Dela via

Skapa en prediktionsmodell

  • Artikel

I det här exemplet skapas en Power Apps AI-prediktionsmodell som använder tabellen onlinekunds intention i Microsoft Dataverse. Om du vill hämta dessa exempeldata till din Microsoft Power Platform-miljö, aktivera inställningen Distribuera exempelappar och data när du skapar en miljö som beskrivs i Skapa en modeli i AI Builder. Eller följ de mer detaljerade anvisningarna Förberedelse av data. När dina exempeldata finns i Dataverse följer du de här stegen och skapar din modell.

  1. Logga in på Power Apps eller Power Automate.

  2. I vänster fönster väljer du ... Mer>AI-nav.

  3. Under Upptäck en AI-kapacitet, välj AI-modeller.

    (Valfritt) För att behålla AI-modeller permanent på menyn för enkel åtkomst, välj nålikonen.

  4. Välj Prediktion – Förutsäg framtida resultat från historiska data.

  5. Välj Skapa anpassad modell.

Välja historiska resultat

Tänk på den förutsägelse som du vill att AI Builder ska göra. För frågan ”kommer min kund att lämna?” kan du till exempel tänka på frågor som dessa:

  • Var finns tabellen som innehåller information om när kunder lämnar?
  • Finns det någon kolumn som anger om en kund har lämnat dig?
  • Finns det någonting okänt i en kolumn som kan orsaka osäkerhet?

Använd den här informationen för att göra dina val. Om du arbetar med tillhandahållna exempeldata blir frågan ”Gjorde den här användaren som interagerade med min onlinebutik ett köp?” Om de gjorde det bör det finnas intäkter för kunden. Det innebär att om det finns intäkter för den här kunden bör det vara ditt historiska utfall. Där den här informationen är tom kan AI Builder hjälpa dig att göra en förutsägelse.

  1. I listrutan Tabell väljer du den tabell som innehåller data och det resultat som du vill förutsäga. För exempeldata väljer du Onlinekundens intention.

  2. I listrutan kolumn markera den kolumn som innehåller resultatet. För exempeldata väljer du Intäkter (etikett). Eller välj ExitRates om du vill prova att förutsäga ett tal.

  3. Om du har valt en alternativuppsättning som innehåller två eller flera resultat kan du behöva mappa det till ”Ja” eller ”Nej” eftersom du vill förutse om något kommer att inträffa eller inte.

  4. Om du vill förutsäga flera resultat använder du den brasilianska datauppsättning för e-handel i urvalet och väljer BC-order i listrutan Tabell och Tidslinjer för leverans i listrutan Kolumn.

Kommentar

AI Builder har stöd för följande datatyper för resultatkolumnen:

  • Ja/Nej
  • Choices
  • Heltal
  • Decimaltal
  • Flyttalsnummer
  • Valuta

Välj de datakolumner som ska träna din modell

När du har valt Tabell och Kolumn och mappar resultatet kan du göra ändringar i de datakolumn som används för att träna modellen. Alla relevanta kolumner måste, som standard, vara markerade. Du kan avmarkera kolumner som kan bidra till en mindre korrekt modell. Oroa dig inte om du inte vet vad du ska göra här. AI Builder kommer att försöka söka efter kolumner för att kunna tillhandahålla bästa möjliga modell. För exempeldata lämnar du allt som det är och väljer Nästa.

Att tänka på vid val av datakolumn

Det viktigaste att tänka på här är om en kolumn som inte är ditt historiska resultatkolumn indirekt har bestämts av resultatet.

Anta att du vill förutsäga om en försändelse kommer att fördröjas. Du kanske har det faktiska leveransdatumet i dina data. Det datumet finns först när ordern har levererats. Så om du inkluderar det här kolumn har modellen nära 100 %noggrannhet. +De beställningar som du vill förutsäga kommer inte att levereras än och har inte kolumn levererat datum ifyllt. Därför bör du avmarkera kolumner som detta innan du tränar. Inom maskininlärning kallas detta målläckage eller dataläckage. AI Builder försöker filtrera kolumner som är "för bra att vara sanna", men du bör ändå kontrollera dem.

Kommentar

När du väljer datafält så visas inte vissa av de datatyper – t.ex. bilder – som inte kan användas som indata för att träna modellen. Dessutom utesluts systemkolumner, som Skapat, som standard.

Om du har relaterade tabeller som kan förbättra förutsägelsens prestandan, så kan du även inkludera dem. Precis som du gjorde när du ville fastställa huruvida en kund ska ingå i registret, bör du lägga till ytterligare information som kan finnas i en separat tabell. AI Builder stöder just nu många-till-en-relationer.

Filtrera dina data

När du har valt datakolumner för träning, så kan du filtrera dina data. Dina tabeller kommer att innehålla alla rader. Men du vill kanske vill koncentrera dig på att träna och förutsäga en delmängd av rader. Om du vet att det finns irrelevanta data i samma tabell som du använder för att träna en modell, så kan du filtrera den på följande sätt.

Om du t. ex. använder ett filter för att bara titta på regionen USA, så kommer modellen att träna med rader där resultatet är känt endast för regionen USA. När den här modellen tränas så gör den endast förutsägelser för rader där resultatet inte är känt enbart för regionen USA.

Filtreringsfunktionen är densamma som för visningsredigeraren i Power Apps. Börja genom att lägga till:

  • En rad som innehåller ett enda filtervillkor.
  • En grupp som gör att du kan kapsla dina filtervillkor.
  • En relaterad tabell med vilken du kan skapa ett filtervillkor för en relaterad tabell.

Välj det kolumn, den operator och det värde som representerar ett filtervillkor. Du kan använda kryssrutorna till att gruppera eller massradera rader.

Nästa steg

Träna och publicera din prediktionsmodell