Opetusohjelma: Koneoppimismallin luominen Power BI:ssä

Tärkeä

Power BI:n automaattisten Automaattianalyysipalvelut mallien (AutoML) luominen tietovoille v1 on poistettu käytöstä, eikä niitä ole enää käytettävissä. Asiakkaita kehotetaan siirtämään ratkaisusi Microsoft Fabricin AutoML-ominaisuuteen. Lisätietoja on eläkeilmoituksessa.

Tässä opetusohjelmassa käytetään automaattianalyysipalveluita binaariennustemallin luomiseen ja käyttämiseen Power BI:ssä. Luot Power BI -tietovuon ja käytät tietovuossa määrittämiäsi entiteettejä koneoppimismallin kouluttamiseen ja vahvistamiseen suoraan Power BI:ssä. Sen jälkeen voit käyttää mallia uusien tietojen pisteytykseen ja ennusteiden luomiseen.

Ensin luodaan binaarisen ennusteen koneoppimismalli online-ostajien ostoaikeen ennustamiseksi heidän online-istunnon määritteidensä perusteella. Tässä harjoituksessa käytetään koneoppimisen semanttista vertailumallia. Kun olet harjoittanut mallin, Power BI luo automaattisesti vahvistusraportin, jossa selitetään mallin tulokset. Voit sitten tarkistaa vahvistusraportin ja ottaa mallin käyttöön tiedoissasi pisteytystä varten.

Tämä opetusohjelma koostuu seuraavista vaiheista:

• Luo tietovuo syötetietojen avulla.
• Koneoppimismallin luominen ja harjoittaminen.
• Tarkista mallin vahvistusraportti.
• Käytä mallia tietovuon entiteetissä.
• Käytä mallin pisteytetyt tulokset Power BI -raportissa.

Tietovuon luominen syötetietojen avulla

Luo tietovuo syötetietojen avulla noudattamalla seuraavia vaiheita.

Nouda tietoja

Ensimmäinen vaihe tietovuon luomisessa on tietolähteiden valmistelu. Tässä tapauksessa käytät koneoppimisen semanttista mallia online-istuntojen sarjasta, joista osa päättyi ostoon. Semanttinen malli sisältää joukon määritteitä näistä istunnoista, joita käytät mallisi harjoittamiseen.

Voit ladata semanttisen mallin UC Irvine -verkkosivustosta tai lataamalla online_shoppers_intention.csv. Myöhemmin tässä opetusohjelmassa muodostat yhteyden semanttiseen malliin määrittämällä sen URL-osoitteen.

Luo taulukot

Jotta voit luoda entiteetit tietovirrassa, kirjaudu sisään Power BI -palvelu ja siirry työtilaan.

1. Jos sinulla ei ole työtilaa, luo sellainen valitsemalla Power BI:n vasemmassa siirtymisruudussa Työtilat ja valitsemalla Luo työtila. Kirjoita Luo työtila -paneeliin työtilan nimi ja valitse Tallenna.

   

2. Valitse uusi työtila uuden työtilan yläreunasta ja valitse sitten Tietovuo.

   

3. Käynnistä Power Query -editori selaimessa valitsemalla Lisää uudet taulukot.

   

4. Valitse Valitse tietolähde -näytössä tietolähteeksi Teksti/CSV.

   

5. Liitä tietolähdesivulle Näyttöyhteys seuraava linkki online_shoppers_intention.csv-tiedostoon Tiedostopolku tai URL-osoite -ruutuun ja valitse sitten Seuraava.

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

   

6. Power Query -editori näkyy CSV-tiedoston tietojen esikatselu. Jos haluat tehdä muutoksia tietoihin ennen niiden lataamista, valitse Muunna tiedot.

   

7. Power Query päättyy automaattisesti sarakkeiden tietotyypeistä. Voit muuttaa tietotyyppejä valitsemalla sarakeotsikoiden yläosasta määritetyyppikuvakkeen. Muuta Revenue-sarakkeen tyypiksi True/False.

   Voit nimetä kyselyn uudelleen muuttamalla oikeanpuoleisen ruudun Nimi-ruudun arvoa. Muuta kyselyn nimeksi Online-vierailijat.

   

8. Valitse Tallenna ja sulje. Anna valintaikkunassa tietovuohlle nimi ja valitse sitten Tallenna.

   

Koneoppimismallin luominen ja harjoittaminen

Lisää koneoppimismalli:

1. Valitse Käytä koneoppimismallia -kuvake Toiminnot-luettelosta taulukosta, joka sisältää harjoitus- ja otsikkotiedot, ja valitse sitten Lisää koneoppimismalli.

