Εκμάθηση: Δημιουργία μοντέλου εκμάθησης μηχανής στο Power BI

Σημαντικό

Η δημιουργία μοντέλων Power BI Automated Εκμάθηση μηχανής (AutoML) για ροές δεδομένων v1 έχει αποσυρθεί και δεν είναι πλέον διαθέσιμη. Συνιστάται οι πελάτες να μετεγκαταστήσουν τη λύση σας στη δυνατότητα AutoML στο Microsoft Fabric. Για περισσότερες πληροφορίες, ανατρέξτε στην ανακοίνωση για τη συνταξιοδότηση.

Σε αυτή την εκμάθηση, χρησιμοποιείτε αυτοματοποιημένη εκμάθηση μηχανής για να δημιουργήσετε και εφαρμόσετε ένα μοντέλο δυαδικής πρόβλεψης στο Power BI. Δημιουργείτε μια ροή δεδομένων Power BI και χρησιμοποιείτε τις οντότητες που ορίζετε στη ροή δεδομένων για να εκπαιδεύσετε και επικυρώσετε ένα μοντέλο εκμάθησης μηχανής απευθείας στο Power BI. Στη συνέχεια, χρησιμοποιείτε αυτό το μοντέλο για να βαθμολογήσετε νέα δεδομένα και να δημιουργήσετε προβλέψεις.

Πρώτα, δημιουργείτε ένα μοντέλο εκμάθησης μηχανής δυαδικής πρόβλεψης για να προβλέψετε την πρόθεση αγοράς ηλεκτρονικών αγοραστών, με βάση ένα σύνολο των χαρακτηριστικών της ηλεκτρονικής περιόδου λειτουργίας τους. Χρησιμοποιείτε ένα σημασιολογικό μοντέλο εκμάθησης μηχανής αναφοράς για αυτή την άσκηση. Μετά την εκπαίδευση ενός μοντέλου, το Power BI δημιουργεί αυτόματα μια αναφορά επικύρωσης που εξηγεί τα αποτελέσματα του μοντέλου. Στη συνέχεια, μπορείτε να εξετάσετε την αναφορά επικύρωσης και να εφαρμόσετε το μοντέλο στα δεδομένα σας για βαθμολόγηση.

Αυτό το εκπαιδευτικό βοήθημα αποτελείται από τα παρακάτω βήματα:

• Δημιουργήστε μια ροή δεδομένων με τα δεδομένα εισόδου.
• Δημιουργήστε και εκπαιδεύστε ένα μοντέλο εκμάθησης μηχανής.
• Εξετάστε την αναφορά επικύρωσης μοντέλου.
• Εφαρμόστε το μοντέλο σε μια οντότητα ροής δεδομένων.
• Χρησιμοποιήστε τη βαθμολογηθείσα έξοδο από το μοντέλο σε μια αναφορά Power BI.

Δημιουργία ροής δεδομένων με τα δεδομένα εισόδου

Δημιουργήστε μια ροή δεδομένων με δεδομένα εισόδου, ακολουθώντας τα παρακάτω βήματα.

Λήψη δεδομένων

Το πρώτο βήμα για τη δημιουργία μιας ροής δεδομένων είναι να έχετε έτοιμες τις προελεύσεις δεδομένων σας. Στην περίπτωση αυτή, χρησιμοποιείτε ένα σημασιολογικό μοντέλο εκμάθησης μηχανής από ένα σύνολο ηλεκτρονικών περιόδων λειτουργίας, ορισμένες εκ των οποίων ολοκληρώνεται με μια αγορά. Το σημασιολογικό μοντέλο περιέχει ένα σύνολο χαρακτηριστικών σχετικά με αυτές τις περιόδους λειτουργίας, τα οποία χρησιμοποιείτε για να εκπαιδεύσετε το μοντέλο σας.

