Übersicht über Datasets

Der Datensatz Mini_Daily_Temperatures beschreibt die minimalen Tagestemperaturen über 10 Jahre (1981-1990) in der Stadt Melbourne, Australien. Die Einheiten werden in Grad Celsius angegeben und der Datensatz enthält 3650 Beobachtungen. Die Daten stammen vom Australian Bureau of Meteorology (australisches meteorologisches Institut). Details zum Dataset werden hier beschrieben:

• Sie verwenden die Spalte Min_Temp als Vorhersagespalte zum Erstellen von Pipelines und zum Vorhersagen der zukünftigen Tagestiefsttemperaturen. Vor dem Pipeline-Training werden die Spalte date und die Spalte Min_Temp zusammen verwendet, um das entsprechende Lookback-Fenster zu ermitteln.

• Die Vorhersagespalte prognostiziert eine Vorhersage für die tägliche Mindesttemperatur an einem angegebenen Tag.

• Die Beispieldaten werden in Zeilen und Spalten strukturiert und als CSV-Datei gespeichert.

Aufgabenübersicht

In diesem Lernprogramm führen Sie die folgenden Schritte aus, um ein Experiment für univariate Zeitreihen zu erstellen:

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 den Datensatz „Mini_Daily_Temperatures“ vom Ressourcen-Hub herunterzuladen und ein leeres Projekt zu erstellen:

1. Klicken Sie im Navigationsmenü auf „Ressourcen-Hub“ und laden Sie eine lokale Kopie des Datensatzes „Mini_Daily_Temperatures“ herunter.
2. Klicken Sie im Navigationsmenü auf Projekte > Alle Projekte anzeigen und dann auf Neues Projekt .
   1. Klicken Sie auf Leeres Projekt erstellen.
   2. Geben Sie einen Namen und optional eine Beschreibung für Ihr Projekt ein.
   3. Klicken Sie auf Erstellen.

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 an und wählen dann Erstellenaus.

3. Wählen Sie Machine Learning -Serviceinstanz zuordnen aus, wenn Sie eine neue Serviceinstanz erstellen oder Ihrem Projekt eine vorhandene Instanz zuordnen möchten. Klicken Sie auf Erneut laden, um Ihre Konfiguration zu bestätigen.

4. Klicken Sie auf Erstellen.

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

   • Wenn Sie Ihre Datei lokal heruntergeladen haben, laden Sie die Trainingsdatendatei Daily_Min_Temperatures.csvhoch, 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 dann die Registerkarte Datenasset aus und wählen Daily_Min_Temperatures.csvaus.

Experiment konfigurieren

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

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

2. Wählen Sie Min_Temp als Vorhersagespalten aus.

3. Wählen Sie Date als Datums-/Uhrzeitspalte.

   

4. Klicken Sie auf Experimenteinstellungen , um das Experiment zu konfigurieren:
   

   1. Wählen Sie auf der Seite Datenquelle die Registerkarte Zeitreihe aus.
      

   2. Akzeptieren Sie für dieses Lernprogramm den Standardwert für Number of backtests (4), Gap length (0 Schritte) und Holdout length (20 Schritte).

      Anmerkung: Die Validierungslänge ändert sich, wenn Sie den Wert eines der Parameter ändern: *Anzahl der Rücktests *, *Gap-Länge * oder *Holdout-Länge *.

   c. Klicken Sie auf Abbrechen , um die Experimenteinstellungenzu verlassen.
   

   

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

Experimentergebnisse prüfen

Der Versuch dauert einige Minuten. Während das Experiment trainiert wird, zeigt eine Visualisierung 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 Visualisierung, um Details zur Transformation für eine bestimmte Pipeline abzurufen.

   

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

   

3. (Optional): Nach Abschluss des Trainings werden die drei Pipelines mit der besten Leistung in der Bestenliste gespeichert. Klicken Sie auf Gelöschte Pipelines anzeigen , um Pipelines mit der geringsten Leistung zu überprüfen.

   

4. Wählen Sie die Pipeline mit Rang 1 aus und klicken Sie auf Speichern unter, um Ihr Modell zu erstellen. Wählen Sie anschließend Erstellenaus. Diese Aktion speichert die Pipeline im Abschnitt Modelle auf der Registerkarte "Assets".

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 mit den Modelldetails bereitstellen. Wählen Sie eine der folgenden Methoden aus, um auf die Modelldetailseite 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): Gehen Sie wie folgt vor, um einen Bereitstellungsbereich zu erstellen:
   

   1. Wählen Sie in der Liste Zielbereich den Eintrag Neuen Bereitstellungsbereich erstellenaus.
      

   2. Geben Sie einen Namen für Ihren Bereitstellungsbereich ein.
      

   3. Wechseln Sie zum Zuordnen einer Machine Learning-Instanz zu Machine Learning-Service auswählen (optional) und wählen Sie in der Liste eine Instanz aus.
      

   4. 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. Gehen Sie auf der Registerkarte Assets des Bereitstellungsbereichs wie folgt vor:
   1. Bewegen Sie den Mauszeiger über den Namen des Modells und klicken Sie auf das Bereitstellungssymbol .
   2. Füllen Sie auf der geöffneten Seite die folgenden Felder aus:
      1. Geben Sie einen Namen für die Bereitstellung an.
      2. Wählen Sie Online als Bereitstellungstyp aus.
      3. 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. Klicken Sie auf der Registerkarte „Test“ der Seite mit den Bereitstellungsdetails auf das Terminalsymbol und geben Sie die folgenden JSON-Testdaten ein:

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

   Hinweis: Die Testdaten replizieren die Datenfelder für das Modell mit Ausnahme des Vorhersagefelds.

2. Klicken Sie auf Vorhersagen , um die zukünftige Mindesttemperatur vorherzusagen.

Übergeordnetes Thema: Zeitreihenexperiment erstellen