   

2. Ensimmäinen vaihe koneoppimismallin luomisessa on tunnistaa ne historialliset tiedot, mukaan lukien tuloskenttä, jonka haluat ennustaa. Malli luodaan näistä tiedoista oppimalla. Tässä tapauksessa haluat ennustaa, tekevätkö vierailijat oston vai eivät. Tulos, jonka haluat ennustaa, on Tuotto-kentässä. Valitse Tulos-sarakkeenarvoksi Tuotto ja valitse sitten Seuraava.

   

3. Seuraavaksi valitset luotavan koneoppimismallin tyypin. Power BI analysoi määrittämäsi tuloskentän arvot ja ehdottaa tämän kentän ennakoimiseksi luotavien koneoppimismallien tyyppejä.

   Tässä tapauksessa, koska haluat ennustaa binaarisen tuloksen siitä, tekeekö käyttäjä oston vai ei, Power BI suosittelee binaariennustetta. Koska olet kiinnostunut ennustamaan kävijöitä, jotka tekevät ostoksen, valitse true kohdassa Valitse tavoitetulos. Voit myös antaa eri otsikoita käytettäväksi automaattisesti luodun raportin tuloksille, jotka tekevät yhteenvedon mallin vahvistustuloksista. Valitse sitten Seuraava.

   

4. Power BI tarkistaa tietonäytteen alustavasti ja ehdottaa syötteitä, jotka saattavat tuottaa tarkempia ennusteita. Jos Power BI ei suosittele saraketta, siinä kerrotaan, miksi saraketta ei kannata käyttää. Voit muuttaa valinnat sisältämään vain ne kentät, joita haluat mallin tutkivan, valitsemalla tai poistamalla sarakkeiden nimien vieressä olevien valintaruutujen valinnan. Hyväksy syötteet valitsemalla Seuraava .

   

5. Anna viimeisessä vaiheessa mallille nimeksi Ostoaikeen ennuste ja valitse harjoittamiseen kuluva aika. Voit lyhentää harjoitusaikaa saadaksesi nopeita tuloksia tai pidentää aikaa parhaan mallin saamiseksi. Aloita mallin harjoittaminen valitsemalla Tallenna ja harjoita .

   

Jos näyttöön tulee tunnistetietojen lisäksi tunnistetietojen kaltainen virhe, jota ei löydy tietolähteestä, sinun on päivitettävä tunnistetietosi, jotta Power BI voi pisteytä tiedot. Päivitä tunnistetietosi valitsemalla ylätunnistepalkista Enemmän vaihtoehtoja ... ja valitsemalla sitten Asetukset> Asetukset.

Valitse tietovuo kohdasta Tietovuot, laajenna Tietolähteen tunnistetiedot ja valitse sitten Muokkaa tunnistetietoja.

Seuraa koulutuksen tilaa

Harjoitusprosessi alkaa ottamalla näytteitä historiallisista tiedoista ja normalisoimalla ne ja jakamalla semanttinen mallisi kahdeksi uudeksi entiteetiksi: Ostoaikeen ennusteen harjoitustiedot ja Ostoaikeen ennusteen testaustiedot.

Semanttisen mallin koosta riippuen harjoitusprosessi voi kestää muutamasta minuutista valitsemaasi harjoitusaikaan asti. Voit vahvistaa mallin harjoittamisen ja vahvistamisen tietovuon tilan kautta. Tila näkyy tietojen päivittämisenä työtilan Semanttiset mallit ja tietovuot -välilehdellä.

Näet mallin tietovuon Koneoppimismallit-välilehdellä . Tila ilmaisee, onko malli asetettu jonoon harjoittamista varten, onko sitä harjoitettu vai onko se harjoitettu. Kun mallin harjoittaminen on valmis, tietovuossa näkyy päivitetty viimeisin harjoitettu aika ja Harjoitettu-tila.

Mallin vahvistusraportin tarkistaminen

Jos haluat tarkastella mallin vahvistusraporttia, valitse Koneoppimismallit-välilehdessäNäytä harjoitusraportti -kuvake kohdasta Toiminnot. Tässä raportissa kuvataan, miten koneoppimismalli todennäköisesti suoriutuu.

Valitse raportin Mallin suorituskyky -sivulla Tärkeimmät ennusteet tarkastellaksesi mallisi tärkeimpiä ennusteita. Voit valita jonkin ennusteen nähdäksesi, miten kyseiseen ennusteeseen liittyvät tulokset jakautuvat.

Mallin suorituskyky -sivulla olevan Todennäköisyyden raja-arvo -osittajan avulla voit tarkastella mallin Tarkkuus- ja Saanti-arvojen vaikutusta mallissa.

Raportin muut sivut kuvaavat mallin tilastollisia suorituskykymittareita.

Raportti sisältää myös Harjoitustiedot-sivun, jossa kuvataan iteraatioiden suorittamista, miten ominaisuudet poimittiin syötteistä ja käytetyn lopullisen mallin hyperparametreja.

