Iniciação rápida: construa e implemente um modelo de aprendizado de máquina com AutoAI

É necessário um projeto para armazenar os dados e o experimento AutoAI . É possível usar um projeto existente ou criar um projeto.

1. No Menu de Navegação, selecione Projetos > Todos os projetos.

2. Abra um projeto existente Se você deseja usar um novo projeto:

   1. Clique em Novo projeto

   2. Selecione Criar um projeto vazio.

   3. Insira um nome e uma descrição opcional para o projeto

   4. Clique em Criar.

Para obter mais informações ou assistir a um vídeo, consulte Criação de um projeto.

Agora que você tem um projeto, está pronto para construir e treinar o modelo usando AutoAI. Siga estas etapas para criar o experimento AutoAI , revisar os pipelines de modelo e selecionar um pipeline para salvar como um modelo:

1. Faça download do arquivo bank.csv (0.46 MB) arquivo.

2. De Ativos guia do seu projeto, clique em Novo ativo > Crie modelos de aprendizado de máquina automaticamente.

3. Na tela Criar um AutoAI Experimento , inclua um nome e uma descrição opcional para o projeto.

4. Clique em Criar.

5. Na página Adicionar origem de dados que se abre, clique em Procurar e abra o bank.csv.

6. Selecione Não se for solicitado a criar um experimento de série temporal.

7. Selecione a coluna rotulada Y para o modelo. Essa coluna será usada para prever se um cliente provavelmente se inscreverá em uma promoção de marketing. AutoAI analisa seus dados e determina que a coluna Y contém informações True / False, tornando esses dados adequados para um modelo de classificação binária. A métrica padrão para uma classificação binária é a precisão e o tempo de execução.

   

8. Revise as configurações de experimentos pré-configurados Com base no conjunto de dados e na coluna selecionada para prever, AutoAI analisa um subconjunto dos dados e escolhe um tipo de predição e uma métrica para otimizar. Nesse caso, o tipo de predição é Classificação Binária, a classe positiva é Sime a métrica otimizada é ROC AUC & tempo de execução.

9. Depois que a execução do experimento for concluída, será possível visualizar e comparar os pipelines classificados em uma tabela de classificação de classificação.

   

10. É possível clicar em Comparação de pipeline para ver como eles diferem..

    

11. Clique no pipeline mais alto classificado para ver os detalhes do pipeline.

12. Clique em Salvar como, selecione Modeloe clique em Criar. Isso salva o pipeline como um modelo em seu projeto.

13. Quando o modelo for salvo, clique no link Visualizar no projeto na notificação para visualizar o modelo em seu projeto Alternativamente, você pode navegar até a aba Ativos no projeto e clicar no nome do modelo na seção Modelos .

Antes de poder implementar o modelo, é necessário promover o modelo para um espaço de implementação Siga estas etapas para promover o modelo em um espaço de implementação para implementar o modelo:

1. Clique no ícone Promover para o espaço de implantação.

2. Escolha um espaço de implementação existente Se você não tiver um espaço de implementação, será possível criar um novo:

   1. Forneça um nome de espaço e uma descrição opcional

   2. Clique em Criar.

   3. Clique em Fechar.

3. Selecione seu novo espaço de implementação na lista.

4. Selecione a opção Acessar o modelo no espaço depois de promovê-lo .

5. Clique em Promover.

   Nota: se você não selecionou a opção para acessar o modelo no espaço após promovê-lo, poderá usar o menu de navegação para navegar para Implementações para selecionar seu espaço de implementação e modelo.

6. Com o modelo aberto, clique em Nova implementação..

   1. Selecione On-line como o Tipo de implementação

   2. Especifique um nome para a implementação.

   3. Clique em Criar.

7. Quando a implementação estiver concluída, clique no nome da implementação para visualizar a página de detalhes da implementação..

Agora que você tem o modelo implementado, é possível testar essa implementação on-line usando a interface com o usuário ou por meio das APIs do Watson Machine Learning Siga estas etapas para usar a interface com o usuário para testar o modelo com novos dados:

1. Clique na guia Teste . É possível testar o modelo implementado na página de detalhes da implementação de duas maneiras: teste com um formulário ou teste com código JSON.

2. Clique na guia Entrada JSON , copie os dados de teste a seguir e cole-os para substituir o texto JSON existente:

   {
      "input_data": [
         {
            "fields": [
                  "age",
                  "job",
                  "marital",
                  "education",
                  "default",
                  "balance",
                  "housing",
                  "loan",
                  "contact",
                  "day",
                  "month",
                  "duration",
                  "campaign",
                  "pdays",
                  "previous",
                  "poutcome"
               ],
            "values": [
                  [
                  27,
                  "unemployed",
                  "married",
                  "primary",
                  "no",
                  1787,
                  "no",
                  "no",
                  "cellular",
                  19,
                  "oct",
                  79,
                  1,
                  -1,
                  0,
                  "unknown"
                  ]
               ]
         }
      ]
   }
   

3. Clique em Prever para prever se um cliente com os atributos especificados provavelmente se inscreve para um tipo específico de conta. A previsão resultante indica que esse cliente tem uma alta probabilidade de não se inscrever na promoção de marketing.

4. Clique no X para fechar a janela Resultados de Previsão

Agora que você testou o modelo implementado com uma única predição, é possível criar uma implementação em lote para pontuar diversos registros ao mesmo tempo