Crearea unui model de predicție
Acest exemplu creează un Power Apps predicție model AI care utilizează tabelul Intenția cumpărătorului online din Microsoft Dataverse. Pentru a obține aceste date eșantion în mediul dvs. Microsoft Power Platform , activați setarea Implementare aplicații eșantion și date atunci când creați un mediu așa cum este descris în Construiți un model în AI Builder. Sau urmați instrucțiunile mai detaliate din Pregătirea datelor. După ce datele eșantion sunt introduse Dataverse, urmați acești pași pentru a crea modelul.
Conectați-vă la Power Apps OR Power Automate.
În panoul din stânga, selectați ... Mai mult>hub AI.
Sub Descoperiți o capacitate AI, selectați modele AI.
(Opțional) Pentru a păstra permanent modelele AI în meniu pentru acces ușor, selectați pictograma pin.
Selectați predicție - Preziceți rezultatele viitoare din datele istorice.
Selectați Creare model personalizat.
Selectați rezultatul istoric
Gândiți-vă la predicție pe care doriți AI Builder să o faceți. De exemplu, pentru întrebarea "Va renunța acest client?", gândiți-vă la întrebări precum acestea:
- Unde este tabelul care conține informații despre renunțarea clienților?
- Există o coloană acolo care precizează în mod specific dacă clientul a renunțat?
- Există necunoscute într-o coloană care ar putea cauza incertitudine?
Utilizați aceste informații pentru a face selecții. Lucrând cu datele eșantion furnizate, întrebarea este "acest utilizator care a interacționat cu magazinul meu online a făcut o achiziție?" Dacă ar face-o, ar trebui să existe venituri pentru acel client. Prin urmare, dacă există venituri pentru acest client ar trebui să fie rezultatul istoric. Ori de câte ori aceste informații sunt goale, vă pot ajuta să AI Builder faceți o predicție.
În meniul vertical Tabel , selectați tabelul care conține datele și rezultatul pe care doriți să îl anticipați. Pentru datele eșantion, selectați Intenția cumpărătorului online.
În meniul vertical Coloană , selectați coloana care conține rezultatul. Pentru datele eșantion, selectați Venit (etichetă). Sau, dacă doriți să încercați să preziceți un număr, selectați ExitRates.
Dacă ați selectat un set de opțiuni care conține două sau mai multe rezultate, luați în considerare maparea acestuia la "Da" sau "Nu", deoarece doriți să preziceți dacă se va întâmpla ceva.
Dacă vrei să prezici mai multe rezultate, folosește setul de date brazilian privind comerțul electronic din eșantion și selectează Comandă BC din meniul vertical Tabel și Cronologii de livrare din meniul vertical Coloană .
Notă
AI Builder Acceptă aceste tipuri de date pentru coloana de rezultate:
- Da/Nu
- Alegeri
- Număr întreg
- Număr zecimal
- Număr în virgulă mobilă
- Moneda
Selectați coloanele de date pentru a vă instrui modelul
După ce selectați tabelul și coloana și mapați rezultatul, puteți modifica coloanele de date utilizate pentru a instrui modelul. În mod implicit, sunt selectate toate coloanele relevante. Puteți deselecta coloanele care ar putea contribui la un model mai puțin precis. Dacă nu știți ce să faceți aici, nu vă faceți griji. AI Builder va încerca să găsească coloane care oferă cel mai bun model posibil. Pentru datele eșantion, lăsați totul așa cum este și selectați Următorul.
Considerații privind selectarea coloanelor de date
Cel mai important lucru de luat în considerare aici este dacă o coloană care nu este coloana dvs. de rezultate istorice este determinată indirect de rezultat.
Să presupunem că doriți să preziceți dacă o expediere va fi întârziată. Este posibil să aveți data efectivă de livrare în datele dvs. Această dată este prezentă numai după livrarea comenzii. Deci, dacă includeți această coloană, modelul va avea o precizie de aproape 100%. Comenzile pe care doriți să le anticipați nu vor fi livrate încă și nu vor avea coloana cu data livrării populată. Deci, ar trebui să deselectați coloane ca aceasta înainte de antrenament. În învățare programată, aceasta se numește scurgere țintă sau scurgere de date. AI Builder Încearcă să filtreze coloanele care sunt "prea bune pentru a fi adevărate", dar ar trebui să le verificați în continuare.
Notă
Când selectați câmpuri de date, unele tipuri de date, cum ar fi Imagine, care nu pot fi utilizate ca intrare pentru instruirea modelului, nu sunt afișate. În plus, coloanele de sistem, cum ar fi Creat pe, sunt excluse în mod implicit.
Utilizarea datelor din tabelele asociate
Dacă aveți tabele asociate care ar putea îmbunătăți performanța predicție, le puteți include și pe acestea. Așa cum ați făcut atunci când ați vrut să preziceți dacă un client va renunța, ar trebui să includeți informații suplimentare care ar putea fi într-un tabel separat. AI Builder Sprijină relațiile multi-la-unu în acest moment.
Filtrați-vă datele
După ce selectați coloanele de date pentru instruire, puteți filtra după date. Tabelele vor conține toate rândurile. Cu toate acestea, poate doriți să vă concentrați asupra antrenamentului și prezicerii pe un subset de rânduri. Dacă știți că există date irelevante în același tabel pe care îl utilizați pentru a instrui un model, puteți utiliza acest pas pentru a-l filtra.
De exemplu, dacă aplicați un filtru pentru a privi numai regiunea SUA, modelul se va antrena pe rânduri în care rezultatul este cunoscut numai pentru regiunea SUA. Când acest model va fi instruit, va face o predicție doar pentru rândurile în care rezultatul nu este cunoscut doar pentru regiunea SUA.
Experiența de filtrare este aceeași ca și în editorul de vizualizare Power Apps . Începeți prin a adăuga:
- Un rând, care conține o singură condiție de filtru.
- Un grup, care vă permite să vă imbricați condițiile de filtrare.
- Un tabel înrudit, care vă permite să creați o condiție de filtrare pe un tabel înrudit.
Selectați coloana, operatorul și valoarea care reprezintă o condiție de filtru. Puteți utiliza casetele de selectare pentru a grupa rânduri sau pentru a șterge în bloc rânduri.