Tutorial: experimento de séries temporais multivariadas do AutoAI com recursos de Suporte

Antes de iniciar

Certifique-se de ter estes serviços disponíveis:

• serviço de estúdiowatsonx.ai
• Serviço do Watson Machine Learning

Visão geral conjunto de dados

Para este tutorial, você usará o conjunto de dados Beijing PM 2.5 do Resource hub. Este conjunto de dados descreve as condições meteorológicas em Pequim de 2010 2014, que são medidos em etapas de 1 dias, ou incrementos. Você usa esse conjunto de dados para configurar seu experimento do AutoAI e selecionar Recursos de suporte Detalhes sobre o conjunto de dados estão descritos aqui:

• Cada coluna, diferente da coluna de data, representa uma condição climática que impacta o índice de poluição.
• A entrada do hub de recurso mostra a origem dos dados É possível visualizar o arquivo antes de fazer download dele.
• Os dados da amostra são estruturados em linhas e colunas e salvos como um arquivo .CSV.

Visão geral de tarefas

Neste tutorial, você segue passos para criar um experimento multivariado de séries temporais que usa recursos de Suportes:

1. Crie um projeto
2. Criar um experimento do AutoAI
3. Configure o experimento
4. Resultados do experimento de revisão
5. Implementar o modelo treinado
6. Testar o modelo implementado

Criar um projeto

Siga estas etapas para criar um projeto vazio e baixar o conjunto de dados do Beijing PM 2.5 do hub de recursos do Cloud Pak for Data as a Service:

1. No painel de navegação principal, clique em Projetos > Exibir todos os projetos e, em seguida, clique em Novo projeto.
   a. Clique em Criar projeto vazio.
   b. Digite um nome e uma descrição opcional para o seu projeto.
   c. Clique em Criar.
2. No painel de navegação principal, clique em Resource hub (Centro de recursos) e faça o download de uma cópia local do conjunto de dados do PM 2.5 de Pequim.

Criar um experimento do AutoAI

Siga estas etapas para criar um experimento AutoAI e incluir dados de amostra em seu experimento:

1. No Ativos guia de dentro do seu projeto, clique em Novo ativo > Crie modelos de aprendizado de máquina automaticamente .

2. Especifique um nome e descrição opcional para o seu experimento.

3. Associe uma instância de serviço de aprendizado de máquina a seu experimento

4. Escolha uma definição de ambiente de 8 vCPU e 32 GB RAM.

5. Clique em Criar.

6. Para incluir dados de amostra, escolha um dos seguintes métodos:

   • Se você baixou o seu arquivo localmente, faça o upload do arquivo de dados de treinamento, PM25.csv clicando em Procurar e, em seguida, seguindo os prompts.
   • Se você já faz o upload do seu arquivo para o seu projeto, clique em Selecionar do projeto, em seguida, selecione a guia Ativo de dados e escolha PM de Pequim 25.csv.

Configurar o experimento

Siga estas etapas para configurar seu experimento de série temporal AutoAI multivariado:

1. Clique em Sim para a opção de criar uma previsão de série temporal.

2. Escolha como colunas de predição: pollution, temp.

3. Escolha como a coluna de data/hora: date.

   

4. Clique em Configurações de Experiência para configurar o experimento:
   a. Na página Previsão , aceite a seleção padrão para que Algorithms inclua. Os algoritmos que permitem que você use os recursos de suporte são indicados por uma marca de seleção na coluna Permite recursos de suporte.
   ' '
   

   b. Vá para a página Fonte de Dados . Para este tutorial, você fornecerá valores futuros de recursos de Suportes enquanto testes. Os valores futuros são úteis quando os valores para os recursos de suporte são conhecidos para o horizonte de predição. Aceite a capacitação padrão para Alavancar valores futuros de recursos de suporte. Além disso, aceite a seleção padrão para colunas que serão usadas como recursos de suporte.
   '
   c. Clique em Cancelar para sair de configurações de Experimentos.

