0 / 0
Go back to the English version of the documentation
Kurs AutoAI : Zbuduj binarny model klasyfikacji
Last updated: 18 sie 2023
Kurs AutoAI : Zbuduj binarny model klasyfikacji

Ten kurs prowadzi użytkownika przez szkolenie modelu do przewidywania, czy klient może kupić namiot ze sklepu ze sprzętem zewnętrznym.

Utwórz eksperyment AutoAI w celu zbudowania modelu, który analizuje dane i wybiera najlepszy typ modelu i algorytmy do tworzenia, uczenia i optymalizowania rurociągów. Po przejrzenia rurociągów, zapisz go jako model, wdróż go, a następnie przetestuj, aby uzyskać predykcję.

Obejrzyj ten film wideo, aby zobaczyć podgląd kroków w tym kursie.

Zastrzeżenie wideo: Niektóre drobne kroki i elementy graficzne w tym filmie wideo mogą się różnić od używanej platformy.

Ten film wideo udostępnia metodę wizualną, która umożliwia poznanie pojęć i zadań w tej dokumentacji.

  • Zapis wideo
    Czas Transkrypcja
    00:00 W tym filmie wideo można zobaczyć, jak zbudować binarny model klasyfikacji, który ocenia prawdopodobieństwo, że klient firmy z zewnątrz kupi namiot.
    00:11 W tym filmie wideo używany jest zestaw danych o nazwie "GoSales", który znajdziesz w galerii.
    00:16 Wyświetl zestaw danych.
    00:20 Kolumny opcji to: "GENDER", "AGE", "MARITAL_STATUS" i "ZAWODU" i zawierają atrybuty, dla których model uczenia maszynowego będzie przewidywać predykcje podstawowe.
    00:31 Kolumny etykiet to "IS_TENT", "PRODUCT_LINE" i "PURCHASE_AMOUNT" i zawierają wyniki historyczne, które mogą zostać przeszkolone przez modele w celu przewidywania.
    00:44 Dodaj ten zestaw danych do projektu "Machine Learning", a następnie przejdź do projektu.
    00:56 Plik GoSales.csv z innymi zasobami danych znajduje się w pliku .csv.
    01:02 Dodaj do projektu eksperyment "AutoAI ".
    01:08 W tym projekcie jest już powiązana usługa Watson Machine Learning .
    01:13 Jeśli jeszcze tego nie zrobiono, obejrzyj film pokazujący, jak uruchomić eksperyment AutoAI w oparciu o przykład.
    01:22 Wystarczy podać nazwę dla eksperymentu, a następnie kliknąć przycisk "Utwórz".
    01:30 Zostanie wyświetlony program budujący eksperymenty AutoAI .
    01:33 Najpierw musisz załadować dane treningowe.
    01:36 W takim przypadku zestaw danych będzie miał miejsce z projektu.
    01:40 Wybierz z listy plik .csv GoSales.
    01:45 AutoAI odczytuje zestaw danych i wyświetla listę kolumn znajdujących się w zestawie danych.
    01:50 Ponieważ model ma przewidywać prawdopodobieństwo zakupu namiotu przez danego klienta, należy wybrać opcję "IS_TENT" jako kolumnę do przewidzenia.
    01:59 Teraz edytuj ustawienia eksperymentu.
    02:03 Najpierw należy spojrzeć na ustawienia źródła danych.
    02:06 Jeśli istnieje duży zestaw danych, można uruchomić eksperyment na podpróbce wierszy, a także określić, ile danych będzie wykorzystywanych do szkolenia oraz ile będzie można ich użyć do oceny.
    02:19 Domyślnie jest to podział na poziomie 90% /10%, gdzie 10% danych jest zarezerwowanych do oceny.
    02:27 Można również wybrać kolumny z zestawu danych, które mają być uwzględniane podczas wykonywania eksperymentu.
    02:35 W panelu "Predykcja" można wybrać typ predykcji.
    02:39 W tym przypadku AutoAI przeanalizował dane i ustał, że kolumna "IS_TENT" zawiera prawdziwe informacje, które nadają się do modelu "klasyfikacji binarnej".
    02:52 Klasa dodatnia ma wartość "PRAWDA", a rekomendowana metryka to "Dokładność".
    03:01 Jeśli chcesz, możesz wybrać konkretne algorytmy do rozważenia dla tego eksperymentu oraz liczbę najlepszych algorytmów dla AutoAI do przetestowania, która określa liczbę wygenerowanych rurociągów.
    03:16 Na panelu "Środowisko wykonawcze" można przejrzeć inne szczegóły dotyczące eksperymentu.
    03:21 W tym przypadku akceptowanie ustawień domyślnych sprawia, że jest to najbardziej sensowne.
