Solução de problemas em experimentos do ` AutoAI `

Acelerando o treinamento de experimentos com grandes conjuntos de dados

Se você perceber que o treinamento de um modelo está expirando ou demorando mais do que o normal, considere estas orientações para reduzir o tempo de treinamento:

Nas páginas de configurações do Experimento da ferramenta AutoAI :

• Certifique-se de que a opção de seleção do algoritmo otimizado esteja definida como “Pontuação e tempo de execução ”.
• Desative o modelo XGBRegressor. Esse ajuste pode ajudar você a obter resultados mais rapidamente, mas as pontuações podem ficar um pouco mais baixas.

Para um experimento codificado:

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

A transmissão de valores de entrada incompletos ou atípicos para a implantação pode levar a previsões atípicas

Após implantar seu modelo de aprendizado de máquina, lembre-se de que fornecer dados de entrada significativamente diferentes daqueles usados para treinar o modelo pode resultar em uma previsão atípica. Quando algoritmos de regressão linear, como Ridge e o método de regressão por pontos ( LinearRegression ), recebem um valor de entrada fora da escala, o modelo extrapola os valores e atribui a ele um peso relativamente grande, produzindo uma pontuação que não está em consonância com os dados válidos.

O pipeline de séries temporais com recursos de apoio apresenta falha na recuperação

Se você treinar um experimento de série temporal do AutoAI usando características de apoio e receber a mensagem de erro “Erro: o nome 'tspy_interpolators' não está definido” quando o sistema tentar recuperar o pipeline para previsões, verifique se o seu sistema está executando o Java 8 ou uma versão superior.

The job runtime failed to start in 360 seconds ... persistentvolumeclaim "<volume-name>" not found.

Experimentos com séries temporais mais antigas podem exigir um novo treinamento para gerar o notebook

Se você tentar gerar um notebook para um experimento de série temporal mais antigo, não será possível salvar o código do experimento nem salvar um pipeline como um notebook. Para resolver o problema, retreine o experimento e tente novamente.

Aplicável a: Cloud Pak for Data 4.5.0 e versões posteriores

A execução de um pipeline ou de um notebook de experimentos falha devido a um erro de especificação de software

Se as especificações de software compatíveis com os experimentos do AutoAI forem alteradas, poderá ocorrer um erro ao executar um notebook criado com uma especificação de software mais antiga, como uma versão mais antiga do Python. Nesse caso, execute o experimento novamente, salve um novo notebook e tente novamente.

Resolvendo um erro de memória insuficiente

Se ocorrer um erro de memória ao executar uma célula de um notebook gerado pelo AutoAI, crie um ambiente de execução de notebook com mais recursos para o notebook AutoAI e execute a célula novamente.

Resolvendo um erro de acesso a dados em um notebook

Se você estiver se conectando a dados em um notebook de experimento ou pipeline, um erro que inclua FlightUnavailableError ou FileNotFoundError pode indicar um problema com o serviço de conexão de dados. Essa situação pode ocorrer quando você estiver executando o notebook fora do cluster. Como solução alternativa, você pode fornecer os dados como um objeto ` DataFrame ` do Pandas. Por exemplo, para ler um arquivo. CSV, use pandas.read_csv() ou utilize o código gerado automaticamente para a fonte de dados selecionada clicando no ícone de trechos de código () na barra de ferramentas do notebook e clicando em Ler dados.

