Använda AutoML-gränssnittet med låg kod i Infrastrukturresurser (förhandsversion)

AutoML-gränssnittet med låg kod i Fabric gör det enkelt för användarna att komma igång med maskininlärning genom att ange sin ML-uppgift och några grundläggande konfigurationer. Baserat på dessa val genererar AutoML-användargränssnittet en förkonfigurerad notebook-fil som är skräddarsydd för användarens indata. När de har körts loggas och spåras alla modellmått och iterationer automatiskt i befintliga ML-experiment och modellobjekt, vilket ger ett organiserat och effektivt sätt att hantera och utvärdera modellprestanda.

Förutsättningar

• Skaffa en Microsoft Fabric-prenumeration. Eller registrera dig för en kostnadsfri utvärderingsversion av Microsoft Fabric.

• Logga in på Microsoft Fabric.

• Använd upplevelseväxlaren längst ned till vänster på startsidan för att växla till Fabric.

  

Konfigurera en automatiserad ML-utvärderingsversion

AutoML-guiden i Infrastrukturresurser kan enkelt startas direkt från ett befintligt experiment, en modell eller ett notebook-objekt.

Välj datakälla

AutoML-användare i Fabric har möjlighet att välja från sina tillgängliga lakehouses, vilket gör det enkelt att komma åt och analysera data som lagras på plattformen. När ett lakehouse har valts kan användarna välja en specifik tabell eller fil som ska användas för sina AutoML-uppgifter.

Definiera ML-modellsyfte

I det här steget definierar användarna syftet med sin modell genom att välja den ML-uppgift som bäst passar deras data och mål.

Fabrics AutoML-guide erbjuder följande ML-uppgifter:

• Regression: För att förutsäga kontinuerliga numeriska värden.
• Binär klassificering: För att kategorisera data i en av två klasser.
• Klassificering med flera klasser: För att kategorisera data i en av flera klasser.
• Prognostisering: För att göra förutsägelser över tidsseriedata.

När du har valt din ML-uppgift kan du sedan välja ett AutoML-läge. Varje läge anger standardkonfigurationer för AutoML-utvärderingsversionen, till exempel vilka modeller som ska utforskas och den tid som allokeras för att hitta den bästa modellen. De tillgängliga lägena är:

• Snabb prototyp: Ger snabba resultat, perfekt för testning och iterering snabbt.
• Tolkningsbart läge: Körs lite längre och fokuserar på modeller som är enklare att tolka.
• Best Fit: Genomför en mer omfattande sökning med en utökad körning som syftar till att hitta bästa möjliga modell.
• Anpassad: Gör att du kan justera vissa inställningar manuellt i autoML-utvärderingsversionen för en anpassad konfiguration.

Om du väljer rätt ML-uppgift och AutoML-läge ser du till att AutoML-guiden överensstämmer med dina mål, balanserar hastighet, tolkning och prestanda baserat på din valda konfiguration.

Konfigurera träningsdata

I det här steget konfigurerar du de träningsdata som AutoML ska använda för att skapa din modell. Börja med att välja förutsägelsekolumnen – det här är målkolumnen som din modell ska tränas att förutsäga.

När du har valt din förutsägelsekolumn kan du ytterligare anpassa hur dina indata hanteras:

• Datatyper: Granska och justera datatyperna för varje indatakolumn för att säkerställa kompatibilitet och optimera modellens prestanda.
• Imputationsmetod: Välj hur du ska hantera saknade värden i datamängden genom att välja en imputationsmetod som fyller luckor i data baserat på dina inställningar.

Du kan också aktivera eller inaktivera inställningen auto featurize . När det är aktiverat genererar auto featurize ytterligare funktioner för träning, vilket kan förbättra modellprestanda genom att extrahera extra insikter från dina data. Genom att definiera dessa datainställningar kan AutoML-guiden tolka och bearbeta datamängden korrekt, vilket förbättrar kvaliteten på utvärderingsresultaten.

Ange slutlig information

Nu ska du bestämma hur du vill att autoML-utvärderingsversionen ska köras, tillsammans med namngivningskonventioner för experimentet och utdata. Du har två alternativ för att köra autoML-utvärderingsversionen:

1. Träna flera modeller samtidigt: Det här alternativet är perfekt om dina data kan läsas in i en Pandas DataFrame, så att du kan använda spark-klustret för att köra flera modeller parallellt. Den här metoden påskyndar utvärderingsprocessen genom att träna flera modeller samtidigt.

2. Träna modeller sekventiellt med Spark: Det här alternativet passar för större datamängder eller de som drar nytta av distribuerad träning. Den använder Spark och SynapseML för att utforska distribuerade modeller och träna en modell i taget med den skalbarhet som Spark tillhandahåller.

När du har valt körningsläget slutför du konfigurationen genom att ange namn på notebook -, experiment- och modellobjektet. Dessa namngivningskonventioner hjälper dig att organisera dina AutoML-tillgångar i Fabric och göra det enkelt att spåra och hantera dina utvärderingsversioner. När den är klar genereras en notebook-fil baserat på dina val, redo att köras och anpassas efter behov.

Granska och skapa notebook-fil

I det sista steget har du möjlighet att granska alla dina AutoML-inställningar och förhandsgranska den genererade koden som överensstämmer med dina val. Det här är din möjlighet att se till att den valda ML-uppgiften, läget, datakonfigurationen och andra konfigurationer uppfyller dina mål.

När du är nöjd kan du slutföra det här steget för att generera en notebook-fil som innehåller alla komponenter i autoML-utvärderingsversionen. Med den här notebook-filen kan du spåra varje steg i processen, från förberedelse av data till modellutvärdering och fungerar som en omfattande post för ditt arbete. Du kan också anpassa anteckningsboken ytterligare efter behov och justera kod och inställningar för att förfina dina AutoML-utvärderingsresultat.

Spåra dina AutoML-körningar

När du kör notebook-filen använder AutoML-koden MLFlow-loggning för att automatiskt spåra nyckelmått och parametrar för varje modell som testades under utvärderingsversionen. Med den här sömlösa integreringen kan du övervaka och granska varje iteration av autoML-körningen utan att behöva ytterligare installation.

Så här utforskar du resultatet av din AutoML-utvärderingsversion:

1. Gå till ml-experimentobjektet: I ett ML-experiment kan du spåra alla olika körningar som skapats av autoML-processen. Varje körning loggar värdefull information, till exempel prestandamått för modeller, parametrar och konfigurationer, vilket gör det enkelt att analysera och jämföra resultat.

2. Granska AutoML-konfigurationer: För varje AutoML-utvärderingsversion hittar du de AutoML-konfigurationer som används, vilket ger insikter om hur varje modell har konfigurerats och vilka inställningar som ledde till optimala resultat.

3. Leta upp den bästa modellen: Öppna ML-modellen för att få åtkomst till den slutliga modellen med bästa prestanda från autoML-utvärderingsversionen.

Det här spårningsarbetsflödet hjälper dig att organisera, utvärdera och hantera dina modeller, så att du får fullständig insyn i prestanda och inställningar för varje modell som testas i autoML-utvärderingsversionen. Härifrån kan du använda SynapseML PREDICT-gränssnittet eller generera förutsägelser direkt från dina notebook-filer.

Nästa steg

• Läs mer om AutoML
• Experimentera med AutoML Python-API:er