데이터 세트 개요

Mini_Daily_Temperatures 데이터 세트는 호주 멜버른의 10년(1981~1990년) 간 최저 일일 기온을 설명합니다. 단위는 섭씨 온도이며 데이터 세트에는 3650개의 관찰 결과가 포함되어 있습니다. 데이터의 출처는 오스트레일리아 기상청입니다. 데이터 세트에 대한 세부사항은 다음에서 설명합니다.

• Min_Temp 열을 예측 열로 사용하여 파이프라인을 빌드하고 미래의 일별 최소 온도를 예측합니다. 파이프라인 훈련 전에 date 열과 Min_Temp 열을 함께 사용하여 적절한 룩백 창을 파악합니다.

• 예측 열은 지정된 날의 일별 최소 온도에 대한 예측을 예측합니다.

• 샘플 데이터는 행 및 열로 구조화 되어 .csv 파일로 저장됩니다.

태스크 개요

이 학습서에서는 다음 단계에 따라 일변량 시계열 실험을 작성합니다.

1. 프로젝트 작성
2. AutoAI 실험 작성
3. 실험 구성
4. 실험 결과 검토
5. 훈련된 모델 배치
6. 배치된 모델 테스트

프로젝트 작성

리소스 허브 에서 Mini_Daily_Temperatures 데이터 세트를 다운로드하고 빈 프로젝트를 만들려면 다음 단계를 따르세요.

1. 탐색 메뉴 에서 리소스 허브를 클릭하고 Mini_Daily_Temperatures 데이터 세트의 로컬 복사본을 다운로드합니다.
2. 탐색 메뉴 에서 프로젝트 > 모든 프로젝트 보기를 클릭한 다음, 새 프로젝트를 클릭합니다.
   1. 빈 프로젝트 작성을 클릭하십시오.
   2. 프로젝트의 이름 및 선택적 설명을 입력하십시오.
   3. 작성을 클릭하십시오.

AutoAI 실험 작성

AutoAI 실험을 작성하고 실험에 샘플 데이터를 추가하려면 다음 단계를 수행하십시오.

1. 프로젝트 내의 자산 탭에서 새 자산 > 자동으로 기계 학습 모델 빌드를 클릭하십시오.

2. 실험에 대한 이름 및 선택적 설명을 지정한 후 작성을 선택하십시오.

3. Machine Learning 서비스 인스턴스 연관 을 선택하여 새 서비스 인스턴스를 작성하거나 기존 인스턴스를 프로젝트와 연관시키십시오. 구성을 확인하려면 다시 로드를 클릭하십시오.

4. 작성을 클릭하십시오.

5. 샘플 데이터를 추가하려면 다음 방법 중 하나를 선택하십시오.
   

   • 파일을 로컬로 다운로드한 경우 찾아보기 를 클릭한 후 프롬프트에 따라 훈련 데이터 파일 Daily_Min_Temperatures.csv를 업로드하십시오.
     
   • 파일을 이미 프로젝트에 업로드한 경우 프로젝트에서 선택을 클릭한 후 데이터 자산 탭을 선택하고 Daily_Min_Temperatures.csv를 선택하십시오.

실험 구성

다음 단계에 따라 일변량 AutoAI 시계열 실험을 구성하십시오.

1. 시계열 예측을 작성하는 옵션에 대해 Yes를 클릭하십시오.

2. 예측 열로 선택: Min_Temp.

3. 날짜/시간 열로 선택하십시오. Date.

   

4. 실험 설정 을 클릭하여 실험을 구성하십시오.
   

   1. 데이터 소스 페이지에서 시계열 탭을 선택하십시오.
      

   2. 이 학습의 경우 백테스트 수 (4), 갭 길이 (0단계) 및 홀드아웃 길이 (20단계) 에 대한 기본값을 승인하십시오.

      주: 매개변수의 값을 변경하면 유효성 검증 길이가 변경됩니다 (* 백테스트 수 *, * 갭 길이 * 또는 * 홀드아웃 길이 *).

   c. 취소 를 클릭하여 실험 설정을 종료하십시오.
   

