AutoAI 概觀

AutoAI 圖形工具會分析您的資料，並使用資料演算法、轉換及參數設定來建立最佳預測模型。 AutoAI 會將各種潛在模型顯示為模型候選管線，並將它們列在排行榜上供您選擇。

資料格式
表狀: CSV 檔案，所有類型的 AutoAI 實驗都有逗點 (，) 定界字元。
來自 IBM Cloud Object Storage的已連接資料。
附註：

您可以使用儲存為 特性群組 (測試版) 的資料資產，但不會使用 meta 資料來移入 AutoAI 實驗設定。

資料大小
最多 1 GB 或最多 20 GB。 如需詳細資料，請參閱 AutoAI 資料使用。

AutoAI 資料使用

這些限制基於預設計算配置 8 CPU 和 32 GB。

AutoAI 分類及迴歸實驗:

  • 您可以上傳最多 1 GB 的檔案，以用於 AutoAI 實驗。
  • 如果您連接至超出 1 GB 的資料來源，則只會使用前 1 GB 的記錄。

AutoAI 時間序列實驗:

  • 如果資料來源包含時間戳記直欄，則 AutoAI 會以統一頻率對資料進行取樣。 例如，資料可以增量為一分鐘、一小時或一天。 指定的時間戳記用來決定回顧時間範圍，以改善模型精確度。

    附註：

    如果檔案大小大於 1 GB ，則 AutoAi 會以 遞減 時間順序對資料進行排序，並且僅使用前 1 GB 來訓練實驗。

  • 如果資料來源不包含時間戳記直欄，請確保 AutoAI 會以一致間隔對資料進行取樣，並以 遞增 時間順序對資料進行排序。 遞增排序表示第一列中的值是最舊的，而最後一列中的值是最新的。

    附註: 如果檔案大小大於 1 GB ，請截斷檔案大小，使其小於 1 GB。

AutoAI 程序

您可以使用 AutoAI 來建置並部署具有更準確的訓練特性且無需編碼的機器學習模型。 該工具會為您執行大部分工作。

若要檢視建立特定實驗或以程式設計方式與實驗互動的程式碼，您可以 將實驗儲存為 Notebook。

AutoAI 處理程序會從結構化檔案中取得資料、準備資料、選取模型類型，以及產生並分級管線，以便您可以儲存並部署模型。

AutoAI 自動執行下列作業，以建置並評估候選模型管線：

瞭解 AutoAI 處理程序

如需每一個階段的其他詳細資料，包括關聯研究文件的鏈結，以及建立模型管線所套用演算法的說明，請參閱 AutoAI 實作詳細資料。

資料預先處理

大部分資料集包含不同的資料格式和遺漏值，但標準機器學習演算法只使用數字，而不使用遺漏值。 因此， AutoAI 會套用各種演算法或預估器來分析、清除及準備您的原始資料，以進行機器學習。 此技術會根據特性 (例如資料類型: 種類或數值) 自動偵測並分類值。 視分類而定， AutoAI 會使用 超參數最佳化 來判定遺漏值插補、特性編碼及資料特性調整的最佳策略組合。

自動化模型選擇

AutoAI 使用自動化模型選擇來識別最適合您資料的模型。 此新穎方法會針對小型資料子集測試潛在模型，並根據精確度對它們進行分級。 然後， AutoAI 會選取最有希望的模型並增加資料子集的大小，直到它識別出最佳相符項為止。 此方法會根據精確度逐漸縮小潛在模型，以節省時間並增進效能。

如需如何處理自動產生管線以選取最佳模型的相關資訊，請參閱 選取 AutoAI 模型。

自動化特性工程

特性工程會將原始資料轉換成最能代表問題的特性組合，以識別最精確的模型。 此獨特方法以結構化、非詳盡的方式探索各種特性建構選項，同時透過使用強化學習來逐漸將模型精確度最大化。 此技術會針對最符合模型選取步驟演算法的資料，產生最佳化的轉換順序。

超參數最佳化

超參數最佳化會精簡最佳執行模型。 AutoAI 針對機器學習中典型的特定函數評估 (例如模型訓練和評分) 使用新穎的超參數最佳化演算法。 此方法可快速識別最佳模型，儘管每次反覆運算的評估時間都很長。

後續的步驟

AutoAI 指導教學：建置二進位分類模型

上層主題: 分析資料及建置模型