    03:25 Teraz uruchom eksperyment.
    03:28 AutoAI najpierw ładuje zestaw danych, a następnie rozprzestrzenia dane do danych uczących i danych holdout.
    03:37 Następnie należy poczekać, jak "Pipeline leaderboard" wypełnia się, aby pokazać generowane rurociągi przy użyciu różnych estymatorów, takich jak klasyfikator XGBoost, lub udoskonalenia, takie jak optymalizacja hiperparametrów i inżynierii fabularnej, z rurociągami w rankingu na podstawie pomiaru dokładności.
    03:58 Optymalizacja hiperparametrów to mechanizm automatycznego eksplorowania przestrzeni wyszukiwania dla potencjalnych hiperparametrów, budowania serii modeli i porównywania modeli z wykorzystaniem metryk zainteresowań.
    04:10 Inżynieria składników próbuje transformować dane surowe w kombinację funkcji, które najlepiej odzwierciedlają problem, aby osiągnąć najdokładniejszą predykcję.
    04:21 W porządku, bieg zakończył się.
    04:24 Domyślnie zostanie wyświetlona "Mapa relacji".
    04:28 Można jednak zamieniać widoki, aby zobaczyć "Mapę postępu".
    04:32 Możesz chcieć zacząć od porównywania rurociągów.
    04:36 Ten wykres udostępnia wielkości mierzone dla ośmiu rurociągów, które są przeglądane przez wynik walidacji krzyżowej lub wynik holdout.
    04:46 Na podstawie innych wielkości mierzonych, takich jak średnia precyzja, można wyświetlić ranking potoków.
    04:55 Na karcie "Podsumowanie eksperymentu" rozwiń potok, aby wyświetlić miary ewaluacji modelu i krzywą ROC.
    05:03 Podczas szkolenia AutoAI zestaw danych jest podzielony na dwie części: dane treningowe i dane wyholowania.
    05:11 Dane uczących są wykorzystywane przez etapy szkolenia AutoAI do generowania modeli rurociągów, a wyniki walidacji krzyżowej są wykorzystywane do ich oceny.
    05:21 Po szkoleniu dane holdout są wykorzystywane do tworzenia wynikowego modelu rurociągu i obliczania informacji o wydajności, takich jak krzywe ROC i matryce pomieszania.
    05:33 Można wyświetlić pojedynczy potok, aby wyświetlić więcej szczegółów oprócz macierzy pomieszania, krzywej przywracania dokładności, informacji o modelu i istotności dla funkcji.
    05:46 Ten potok miał najwyższy ranking, dzięki czemu można zapisać go jako model uczenia maszynowego.
    05:52 Wystarczy zaakceptować wartości domyślne i zapisać model.
    05:56 Teraz, gdy model został przeszkolony, jesteś gotowy do wyświetlenia modelu i wdrożenia go.
    06:04 Na karcie Przegląd wyświetlane jest podsumowanie modelu i schemat wejściowy.
    06:09 Aby wdrożyć model, należy go awansować do miejsca wdrożenia.
    06:15 Wybierz miejsce wdrożenia z listy, dodaj opis modelu i kliknij opcję "Awansuj".
    06:24 Użyj odsyłacza, aby przejść do obszaru wdrażania.
    06:28 Oto model, który właśnie został utworzony, który można teraz wdrożyć.
    06:33 W tym przypadku będzie to wdrożenie on-line.
    06:37 Wystarczy podać nazwę wdrożenia i kliknąć opcję "Utwórz".
    06:41 Następnie należy poczekać, aż model zostanie wdrożony.
    06:44 Po zakończeniu wdrażania modelu wyświetl wdrożenie.
    06:49 Na karcie "Odwołanie do interfejsu API" można znaleźć punkt końcowy oceniania dla przyszłych odwołań.
    06:56 Można również znaleźć fragmenty kodu dla różnych języków programowania, aby wykorzystać to wdrożenie z poziomu aplikacji.
    07:05 Na karcie "Test" można przetestować predykcję modelu.
    07:09 Można wprowadzić dane wejściowe testu lub wkleić dane wejściowe JSON, a następnie kliknąć przycisk "Predict".
    07:20 To pokazuje, że istnieje bardzo duże prawdopodobieństwo, że pierwszy klient kupi namiot i bardzo duże prawdopodobieństwo, że drugi klient nie kupi namiotu.
    07:33 Po powrocie do projektu można znaleźć eksperyment AutoAI oraz model na karcie "Zasoby".
    07:44 Więcej filmów wideo można znaleźć w dokumentacji Cloud Pak for Data as a Service .