Μπορείτε να κάνετε λήψη του σημασιολογικού μοντέλου από την τοποθεσία web του UC Irvine ή κάνοντας λήψη του online_shoppers_intention.csv. Παρακάτω σε αυτό το πρόγραμμα εκμάθησης, συνδέεστε στο μοντέλο σημασιολογίας καθορίζοντας τη διεύθυνση URL του.

Δημιουργία πινάκων

Για να δημιουργήσετε τις οντότητες στη ροή δεδομένων σας, συνδεθείτε στον Υπηρεσία Power BI και μεταβείτε σε έναν χώρο εργασίας.

1. Εάν δεν έχετε έναν χώρο εργασίας, δημιουργήστε έναν επιλέγοντας Χώροι εργασίας στο αριστερό παράθυρο περιήγησης του Power BI και επιλέγοντας Δημιουργία χώρου εργασίας. Στον πίνακα Δημιουργία χώρου εργασίας, πληκτρολογήστε ένα όνομα χώρου εργασίας και επιλέξτε Αποθήκευση.

   

2. Επιλέξτε Δημιουργία στο επάνω μέρος του νέου χώρου εργασίας και, στη συνέχεια, επιλέξτε Ροή δεδομένων.

   

3. Επιλέξτε Προσθήκη νέων πινάκων για να εκκινήσετε ένα πρόγραμμα επεξεργασίας Power Query στο πρόγραμμα περιήγησης.

   

4. Στην οθόνη Επιλογή προέλευσης δεδομένων, επιλέξτε Κείμενο/CSV ως προέλευση δεδομένων.

   

5. Στην Σύνδεση σε μια σελίδα προέλευσης δεδομένων, επικολλήστε την ακόλουθη σύνδεση προς το αρχείο online_shoppers_intention.csv στο πλαίσιο Διαδρομή αρχείου ή διεύθυνση URL και, στη συνέχεια, επιλέξτε Επόμενο.

   https://raw.githubusercontent.com/santoshc1/PowerBI-AI-samples/master/Tutorial_AutomatedML/online_shoppers_intention.csv

   

6. Το πρόγραμμα επεξεργασίας Power Query εμφανίζει μια προεπισκόπηση των δεδομένων από το αρχείο CSV. Για να κάνετε αλλαγές στα δεδομένα πριν από τη φόρτωσή τους, επιλέξτε Μετασχηματισμός δεδομένων.

   

7. Το Power Query συναχθεί αυτόματα από τους τύπους δεδομένων των στηλών. Μπορείτε να αλλάξετε τους τύπους δεδομένων επιλέγοντας το εικονίδιο τύπου χαρακτηριστικού στις κορυφές των κεφαλίδων στηλών. Αλλάξτε τον τύπο της στήλης Revenue σε True/False.

   Μπορείτε να μετονομάσετε το ερώτημα σε ένα πιο φιλικό όνομα αλλάζοντας την τιμή στο πλαίσιο Όνομα στο δεξιό τμήμα παραθύρου. Αλλάξτε το όνομα του ερωτήματος σε Online επισκέπτες.

   

8. Επιλέξτε Αποθήκευση & κλείσιμο και, στο παράθυρο διαλόγου, δώστε ένα όνομα για τη ροή δεδομένων και, στη συνέχεια, επιλέξτε Αποθήκευση.

   

Δημιουργία και εκπαίδευση ενός μοντέλου εκμάθησης μηχανής

Για να προσθέσετε ένα μοντέλο εκμάθησης μηχανής:

1. Επιλέξτε το εικονίδιο Εφαρμογή μοντέλου εκμάθησης μηχανής στη λίστα Ενέργειες για τον πίνακα που περιέχει τα δεδομένα εκπαίδευσης και τις πληροφορίες ετικέτας και, στη συνέχεια, επιλέξτε Προσθήκη μοντέλου εκμάθησης μηχανής.