AutoAI Erros no notebook exigem atualização manual

Se você estiver usando um notebook AutoAI, poderá se deparar com um destes problemas:

• Failed to GET project isso pode ocorrer quando você executa uma tarefa de notebook do AutoAI a partir de um espaço de implantação. Isso indica que o notebook não consegue acessar a project_libs biblioteca necessária para sua execução. Para resolver:

  1. Altere a célula que contém a referência de dados, desta forma:

     df = training_data_reference[0].read(experiment_metadata=experiment_metadata)
     

  2. Atualize manualmente o seu cliente do Python para a versão mais recente:

     !pip install -U ibm-watson-machine-learning
     

  3. Reinicie o kernel do seu notebook.

• TypeError: list indices must be integers or slices, not str indica que há um problema ao acessar sua fonte de dados. Para resolver:

  1. Atualize manualmente o seu cliente do Python para a versão mais recente:

     !pip install -U ibm-watson-machine-learning
     

  2. Reinicie o kernel do seu notebook.

Um notebook para um experimento com subamostragem pode não conseguir gerar previsões

Se você utilizar o pipeline de refinamento para preparar o modelo e o experimento empregar subamostragem dos dados durante o treinamento, poderá ocorrer um erro de “classe desconhecida” ao executar um notebook salvo a partir do experimento.

O problema decorre de uma classe desconhecida que não está incluída no conjunto de dados de treinamento. A solução alternativa é usar todo o conjunto de dados para o treinamento ou recriar a subamostragem utilizada no experimento.

Para realizar uma subamostragem dos dados de treinamento (antes de fit()), especifique o tamanho da amostra por número de linhas ou por fração da amostra (conforme feito no experimento).

• Se o número de registros foi utilizado nas configurações de subamostragem, você pode 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 do pipeline falha na classificação binária

AutoAI analisa um subconjunto dos dados para determinar o modelo mais adequado para o tipo de experimento. Se os dados de amostra na coluna de previsão contiverem apenas dois valores, o AutoAI recomenda um experimento de classificação binária e aplica os algoritmos correspondentes. No entanto, se o conjunto de dados completo contiver mais de dois valores na coluna de previsão, a classificação binária falhará e você receberá uma mensagem de erro indicando que o AutoAI não consegue criar os pipelines.

Nesse caso, altere manualmente o tipo de experimento de binário para multiclasse, no caso de um conjunto definido de valores, ou para regressão, no caso de um conjunto não especificado de valores.

1. Clique no ícone “Reconfigurar experimento” para editar as configurações do experimento.
2. Na página “Previsão” das “Configurações do experimento”, altere o tipo de previsão para aquele que melhor corresponda aos dados na coluna de previsão.
3. Salve as alterações e execute o experimento novamente.

Atualização de um notebook do AutoAI após a atualização de uma versão anterior do Cloud Pak for Data

Se você estiver tentando executar um notebook do AutoAI criado com uma versão anterior do Cloud Pak for Data, o notebook poderá apresentar um unsupported framework erro. Você tem duas opções para resolver o problema:

1. Execute novamente o experimento e salve um novo notebook para obter as versões mais recentes dos frameworks.

2. Para usar o notebook existente, utilize uma versão mais recente do cliente Python removendo o seguinte comando:

   !pip install 'ibm-watson-machine-learning==1.0.66' | tail -n 1
   

   Observação:

   Se você estiver executando o notebook fora do ` Watson Studio `, substitua o !pip install comando por este comando de atualização:

   !pip install -U ibm-watson-machine-learning | tail -n 1
   

O esquema do arquivo varia de acordo com o método de envio

Um arquivo de dados carregado a partir de uma conexão de dados pode retornar um esquema de modelo diferente daquele do mesmo arquivo de dados carregado diretamente em um arquivo do tipo “ CSV ”. Esse cenário pode causar erros ao avaliar uma implantação usando o formulário de avaliação na interface do usuário. Nesse caso, use a guia JSON para inserir os dados de pontuação.

Criação de uma implantação em lote para um modelo do AutoAI

É possível criar uma implantação em lote para um modelo salvo no AutoAI, mas o modelo deve ter sido treinado usando a versão atual do Cloud Pak for Data. Se o modelo tiver sido treinado usando uma versão mais antiga, execute o experimento novamente e implemente o modelo salvo resultante.

Próximas etapas

Visão geral do AutoAI