Przegląd zestawów danych

Przykładowe dane są ustrukturyzowane (w wierszach i kolumnach) i zapisywane w formacie pliku .csv.

Przykładowy plik danych można wyświetlić w edytorze tekstu lub arkuszu kalkulacyjnym:
Arkusz kalkulacyjny zestawu danych Go Sales, który zawiera informacje o kliencie i zakupie

Co chcesz przewidzieć?

Wybierz kolumnę, której wartości mają być predyktowane przez model.

W tym kursie model predyktuje wartości kolumny IS_TENT :

  • IS_TENT: Informacja o tym, czy klient kupił namiot

Model, który został zbudowany w tym kursie, przewiduje, czy klient może zakupić namiot.

Przegląd zadań

Ten kurs przedstawia podstawowe czynności związane z budowaniem i szkoleniem modelu uczenia maszynowego za pomocą programu AutoAI:

  1. Tworzenie projektu
  2. Tworzenie eksperymentu AutoAI
  3. Szkolenia z eksperymentu
  4. Wdróż przeszkolony model
  5. Testowanie wdrożonego modelu
  6. Tworzenie partii w celu oceny modelu

Czynność 1: tworzenie projektu

  1. Z poziomu Samples(Przykłady) pobierz plik zestawu danych GoSales na komputer lokalny.
  2. Na stronie Projekty, aby utworzyć nowy projekt, wybierz opcję Nowy projekt.
    a. Wybierz opcję Utwórz pusty projekt.
    b. Uwzględnij nazwę projektu.
    c. Kliknij makro Create.

Czynność 2: tworzenie eksperymentu AutoAI

  1. Na karcie Zasoby , z poziomu projektu, kliknij opcję Nowe zadanie > Buduj automatycznie modele uczenia maszynowego.

  2. Podaj nazwę i opcjonalny opis nowego eksperymentu.

  3. Wybierz odsyłacz Powiąż instancję usługi Machine Learning , aby powiązać instancję Watson Machine Learning Server z projektem. Kliknij przycisk Przeładuj , aby potwierdzić konfigurację.

  4. Aby dodać źródło danych, można wybrać jedną z następujących opcji:
    a. Jeśli plik został pobrany lokalnie, należy przesłać plik danych treningowych GoSales.csvz komputera lokalnego. Przeciągnij plik na panel danych lub kliknij przycisk Przeglądaj i postępuj zgodnie z instrukcjami.
    b. Jeśli plik został już przesłany do projektu, kliknij opcję select from project(wybierz z projektu), a następnie wybierz kartę data asset (Zasób danych) i wybierz opcję GoSales.csv.