   

2. Το πρώτο βήμα για τη δημιουργία του μοντέλου σας εκμάθησης μηχανής είναι να αναγνωρίσετε τα δεδομένα ιστορικού, συμπεριλαμβανομένου του πεδίου αποτελέσματος που θέλετε να προβλέψετε. Το μοντέλο δημιουργείται με εκμάθηση από αυτά τα δεδομένα. Σε αυτή την περίπτωση, θέλετε να προβλέψετε εάν οι επισκέπτες πρόκειται να πραγματοποιήσουν μια αγορά ή όχι. Το αποτέλεσμα που θέλετε να προβλέψετε είναι στο πεδίο Έσοδα . Επιλέξτε Έσοδα ως την τιμή στήληςΑποτέλεσμα και, στη συνέχεια, επιλέξτε Επόμενο.

   

3. Στη συνέχεια, επιλέγετε τον τύπο μοντέλου εκμάθησης μηχανής που θα δημιουργήσετε. Το Power BI αναλύει τις τιμές στο πεδίο αποτελέσματος που αναγνωρίσατε και προτείνει τους τύπους μοντέλων εκμάθησης μηχανής που μπορεί να δημιουργήσει για να προβλέψει αυτό το πεδίο.

   Σε αυτή την περίπτωση, δεδομένου ότι θέλετε να προβλέψετε ένα δυαδικό αποτέλεσμα για το αν ένας επισκέπτης πρόκειται να πραγματοποιήσει μια αγορά ή όχι, το Power BI συνιστά δυαδική πρόβλεψη. Επειδή σας ενδιαφέρει να προβλέψετε τους επισκέπτες που πρόκειται να πραγματοποιήσουν μια αγορά, επιλέξτε true στην περιοχή Επιλέξτε ένα αποτέλεσμα στόχου. Μπορείτε επίσης να παρέχετε διαφορετικές ετικέτες για χρήση για τα αποτελέσματα στην αναφορά που δημιουργείται αυτόματα, η οποία συνοψίζει τα αποτελέσματα επικύρωσης μοντέλου. Στη συνέχεια, επιλέξτε Επόμενο.

   

4. Το Power BI εκτελεί μια προκαταρκτική σάρωση ενός δείγματος των δεδομένων σας και προτείνει εισόδους που μπορεί να παράγουν πιο ακριβείς προβλέψεις. Εάν το Power BI δεν προτείνει μια στήλη, εξηγεί γιατί όχι δίπλα στη στήλη. Μπορείτε να αλλάξετε τις επιλογές για να συμπεριλάβετε μόνο τα πεδία που θέλετε να μελετήσει το μοντέλο επιλέγοντας ή καταλογίζοντας τα πλαίσια ελέγχου δίπλα στα ονόματα στηλών. Επιλέξτε Επόμενο για να αποδεχτείτε τις εισόδους.

   

5. Στο τελικό βήμα, ονομάστε το μοντέλο Πρόβλεψη πρόθεσης αγοράς και επιλέξτε το χρονικό διάστημα που θα αφιερώσετε στην εκπαίδευση. Μπορείτε να μειώσετε τον χρόνο εκπαίδευσης για να δείτε γρήγορα αποτελέσματα ή να αυξήσετε τον χρόνο για να λάβετε το καλύτερο μοντέλο. Στη συνέχεια, επιλέξτε Αποθήκευση και εκπαίδευση για να ξεκινήσετε την εκπαίδευση του μοντέλου.

   

Εάν λάβετε ένα σφάλμα παρόμοιο με τα Διαπιστευτήρια που δεν βρέθηκαν για την προέλευση δεδομένων, πρέπει να ενημερώσετε τα διαπιστευτήριά σας, ώστε το Power BI να μπορεί να βαθμολογήσει τα δεδομένα. Για να ενημερώσετε τα διαπιστευτήριά σας, επιλέξτε Περισσότερες επιλογές ... στη γραμμή κεφαλίδας και, στη συνέχεια, επιλέξτε Ρυθμίσεις> Ρυθμίσεις.

