pour créer une expérimentation de série temporelle univariée:

1. Créez d'un projet
2. Créer une expérimentation AutoAI
3. Configurer l'expérimentation
4. Vérifier les résultats de l'expérimentation
5. Déploiement du modèle entraîné
6. Test du modèle déployé

Créer un projet

Suivez ces étapes pour télécharger l'ensemble de données Mini_Daily_Temperatures à partir du centre de ressources et créer un projet vide :

1. Depuis le menu de navigation , cliquez sur Centre de ressources et téléchargez une copie locale de l'ensemble de données Mini_Daily_Temperatures .
2. Dans le menu de navigation , cliquez sur Projets > Afficher tous les projets , puis sur Nouveau projet .
   1. Cliquez sur Créer un projet vide.
   2. Entrez un nom et une description facultative pour votre projet.
   3. Cliquez sur Créer.

Créer une expérimentation AutoAI

Procédez comme suit pour créer une expérimentation AutoAI et ajouter des exemples de données à votre expérimentation:

1. Dans l'onglet Actifs de votre projet, cliquez sur Nouvel actif > Générer automatiquement des modèles d'apprentissage automatique.

2. Indiquez un nom et une description facultative pour votre expérimentation, puis sélectionnez Créer.

3. Sélectionnez Associer une instance de service Machine Learning pour créer une nouvelle instance de service ou associer une instance existante à votre projet. Cliquez sur Recharger pour confirmer votre configuration.

4. Cliquez sur Créer.

5. Pour ajouter les exemples de données, choisissez l'une des méthodes suivantes:
   

   • Si vous avez téléchargé votre fichier localement, téléchargez le fichier de données d'entraînement, Daily_Min_Temperatures.csv, en cliquant sur Parcourir , puis en suivant les invites.
     
   • Si vous avez déjà téléchargé votre fichier dans votre projet, cliquez sur Sélectionner dans le projet, puis sélectionnez l'onglet Actif de données et choisissez Daily_Min_Temperatures.csv.

Configurer l'expérimentation

Pour configurer votre expérimentation de série temporelle AutoAI univariée, procédez comme suit:

1. Cliquez sur Oui pour créer une prévision de séries temporelles.

2. Choisissez comme colonnes de prévision : Min_Temp.

3. Choisissez la colonne date / heure : Date.

   

4. Cliquez sur Paramètres de l'expérimentation pour configurer l'expérimentation:
   

   1. Dans la page Source de données , sélectionnez l'onglet Série temporelle .
      

   2. Pour ce tutoriel, acceptez la valeur par défaut pour Number of backtests (4), Gap length (0 étapes) et Holdout length (20 étapes).

      Remarque: La longueur de la validation change si vous modifiez la valeur de l'un des paramètres: *Nombre d'essais en amont *, *Longueur d'écart * ou *Longueur d'attente *.

   c. Cliquez sur Annuler pour quitter les paramètres de l'expérimentation.
   

   

5. Cliquez sur Exécuter l'expérimentation pour commencer l'entraînement.

Réviser les résultats de l'expérimentation

L'expérience prend plusieurs minutes. Au fur et à mesure que l'expérimentation s'entraîne, une visualisation montre les transformations utilisées pour créer des pipelines. Procédez comme suit pour examiner les résultats d'expérimentation et sauvegarder le pipeline avec les meilleures performances.

1. (Facultatif): surprenez n'importe quel noeud de la visualisation pour obtenir des détails sur la transformation d'un pipeline particulier.

   

2. (Facultatif) Une fois que les pipelines sont répertoriés dans le tableau de classement, cliquez sur Comparaison de pipelines pour voir leur différence. Par exemple :

   

3. (Facultatif) Une fois l'entraînement terminé, les trois pipelines les plus performants sont sauvegardés dans le tableau de classement. Cliquez sur Afficher les pipelines supprimés pour examiner les pipelines les moins performants.

   

4. Sélectionnez le pipeline avec le rang 1 et cliquez sur Enregistrer sous pour créer votre modèle. Sélectionnez ensuite Créer. Cette action sauvegarde le pipeline sous la section Modèles de l'onglet Actifs.

Déploiement du modèle entraîné

Pour pouvoir utiliser votre modèle entraîné afin d'effectuer des prévisions concernant de nouvelles données, vous devez déployer le modèle. Procédez comme suit pour promouvoir votre modèle entraîné dans un espace de déploiement:

1. Vous pouvez déployer le modèle à partir de la page des informations détaillées du modèle. Pour accéder à la page des détails du modèle, choisissez l'une des méthodes suivantes:
   • Cliquez sur le nom du modèle dans la notification qui s'affiche lorsque vous sauvegardez le modèle.
   • Ouvrez la page Actifs du projet qui contient le modèle et cliquez sur le nom du modèle dans la section ModèleMachine Learning .
2. Cliquez sur l'icône Promouvoir vers l'espace de déploiement , puis sélectionnez ou créez un espace de déploiement dans lequel le modèle sera déployé.
   (Facultatif): Pour créer un espace de déploiement, procédez comme suit:
   

   1. Dans la liste Espace cible , sélectionnez Créer un espace de déploiement.
      

   2. Entrez un nom pour votre espace de déploiement.
      

   3. Pour associer une instance d'apprentissage automatique, accédez à Sélectionner un service d'apprentissage automatique (facultatif) et sélectionnez une instance dans la liste.
      

   4. Cliquez sur Créer.
      

3. Après avoir sélectionné ou créé votre espace, cliquez sur Promouvoir.
4. Cliquez sur le lien de l'espace de déploiement à partir de la notification.
5. Dans l'onglet Actifs de l'espace de déploiement :
   1. Passez la souris sur le nom du modèle et cliquez sur l'icône Déployer .
   2. Dans la page qui s'ouvre, renseignez les zones:
      1. Indiquez un nom pour le déploiement.
      2. Sélectionnez En ligne comme Type de déploiement.
      3. Cliquez sur Créer.

Une fois le déploiement terminé, cliquez sur l'onglet Déploiements et sélectionnez le nom du déploiement pour afficher la page des détails.

Test du modèle déployé

Procédez comme suit pour tester le modèle déployé à partir de la page des détails du déploiement:

1. Dans l' onglet Test de la page des détails du déploiement, cliquez sur l'icône du terminal et saisissez les données de test JSON suivantes :

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

   Remarque: Les données de test répliquent les champs de données du modèle, à l'exception du champ de prévision.

2. Cliquez sur Prévoir pour prévoir la température minimale future.

Rubrique parent: Génération d'une expérimentation de série temporelle