Zadanie 3: Szkolenie eksperymentu

  1. W sekcji Szczegóły konfiguracjiwybierz opcję Nie , aby wybrać opcję utworzenia prognozy serii czasowej.

  2. Wybierz IS_TENT jako kolumnę do przewidzenia. Funkcja AutoAI analizuje dane i określa, że kolumna IS_TENT zawiera informacje o wartości Prawda i Fałsz, dzięki czemu dane te są odpowiednie dla modelu klasyfikacji binarnej. Domyślna metryka dla klasyfikacji binarnej to ROC/AUC.

    Konfigurowanie szczegółów eksperymentu. Nie ma prognozowanych szeregów czasowych i jest TENT jako kolumna do przewidzenia.

  3. Kliknij opcję Uruchom eksperyment. Jako pociągi modelowe, infografika pokazuje proces budowy rurociągów.

    Uwaga:

    Możliwe jest wyświetlenie nieznacznych różnic w wynikach w oparciu o platformę Cloud Pak for Data i wersję, której można użyć.

    Podsumowanie eksperymentów z generowanymi rurociągami AutoAI

    Listę algorytmów lub estymatorów dostępnych dla każdej techniki uczenia maszynowego w obszarze AutoAIzawiera sekcja Szczegóły implementacjiAutoAI.

  4. Po utworzeniu wszystkich rurociągów można porównać ich dokładność na Potoku leaderboard.

    Leaderboard rurociągu, który zajmuje się generowanymi rurociągami w oparciu o dokładność

  5. Wybierz potok z rangą 1 i kliknij przycisk Zapisz jako , aby utworzyć model. Następnie wybierz opcję Utwórz. Ta opcja powoduje zapisanie potoku w sekcji Modele na karcie Zasoby aplikacyjne .

Czynność 4: wdrażanie wyszkolonego modelu

  1. Model można wdrożyć na stronie szczegółów modelu. Dostęp do strony szczegółów modelu można uzyskać na jeden z następujących sposobów:

    1. Kliknięcie nazwy modelu w powiadomieniu wyświetlonym po zapisaniu modelu.
    2. Otwórz kartę Zasoby dla projektu, wybierz sekcję Modele i wybierz nazwę modelu.

  2. Kliknij opcję Awansuj na miejsce wdrożenia , a następnie wybierz lub utwórz obszar, w którym zostanie wdrożony model.

    1. Aby utworzyć obszar wdrażania:
      1. Wprowadź nazwę.
      2. Powiąż ją z usługą Machine Learning .
      3. Wybierz opcję Utwórz.

  3. Po utworzeniu obszaru wdrażania lub wybraniu istniejącego obszaru wdrażania należy wybrać opcję Awansuj.

  4. Kliknij odsyłacz obszaru wdrażania od powiadomienia.

  5. Na karcie Zasoby w obszarze wdrażania:

    1. Umieść wskaźnik myszy nad nazwą modelu, a następnie kliknij ikonę wdrażania Ikona wdrażania.
      1. Na stronie, która zostanie otwarta, wypełniaj pola:
        1. Wybierz opcję Tryb z połączeniem jako Typ wdrożenia.
        2. Podaj nazwę wdrożenia.
        3. Kliknij makro Create.

Tworzenie otwartej przestrzeni wdrażania w celu awansowania modelu

Po zakończeniu wdrażania kliknij opcję Deployments (Wdrożenia), a następnie wybierz nazwę wdrożenia, aby wyświetlić stronę szczegółów.

Czynność 5: testowanie wdrożonego modelu

Wdrożonego modelu można przetestować na stronie szczegółów wdrożenia:

  1. Na karcie Test na stronie szczegółów wdrożenia wypełniaj formularz z wartościami testowymi lub wprowadź dane testowe JSON, klikając ikonę terminalu Ikona terminalu , aby udostępnić następujące dane wejściowe JSON.

    
{"input_data":[{

"fields":

["GENDER","AGE","MARITAL_STATUS","PROFESSION","PRODUCT_LINE","PURCHASE_AMOUNT"],

"values": [["M",27,"Single", "Professional","Camping Equipment",144.78]]

}]}

    Uwaga: Dane testowe replikują pola danych dla modelu, z wyjątkiem pola predykcji.