Επιλέξτε τη ροή δεδομένων σας στην περιοχή Ροές δεδομένων, αναπτύξτε το στοιχείο Διαπιστευτήρια προέλευσης δεδομένων και, στη συνέχεια, επιλέξτε Επεξεργασία διαπιστευτηρίων.

Παρακολούθηση κατάστασης εκπαίδευσης

Η διαδικασία εκπαίδευσης ξεκινά με δειγματοληψία και κανονικοποίηση των δεδομένων ιστορικού σας και διαίρεση του σημασιολογικού μοντέλου σας σε δύο νέες οντότητες: Δεδομένα εκπαίδευσης πρόβλεψης πρόθεσης αγοράς και Δεδομένα δοκιμής πρόβλεψης πρόθεσης αγοράς.

Ανάλογα με το μέγεθος του μοντέλου σημασιολογίας, η διαδικασία εκπαίδευσης μπορεί να διαρκέσει από λίγα λεπτά έως τον χρόνο εκπαίδευσης που επιλέξατε. Μπορείτε να επιβεβαιώσετε ότι το μοντέλο εκπαιδεύεται και επικυρώνεται μέσω της κατάστασης της ροής δεδομένων. Η κατάσταση εμφανίζεται ως μια ανανέωση δεδομένων σε εξέλιξη στην καρτέλα Σημασιολογικά μοντέλα + ροές δεδομένων του χώρου εργασίας.

Μπορείτε να δείτε το μοντέλο στην καρτέλα Μοντέλα εκμάθησης μηχανής της ροής δεδομένων. Η κατάσταση υποδεικνύει εάν το μοντέλο βρίσκεται σε ουρά για εκπαίδευση, βρίσκεται σε κατάσταση εκπαίδευσης ή έχει εκπαιδευτεί. Μετά την ολοκλήρωση της εκπαίδευσης μοντέλου, η ροή δεδομένων εμφανίζει μια ενημερωμένη Ώρα τελευταίας εκπαίδευσης και μια κατάσταση Εκπαίδευση.

Εξέταση της αναφοράς επικύρωσης μοντέλου

Για να εξετάσετε την αναφορά επικύρωσης μοντέλου, στην καρτέλα Μοντέλα εκμάθησης μηχανής, επιλέξτε το εικονίδιο Προβολή αναφοράς εκπαίδευσης στην περιοχή Ενέργειες. Αυτή η αναφορά περιγράφει τον τρόπο με τον οποίο είναι πιθανό να εκτελεστεί το μοντέλο εκμάθησης μηχανής σας.

Στη σελίδα Επιδόσεις μοντέλου της αναφοράς, επιλέξτε Δείτε τους κορυφαίους παράγοντες πρόβλεψης για προβολή των κορυφαίων προβλέψεων για το μοντέλο σας. Μπορείτε να επιλέξετε έναν από τους παράγοντες πρόβλεψης για να δείτε πώς συσχετίζεται η κατανομή αποτελέσματος με αυτή την πρόβλεψη.

Μπορείτε να χρησιμοποιήσετε τον αναλυτή Όριο πιθανότητας στη σελίδα Επιδόσεις μοντέλου για να εξετάσετε την επίδραση της Ακρίβειας και Ανάκλησης μοντέλου στο μοντέλο.

Οι άλλες σελίδες της αναφοράς περιγράφουν τα στατιστικά μετρικά απόδοσης για το μοντέλο.

Η αναφορά περιλαμβάνει επίσης μια σελίδα Λεπτομέρειες εκπαίδευσης που περιγράφει τις εκτελέσεις επαναλήψεις, πώς εξήχθησαν δυνατότητες από τις εισόδους και τις υπερπαραμετρήσεις για το τελικό μοντέλο που χρησιμοποιήθηκε.

