Panoramica del dataset

Il set di dati Mini_Daily_Temperatures descrive le temperature minime giornaliere per 10 anni (1981-1990) nella città di Melbourne, in Australia. Le unità sono in gradi Celsius e il dataset contiene 3650 osservazioni. La fonte dei dati è l'Australian Bureau of Meteorology. I dettagli sul dataset sono descritti di seguito:

• Si utilizzerà la colonna Min_Temp come colonna di previsione per creare pipeline e prevedere le future temperature minime giornaliere. Prima del training della pipeline, la colonna date e la colonna Min_Temp vengono utilizzate insieme per individuare la finestra di retrospettiva appropriata.

• La colonna di previsione prevede una previsione per la temperatura minima giornaliera in un giorno specificato.

• I dati di esempio sono strutturati in righe e colonne e salvati come file .csv.

Panoramica delle attività

In questa esercitazione, si seguono i seguenti passi per creare un esperimento di serie temporali univariate:

1. Crea un progetto
2. Crea un esperimento AutoAI
3. Configurazione dell'esperimento
4. Esamina i risultati dell'esperimento
5. Distribuisci il modello sottoposto a training
6. Verifica il modello distribuito

Crea un progetto

Seguite questi passaggi per scaricare il set di dati Mini_Daily_Temperatures dall'hub delle risorse e creare un progetto vuoto:

1. Dal menu di navigazione ', fare clic su Resource hub e scaricare una copia locale del set di dati Mini_Daily_Temperatures.
2. Dal menu di navigazione ', fare clic su Progetti > Visualizza tutti i progetti, quindi su Nuovo progetto.
   1. Fare clic su Crea un progetto vuoto.
   2. Immettere un nome e una descrizione facoltativa per il progetto.
   3. Fare clic su Crea.

Crea un esperimento AutoAI

Seguire questa procedura per creare un esperimento AutoAI e aggiungere dati di esempio all'esperimento:

1. Nella scheda Asset dall'interno del progetto, fare clic su Nuovo asset> Crea modelli di machine learning automaticamente.

2. Specificare un nome e una descrizione facoltativa per l'esperimento, quindi selezionare Crea.

3. Seleziona Associa un'istanza del servizio Machine Learning per creare una nuova istanza del servizio o associare un'istanza esistente al tuo progetto. Fai clic su Ricarica per confermare la tua configurazione.

4. Fare clic su Crea.

5. Per aggiungere i dati di esempio, scegliere uno dei seguenti metodi:
   

   • Se hai scaricato il tuo file localmente, carica il file dei dati di training, Daily_Min_Temperatures.csv, facendo clic su Sfoglia e seguendo le richieste.
     
   • Se il file è già stato caricato nel proprio progetto, fare clic su Seleziona da progetto, quindi selezionare la scheda Asset dati e scegliere Daily_Min_Temperatures.csv.

Configurare l'esperimento

Seguire questa procedura per configurare l'esperimento di serie temporali AutoAI univariato:

1. Fare clic su Sì per creare una previsione di serie temporali.

2. Scegliere come colonne di previsione: Min_Temp.

3. Scegliere come colonna data/ora: Date.

   

4. Fare clic su Impostazioni esperimento per configurare l'esperimento:
   

   1. Nella pagina Origine dati , selezionare la scheda Serie temporali .
      

   2. Per questa esercitazione, accettare il valore predefinito per Numero di backtest (4), Gap length (0 passi) e Holdout length (20 passi).

      Nota: la lunghezza di convalida cambia se si modifica il valore di uno dei parametri: *Numero di backtest *, *Lunghezza distanza * o *Lunghezza di holdout *.

   c. Fare clic su Annulla per uscire da Impostazioni esperimento.
   

   

5. Fare clic su Esegui esperimento per iniziare l'addestramento.

Esamina i risultati dell'esperimento

L'esperimento richiede diversi minuti per essere completato. Mentre l'esperimento si allena, una visualizzazione mostra le trasformazioni utilizzate per creare le pipeline. Seguire questa procedura per esaminare i risultati dell'esperimento e salvare la pipeline con le migliori prestazioni.

1. (Facoltativo): passa il mouse su qualsiasi nodo nella visualizzazione per ottenere i dettagli sulla trasformazione per una particolare pipeline.

   

2. (Facoltativo): dopo che le pipeline sono elencate nella classifica, fare clic su Confronto pipeline per vedere come differiscono. Ad esempio:

   

3. (Facoltativo): quando l'addestramento viene completato, le prime tre pipeline con le migliori prestazioni vengono salvate nella classifica. Fai clic su Visualizza pipeline scartate per esaminare le pipeline con il minor numero di prestazioni.

   

4. Seleziona la pipeline con la classificazione 1 e fai clic su Salva come per creare il tuo modello. Quindi, selezionare Crea. Questa azione consente di salvare la pipeline nella sezione Modelli nella scheda Asset.

Distribuisci il modello sottoposto a training

Prima di poter utilizzare un modello addestrato per effettuare previsioni sui nuovi dati, è necessario distribuire il modello. Attieniti alla seguente procedura per promuovere il tuo modello preparato a uno spazio di distribuzione:

1. Puoi distribuire il modello dalla pagina dei dettagli del modello. Per accedere alla pagina dei dettagli del modello, scegliere uno dei seguenti metodi:
   • Fare clic sul nome del modello nella notifica visualizzata quando si salva il modello.
   • Aprire la pagina Asset per il progetto che contiene il modello e fare clic sul nome del modello nella sezione Machine Learning Modello .
2. Fare clic sull'icona Promuovi nello spazio di distribuzione ', quindi selezionare o creare uno spazio di distribuzione in cui verrà distribuito il modello.
   (Facoltativo): per creare uno spazio di distribuzione, attenersi alla seguente procedura:
   

   1. Dall'elenco Spazio di destinazione , selezionare Crea un nuovo spazio di distribuzione.
      

   2. Immettere un nome per il proprio spazio di distribuzione.
      

   3. Per associare un'istanza di machine learning, andare a Selezionare il servizio di machine learning (facoltativo) e selezionare un'istanza dall'elenco.
      

   4. Fare clic su Crea
      .

3. Dopo aver selezionato o creato il tuo spazio, fai clic su Promuovi.
4. Fare clic sul link dello spazio di distribuzione dalla notifica.
5. Dalla scheda Asset dello spazio di distribuzione:
   1. Passare il mouse sul nome del modello e fare clic sull'icona Deploy '.
   2. Nella pagina che si apre, completare i campi:
      1. Specificare un nome per la distribuzione.
      2. Selezionare In linea come Tipo di distribuzione.
      3. Fare clic su Crea.

Una volta completata la distribuzione, fare clic sul separatore Distribuzioni e selezionare il nome della distribuzione per visualizzare la pagina dei dettagli.

Verifica il modello distribuito

Seguire questa procedura per verificare il modello distribuito dalla pagina dei dettagli di distribuzione:

1. Nella scheda Test della pagina dei dettagli dell'installazione client, fare clic sull'icona del terminale ' e inserire i seguenti dati di test JSON:

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

   Nota: i dati di test replicano i campi di dati per il modello, tranne il campo di previsione.

2. Fare clic su Previsione per prevedere la temperatura minima futura.

Argomento principale Creazione di un esperimento di serie temporali