Resolução de problemas de experimentos do AutoAI

Acelerar o treinamento de experimentos com grandes conjuntos de dados

Se você achar que o treinamento de um modelo está expirando ou demorando muito, considere estas diretrizes para reduzir o tempo de treinamento:

Nas páginas de configurações do experimento da ferramenta AutoAI:

• Certifique-se de que a opção Seleção de algoritmo otimizado esteja definida como Resultado e tempo de execução.
• Desativar o modelo XGBRegressor. Esse ajuste pode ajudá-lo a obter resultados mais rapidamente, mas as pontuações podem ser um pouco mais baixas.

Para um experimento codificado:

• Passe o parâmetro ' daub_give_priority_to_runtime conforme descrito na documentação do SDK.
  Nota: Esse parâmetro pode aumentar o indeterminismo (irreprodutibilidade) do experimento.

Passar valor de entrada incompleto ou outlier para a implementação pode levar à previsão de outlier

Depois de implementar seu modelo de aprendizado de máquina, observe que fornecer dados de entrada que são marcadamente diferentes dos dados que são usados para treinar o modelo pode produzir uma predição de valor discrepante. Quando algoritmos de regressão linear, como Ridge e LinearRegression , são transmitidos um valor de entrada fora de escala, o modelo extrapola os valores e designa um peso relativamente grande para ele, produzindo uma pontuação que não está alinhada com os dados em conformidade.

Pipeline da Série Tempo com recursos de suporte falha na recuperação

Se você treinar um experimento de Séries Temporais do AutoAI usando recursos de suporte e obtiver o erro 'Error: name' tspy_interpolators 'is not defined' quando o sistema tentar recuperar o pipeline para predições, verifique se seu sistema está executando Java 8 ou superior.

Executar um pipeline ou bloco de notas do experimento falha com um erro de especificação de software

Se as especificações de software suportadas para os experimentos do AutoAI mudarem, você poderá obter um erro ao executar um bloco de notas construído com uma especificação de software mais antiga, como uma versão mais antiga do Python Neste caso, execute o experimento novamente e, em seguida, salve um novo bloco de notas e tente novamente.

Resolvendo um erro de Falta de Memória

Se você receber um erro de memória ao executar uma célula de um bloco de notas gerado pelo AutoAI , crie um tempo de execução do bloco de notas com mais recursos para o bloco de notas AutoAI e execute a célula novamente.

O bloco de notas para um experimento com subamostragem pode falhar gerando predições

Se você fizer refinaria de pipeline para preparar o modelo e o experimento usar subamostragem dos dados durante o treinamento, poderá encontrar um erro de "classe desconhecida" ao executar um bloco de notas salvo do experimento.

O problema deriva de uma classe desconhecida que não está incluída no conjunto de dados de treinamento. O workaround é utilizar todo o conjunto de dados para treinamento ou re-criar o subsampling que é utilizado no experimento.

Para executar uma subamostra dos dados de treinamento (antes fit()), forneça o tamanho da amostra por número de linhas ou por fração da amostra (como feito no experimento).

• Se o número de registros foi usado nas configurações de subamostragem, é possível aumentar o valor de n. Por exemplo:

  train_df = train_df.sample(n=1000)
  

• Se a subamostragem for representada como uma fração do conjunto de dados, aumente o valor de frac. Por exemplo:

  train_df = train_df.sample(frac=0.4, random_state=experiment_metadata['random_state'])
  

A criação de pipeline falha para classificação binária

O AutoAI analisa um subconjunto dos dados para determinar o melhor ajuste para tipo de experimento. Se os dados de amostra na coluna de previsão contiverem apenas dois valores, o AutoAI recomendará um experimento de classificação binária e aplicará os algoritmos relacionados. No entanto, se o conjunto de dados completo contiver mais de dois valores na coluna de predição, a classificação binária falhará e você obterá um erro que indica que o AutoAI não pode criar os pipelines

Nesse caso, mude manualmente o tipo de experimento de binário para multiclasse, para um conjunto definido de valores, ou regressão, para um conjunto não especificado de valores.

1. Clique no ícone Reconfigurar Experimento para editar as configurações do experimento.
2. Na página Previsão de Configurações de Experimento, mude o tipo de predição para aquele que melhor corresponda aos dados na coluna de predição
3. Salve as mudanças e execute o experimento novamente.

Próximas etapas

Visão geral do AutoAI