Εφαρμογή του μοντέλου σε μια οντότητα ροής δεδομένων

Επιλέξτε το κουμπί Εφαρμογή μοντέλου στο επάνω μέρος της αναφοράς για να καλέσετε αυτό το μοντέλο. Στο παράθυρο διαλόγου Εφαρμογή, μπορείτε να καθορίσετε την οντότητα προορισμού στην οποία έχουν τα δεδομένα προέλευσης για εφαρμογή του μοντέλου. Στη συνέχεια, επιλέξτε Αποθήκευση και εφαρμογή.

Η εφαρμογή του μοντέλου δημιουργεί δύο νέους πίνακες, με τα επιθήματα εμπλουτισμένο <model_name> και εμπλουτισμένο <model_name> επεξηγήσεις. Σε αυτή την περίπτωση, η εφαρμογή του μοντέλου στον πίνακα Online επισκέπτες δημιουργεί:

• Οι online επισκέπτες εμπλουτίζουν την πρόβλεψη πρόθεσης Αγοράς, η οποία περιλαμβάνει την προβλεπόμενη έξοδο από το μοντέλο.
• Οι online επισκέπτες εμπλουτίζουν τις επεξηγήσεις πρόβλεψης πρόθεσης Αγοράς, οι οποίες περιέχουν τους κορυφαίους επηρεασμούς εγγραφών για την πρόβλεψη.

Η εφαρμογή του μοντέλου δυαδικής πρόβλεψης προσθέτει τέσσερις στήλες: Αποτέλεσμα, Βαθμολογία πρόβλεψης, Επεξήγηση πρόβλεψης και ExplanationIndex, καθεμία με πρόθεμα πρόβλεψης πρόθεσης αγοράς.

Μόλις ολοκληρωθεί η ανανέωση ροής δεδομένων, μπορείτε να επιλέξετε τον πίνακα Πρόβλεψη πρόθεσης αγοράς εμπλουτισμένων ηλεκτρονικών επισκεπτών για προβολή των αποτελεσμάτων.

Μπορείτε επίσης να καλέσετε οποιοδήποτε αυτοματοποιημένο μοντέλο εκμάθησης μηχανής στον χώρο εργασίας απευθείας από τη πρόγραμμα επεξεργασίας Power Query στη ροή δεδομένων σας. Για να αποκτήσετε πρόσβαση στα αυτοματοποιημένα μοντέλα εκμάθησης μηχανής, επιλέξτε Επεξεργασία για τον πίνακα που θέλετε να εμπλουτίσετε με δεδομενικές πληροφορίες από το αυτοματοποιημένο μοντέλο εκμάθησης μηχανής.

Στην πρόγραμμα επεξεργασίας Power Query, επιλέξτε Δεδομενικές πληροφορίες AI στην κορδέλα.

Στην οθόνη Δεδομενικές πληροφορίες AI, επιλέξτε τον φάκελο Power BI Εκμάθηση μηχανής Models από το παράθυρο περιήγησης. Η λίστα εμφανίζει όλα τα μοντέλα εκμάθησης μηχανής στα οποία έχετε πρόσβαση ως συναρτήσεις Power Query. Οι παράμετροι εισόδου για το μοντέλο εκμάθησης μηχανής αντιστοιχίστε αυτόματα ως παραμέτρους της αντίστοιχης συνάρτησης Power Query. Η αυτόματη αντιστοίχιση παραμέτρων πραγματοποιείται μόνο εάν τα ονόματα και οι τύποι δεδομένων της παραμέτρου είναι ίδιοι.

Για να καλέσετε ένα μοντέλο εκμάθησης μηχανής, μπορείτε να επιλέξετε οποιαδήποτε από τις στήλες του επιλεγμένου μοντέλου ως είσοδο στην αναπτυσσόμενη λίστα. Μπορείτε, επίσης, να καθορίσετε μια σταθερή τιμή για χρήση ως είσοδο, σωρεύοντας το εικονίδιο στήλης δίπλα στη γραμμή εισόδου.