  2. Kliknij opcję Predykt , aby przewidzieć, czy klient z wprowadzonym atrybutami będzie prawdopodobnie kupował namiot. Wynikający z niego predykcja wskazuje, że klient z wprowadzonym atrybutami ma duże prawdopodobieństwo zakupu namiotu.

Wynik predykcji modelu Tent. Predykcja równa się prawda, prawdopodobnie do zakupu namiotu

Czynność 6: Tworzenie zadania wsadowego w celu oceny modelu

W przypadku wdrożenia wsadowego należy podać dane wejściowe, zwane również ładunkiem modelu, w pliku CSV. Dane muszą być tak skonstruowane, jak dane treningowe, z tymi samymi nagłówkami kolumn. Zadanie wsadowe przetwarza każdy wiersz danych i tworzy odpowiednią predykcję.

W przypadku rzeczywistego scenariusza można wprowadzić nowe dane do modelu w celu uzyskania wyniku. Ten kurs korzysta jednak z tych samych danych uczących GoSales-updated.csv , które zostały pobrane w ramach konfiguracji kursu. Przed przesłaniem pliku do zadania wsadowego upewnij się, że kolumna IS_TENT została usunięta i zeskładowana. Podczas wdrażania modelu można dodać dane ładunku do projektu, przesłać go do obszaru lub utworzyć odsyłacz do niego w repozytorium pamięci masowej, takim jak zasobnik Cloud Object Storage . Na potrzeby tego kursu należy przesłać plik bezpośrednio do obszaru wdrażania.

Krok 1: Dodawanie danych do obszaru

Na stronie Zasoby w obszarze wdrażania:

  1. Kliknij opcję Dodaj do obszaru , a następnie wybierz opcję Dane.
  2. Prześlij plik GoSales-updated.csv , który został zapisany lokalnie.

Krok 2: Tworzenie wdrożenia wsadowego

Teraz można zdefiniować wdrożenie wsadowe.

  1. Kliknij ikonę wdrażania znajdującą się obok nazwy modelu.
  2. Wprowadź nazwę dla wdrożenia.
    1. Wybierz opcję Zadanie wsadowe jako Typ wdrożenia.
    2. Wybierz najmniejszą specyfikację sprzętu.
    3. Kliknij makro Create.

Krok 3: Tworzenie zadania wsadowego

Zadanie wsadowe uruchamia wdrożenie. Aby utworzyć zadanie, należy określić dane wejściowe i nazwę pliku wyjściowego. Zadanie można skonfigurować do uruchamiania w harmonogramie lub uruchamiane natychmiast.

  1. Kliknij opcję Nowa praca.
  2. Podaj nazwę zadania
  3. Konfiguracja do najmniejszej specyfikacji sprzętu
  4. (Opcjonalne): Aby ustawić harmonogram i otrzymywać powiadomienia.
  5. Prześlij plik wejściowy: GoSales-updated.csv
  6. Nazwij plik wyjściowy: GoSales-output.csv
  7. Przejrzyj i kliknij przycisk Utwórz , aby uruchomić zadanie.

Krok 4: wyświetlanie danych wyjściowych

Gdy status wdrożenia zmieni się na Wdrożony, wróć do strony Zasoby dla miejsca wdrożenia. Plik GoSales-output.csv został utworzony i dodany do listy zasobów użytkownika.

Kliknij ikonę pobierania znajdującą się obok pliku wyjściowego, a następnie otwórz plik w edytorze. Można przejrzeć wyniki predykcji dla informacji o kliencie, które są wprowadzane do przetwarzania wsadowego.

Dla każdego przypadku zwracana predykcja wskazuje na pewność siebie, czy klient kupi namiot.

Następne kroki

Budowanie eksperymentu AutoAI

Temat nadrzędny: PrzeglądAutoAI

Generative AI search and answer
These answers are generated by a large language model in watsonx.ai based on content from the product documentation. Learn more