   

5. 훈련을 시작하려면 실행 실험을 클릭하십시오.

실험 결과 검토

실험을 완료하는 데 몇 분이 걸립니다. 실험이 훈련되면 파이프라인이 정의 지정됩습니다 이를 작성하는 데 사용되는 변환이 시각화에 표시됩니다. 다음 단계에 따라 실험 결과를 검토하고 최상의 성능으로 파이프라인을 저장하십시오.

1. (선택사항): 특정 파이프라인의 변환에 대한 세부사항을 가져오려면 시각화의 노드 위에 마우스를 놓으십시오.

   

2. (선택사항): 파이프라인이 리더보드에 나열된 후 파이프라인 비교 를 클릭하여 파이프라인의 차이점을 확인하십시오. 예를 들어,

   

3. (선택사항): 훈련이 완료되면 최상위 3개의 최고 성능 파이프라인이 리더보드에 저장됩니다. 성능이 가장 낮은 파이프라인을 검토하려면 버려진 파이프라인 보기 를 클릭하십시오.

   

4. Rank 1을 사용하여 파이프라인을 선택하고 다른 이름으로 저장을 클릭하여 모델을 작성하십시오. 그런 다음 작성을 선택하십시오. 이 조치는 자산 탭의 모델 섹션 아래에 파이프라인을 저장합니다.

훈련된 모델 배치

훈련된 모델을 사용하여 새 데이터에서 예측을 수행하기 전에 모델을 배치해야 합니다. 훈련된 모델을 배치 영역으로 승격시키려면 다음 단계를 수행하십시오.

1. 모델 세부사항 페이지에서 모델을 배치할 수 있습니다. 모델 세부사항 페이지에 액세스하려면 다음 방법 중 하나를 선택하십시오.
   • 모델을 저장할 때 표시되는 알림에서 모델의 이름을 클릭하십시오.
   • 모델을 포함하는 프로젝트의 자산 페이지를 열고 Machine Learning 모델 섹션에서 모델의 이름을 클릭하십시오.
2. 배포 공간 으로 승격 아이콘을 클릭한 다음, 모델이 배포될 배포 공간을 선택하거나 생성합니다.
   (선택사항): 배치 영역을 작성하려면 다음 단계를 수행하십시오.
   

   1. 대상 영역 목록에서 새 배치 영역 작성을 선택하십시오.
      

   2. 배치 공간 이름을 입력하십시오.
      

   3. 기계 학습 인스턴스를 연관시키려면 기계 학습 서비스 선택 (선택사항) 으로 이동하여 목록에서 인스턴스를 선택하십시오.
      

   4. 작성을 클릭하십시오.
      

3. 공간을 선택하거나 작성한 후 승격을 클릭하십시오.
4. 알림에서 배치 공간 링크를 클릭하십시오.
5. 배치 공간의 자산 탭에서 다음을 수행하십시오.
   1. 모델 이름 위에 마우스를 올려놓고 배포 아이콘 을 클릭합니다.
   2. 열리는 페이지에서 필드를 완료하십시오.
      1. 배치의 이름을 지정하십시오.
      2. 배치 유형으로 온라인을 선택하십시오.
      3. 작성을 클릭하십시오.

배치가 완료되면 배치 탭을 클릭하고 배치 이름을 선택하여 세부사항 페이지를 보십시오.

배치된 모델 테스트

배치 세부사항 페이지에서 배치된 모델을 테스트하려면 다음 단계를 수행하십시오.

1. 배포 세부 정보 페이지의 테스트 탭 에서 터미널 아이콘 을 클릭하고 다음 JSON 테스트 데이터를 입력합니다.

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

   참고: 테스트 데이터는 예측 필드를 제외하고 모델의 데이터 필드를 복제합니다.

2. 예측 을 클릭하여 향후 최소 온도를 예측하십시오.

상위 주제: 시계열 실험 빌드