Επιλέξτε Εφαρμογή για να προβάλετε την προεπισκόπηση των αποτελεσμάτων του μοντέλου εκμάθησης μηχανής ως νέες στήλες στον πίνακα. Βλέπετε επίσης την κλήση του μοντέλου στην περιοχή Εφαρμοσμένα βήματα για το ερώτημα.

Αφού αποθηκεύσετε τη ροή δεδομένων σας, το μοντέλο καλείται αυτόματα όταν ανανεώνεται η ροή δεδομένων, για οποιεσδήποτε νέες ή ενημερωμένες γραμμές στον πίνακα οντότητας.

Χρήση της εξόδου που σημειώθηκε από το μοντέλο σε μια αναφορά Power BI

Για να χρησιμοποιήσετε τη βαθμολογηθείσα έξοδο από το μοντέλο εκμάθησης μηχανής σας, μπορείτε να συνδεθείτε στη ροή δεδομένων σας από το Power BI Desktop χρησιμοποιώντας τη σύνδεση Ροές δεδομένων. Τώρα, μπορείτε να χρησιμοποιήσετε τον πίνακα πρόβλεψης πρόθεσης Αγοράς εμπλουτισμένων ηλεκτρονικών επισκεπτών για να ενσωματώσετε τις προβλέψεις από το μοντέλο σας στις αναφορές Power BI.

Περιορισμοί

Υπάρχουν ορισμένα γνωστά προβλήματα με τη χρήση πυλών με την αυτοματοποιημένη εκμάθηση μηχανής. Εάν θέλετε να χρησιμοποιήσετε μια πύλη, είναι προτιμότερο να δημιουργήσετε μια ροή δεδομένων που εισάγει πρώτα τα απαραίτητα δεδομένα μέσω της πύλης. Στη συνέχεια, δημιουργήστε μια άλλη ροή δεδομένων που αναφέρει την πρώτη ροή δεδομένων που δημιουργεί ή εφαρμόζει αυτά τα μοντέλα.

Εάν αποτύχει η εργασία σας AI με ροές δεδομένων, ίσως χρειαστεί να ενεργοποιήσετε τη δυνατότητα Γρήγορος συνδυασμός κατά τη χρήση τεχνητής νοημοσύνης με ροές δεδομένων. Αφού εισαγάγετε τον πίνακά σας και προτού αρχίσετε να προσθέτετε δυνατότητες AI, επιλέξτε Επιλογές από την Αρχική κορδέλα και στο παράθυρο που εμφανίζεται επιλέξτε το πλαίσιο ελέγχου δίπλα στο στοιχείο Να επιτρέπεται ο συνδυασμός δεδομένων από πολλές προελεύσεις για να ενεργοποιήσετε τη δυνατότητα και, στη συνέχεια, επιλέξτε OK για να αποθηκεύσετε την επιλογή σας. Στη συνέχεια, μπορείτε να προσθέσετε δυνατότητες AI στη ροή δεδομένων σας.

Σχετικό περιεχόμενο

Σε αυτή την εκμάθηση, δημιουργήσατε και εφαρμόσατε ένα μοντέλο δυαδικής πρόβλεψης στο Power BI κάνοντας τα εξής βήματα:

• Δημιουργήσαμε μια ροή δεδομένων με τα δεδομένα εισόδου.
• Δημιουργήσαμε και εκπαιδεύαμε ένα μοντέλο εκμάθησης μηχανής.
• Εξετάσαμε την αναφορά επικύρωσης μοντέλου.
• Εφαρμόσαμε το μοντέλο σε μια οντότητα ροής δεδομένων.
• Μάθατε πώς να χρησιμοποιείτε τη βαθμολογηθείσα έξοδο από το μοντέλο σε μια αναφορά Power BI.

Για περισσότερες πληροφορίες σχετικά με Εκμάθηση μηχανής αυτοματισμού στο Power BI, ανατρέξτε στο θέμα Αυτοματοποιημένη εκμάθηση μηχανής στο Power BI.