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のオブザベーションが含まれる。 データの出典はオーストラリア気象局です。 データセットの詳細はここに記す：

• 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。 パイプライントレーニングの前に、'dateカラムと'Min_Tempカラムを一緒に使用して、適切なルックバックウィンドウを計算する。

• 予測欄は、指定した日の最低気温を予測する。

• サンプルデータは行と列で構成され、.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、以下の手順に従って一変量時系列実験を作成します：

1. プロジェクトの作成
2. AutoAI 実験の作成
3. 実験の設定
4. 実験結果のレビュー
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説明を入力してください。
   3. 「作成」 をクリックします。

AutoAI 実験の作成

以下の手順に従って、AutoAI実験を作成し、サンプルデータを実験に追加してください：

1. プロジェクト内のAssetsタブで、New asset > Build machine learning models automaticalyをlクリックする。

2. 実験の名前と任意の説明を指定し、Create を選択する。

3. Machine Learningサービスインスタンスを関連付ける選択して、新しい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る。 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、以下のメソッドのいずれかを選択する： '
   

   • ファイルをローカルにダウンロードした場合は、「Browse」をクリックし、プロンプトに従ってトレーニングデータファイル「Daily_Min_Temperatures.csv」をアップロードします。
     
   • すでにプロジェクトにファイルを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。

実験の設定

以下の手順に従って、単変量AutoAI時系列実験を設定する：

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. 実験設定をクリックして、実験を設定する： '
   

   1. データ・ソース・ページで、時系列タブを選択する。
      

   2. このチュートリアルでは、Number of backtests (バックテスト数) (4ステップ)、Gap length (ギャップ長) (0ステップ)、Holdout length (ホールドアウト長) (20ステップ)のデフォルト値を受け入れます。

      注:パラメータの値を変更すると、検証の長さが変わります： *バックテストの回数*、*ギャップの長さ*、*ホールドアウトの長さ*。

   c. キャンセルをクリックして、実験設定を終了します。
   

   

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

実験結果のレビュー

実験には数分かかる。 実験が訓練されると、パイプラインを作成するために使用される変換が視覚化される。 以下の手順で実験結果を確認し、最もパフォーマンスの良い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トランスフォームの詳細を表示するには、ビジュアライゼーション内の任意のノードにカーソルを合わせます。

   

2. (オプション）：パイプラインがリーダーボードに表示されたら、パイプライン比較をクリックし、パイプラインの違いを確認します。 次に例を示します。

   

3. (オプション）：トレーニングが完了すると、成績上位3つのパイプラインがリーダーボードに保存されます。 View discarded pipelines（破棄されたパイプラインを表示）]をクリックすると、パフ ォーマンスが最も低いパイプラインが表示されます。

   

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」を選択する。 このアクションは、AssetsタブのModelsセクションにパイプラインを保存します。

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。 以下の手順に従って、トレーニング済みのモデルをデプロイメントスペースに昇格させます：

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てください：
   • モデルを保存するときに表示される通知で、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Assetsページを開き、Machine LearningModelセクションのモデル名をクリックする。
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）：配置スペースを作成するには、次の手順に従います：
   

   1. ターゲットスペース]リストから[新しい配置スペースを作成]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）に進み、リストからインスタンスを選択する。
      

   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ら、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、フィールドに記入する：
      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。

配置が完了したら、[配置]タブをクリックして配置名を選択し、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

以下の手順に従って、配置の詳細ページから配置済みモデルをテストしてください：

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くモデルのデータフィールドを複製する。

2. 将来の最低気温を予測するには「予測」をクリックします。

親トピック 時系列実験の構築