5. Clique em Executar experimento para iniciar o treinamento.

Revisar resultados do experimento

O experimento leva vários minutos para ser concluído. À medida que o experimento treina, o mapa de relacionamento mostra as transformações que são usadas para criar condutas. Siga estas etapas para revisar resultados do experimento e salvar o pipeline com o melhor desempenho.

1. Opcional: passe o tempo sobre qualquer nó no mapa de relacionamento para obter detalhes sobre a transformação para um determinado pipeline..

   

2. Opcional: Depois que os pipelines forem listados na leaderboard, clique em Comparação de Pipeline para ver como eles diferem. Por exemplo:

   

3. Quando o treinamento for concluído, os três principais pipelines com melhor desempenho serão salvos na tabela de classificação. Clique em qualquer nome de pipeline para revisar detalhes.

   Nota: Pipelines que usam recursos de Suporte são indicados pelo aprimoramento **SUP* *.

   

4. Selecione o pipeline com Classificação 1 e clique em Salvar como para criar o seu modelo. Em seguida, clique em Criar. Esta ação salva o pipeline sob a seção Modelos na guia Ativos

Implementar o modelo treinado

Para que seja possível usar seu modelo treinado para fazer previsões sobre novos dados, deve-se implementar o modelo. Siga estas etapas para promover o seu modelo treinado para um espaço de implementação:

1. Você pode implementar o modelo a partir da página modelo detalhes . Para acessar a página modelo detalhes , escolha uma dessas opções:
   • Clique no nome do modelo na notificação que é exibida quando você salva o modelo.
   • Abra a página Ativos para o projeto que contém o modelo e clique no nome do modelo na seção Modelo doMachine Learning .
2. Clique no ícone Promover para o espaço de implantação ' e, em seguida, selecione ou crie um espaço de implantação onde o modelo será implantado.
   Opcional: siga estas etapas para criar um espaço de implementação:
   a. Na lista Espaço de destino, selecione Criar um novo espaço de implementação.
   b. Insira um nome para o seu espaço de implementação.
   c. Para associar uma instância de aprendizado de máquina, acesse Selecionar serviço de aprendizado de máquina (opcional) e selecione uma instância de aprendizado de máquina na lista.
   d. Clique em Criar.
   
3. Depois de selecionar ou criar seu espaço, clique em Promover
4. Clique no link do espaço de implementação na notificação.
5. A partir da guia Ativos do espaço de implementação:
   a. Passe o mouse sobre o nome do modelo e clique no ícone de implantação " .
   b. Na página que é aberta, conclua os campos:
   -Selecione Online como o tipo de Implementação.
   -Especificar um nome para a implementação
   -Clique em Criar.
   

Após a conclusão da implementação, clique na guia Deployments e selecione o nome da implementação para visualizar a página de detalhes.

Testar o modelo implementado

Siga estas etapas para testar o modelo implementado a partir da página de detalhes de implementação:

1. Na guia Teste da página de detalhes de implementação, acesse Novas observações (opcional) planilha e digite os seguintes valores:
   poluição (duplo): 80.417
   temp (duplo): -5.5
   dew (duplo): -7.083
   press (duplo): 1020.667
   wnd_spd (duplo): 9.518
   neve (duplo): 0
   chuva (duplo): 0
   

   
   

2. Para incluir valores futuros de recursos de suporte, acesse a planilha Recursos exógenos futuros (opcional) e insira os valores a seguir:
   dew (double): -12.667
   pressione (double): 1023.708
   wnd_spd (double): 9.518
   snow (double): 0
   rain (double): 0.042
   

   Nota: deve-se fornecer o mesmo número de valores para recursos exógenos futuros que o horizonte de predição definido durante o estágio de configuração do experimento.

   
   

3. Clique em Prever. A predição resultante indica valores para poluição e temperatura.
   

   Nota: os valores de previsão que são mostrados na saída podem ser diferentes ao testar sua implementação.