Mallin käyttäminen tietovuon entiteetissä

Valitse Käytä mallia -painike raportin yläreunasta, jos haluat käynnistää tämän mallin. Käytä-valintaikkunassa voit määrittää kohde-entiteetin, jonka lähdetietoja malli käyttää. Valitse sitten Tallenna ja ota käyttöön.

Mallin käyttäminen luo kaksi uutta taulukkoa, joiden jälkiliitteet ovat täydennetty <model_name> ja täydennetty <> model_name selitykset. Tässä tapauksessa mallin lisääminen Online-vierailijat-taulukkoon luo:

• Online-vierailijat täydensi ostoaikeen ennustetta, joka sisältää mallin ennustetun tuloksen.
• Online-vierailijat täydensivät Ostoaikeen ennusteen selitykset, joka sisältää ennusteen parhaat tietuekohtaiset vaikuttajat.

Binaariennustemallin käyttäminen lisää neljä saraketta: Tulos, EnnusteenPisteet, EnnusteenSelitys ja Selitysindeksi, joissa jokaisessa on Ostoaikeen ennusteen etuliite.

Kun tietovuon päivitys on valmis, voit tarkastella tuloksia valitsemalla Online-vierailijat täydennetty Ostoaikeen ennuste -taulukon.

Voit käynnistää minkä tahansa automatisoidun koneoppimismallin työtilassa myös suoraan tietovuon Power Query -editori. Jos haluat käyttää automaattianalyysipalveluiden malleja, valitse taulukosta Muokkaa , jota haluat rikastuttaa automatisoidun koneoppimismallisi merkityksellisillä tiedoilla.

Valitse Power Query -editori valintanauhasta Tekoälyn merkitykselliset tiedot.

Valitse Tekoälyn merkitykselliset tiedot -näytössä Power BI Automaattianalyysipalvelut Mallit -kansio siirtymisruudusta. Luettelossa näkyvät kaikki koneoppimismallit, joihin sinulla on käyttöoikeus Power Query -funktioina. Koneoppimismallin syöteparametrit yhdistetään automaattisesti vastaavan Power Query -funktion parametreina. Automaattinen parametrien yhdistäminen tapahtuu vain, jos parametrin nimet ja tietotyypit ovat samat.

Jos haluat käynnistää koneoppimismallin, voit valita avattavasta luettelosta minkä tahansa valitun mallin sarakkeista syötteeksi. Voit myös määrittää syötteenä käytettävän vakioarvon ottamalla syöterivin vieressä olevan sarakekuvakkeen käyttöön.

Valitse Käytä , niin voit tarkastella koneoppimismallin tulostetta taulukon uusina sarakkeina. Näet myös mallin kutsun kyselyn Käytössä olevat vaiheet -kohdassa.

Kun olet tallentanut tietovuon, malli käynnistyy automaattisesti, kun tietovuo päivitetään entiteettitaulukon uusille tai päivitetyille riveille.

Mallin pisteytetun tulosteen käyttäminen Power BI -raportissa

Jos haluat käyttää koneoppimismallin pisteytetyt tulokset, voit muodostaa yhteyden tietovuohon Power BI Desktopista käyttämällä tietovoiden liitintä. Voit nyt käyttää Online-vierailijoita täydennetty Ostoaikeen ennuste -taulukkoa mallisi ennustusten sisällyttämiseen Power BI -raportteihin.

Rajoitukset

Yhdyskäytäviä käytettäessä automatisoidussa koneoppimisessa on joitakin tunnettuja ongelmia. Jos sinun on käytettävä yhdyskäytävää, on parasta luoda tietovuo, joka tuo ensin tarvittavat tiedot yhdyskäytävän kautta. Luo sitten toinen tietovuo, joka viittaa ensimmäiseen tietovuohon, joka luo tai käyttää näitä malleja.

Jos tekoälytyö tietovoiden kanssa epäonnistuu, saatat joutua ottamaan nopean yhdistämisen käyttöön, kun käytät tekoälyä tietovoiden kanssa. Kun olet tuonut taulukon ja aloitat tekoälyominaisuuksien lisäämisen, valitse Aloitus-valintanauhasta Asetukset. Valitse näyttöön tulevassa ikkunassa Salli tietojen yhdistäminen useista lähteistä -kohdan vieressä oleva valintaruutu. Tallenna sitten valintasi valitsemalla OK. Tämän jälkeen voit lisätä tietovuohon tekoälyominaisuuksia.

Liittyvä sisältö

Tässä opetusohjelmassa loit ja käytit binaariennustemallia Power BI:ssä toimimalla seuraavasti:

• Tietovuo luotiin syötetietojen avulla.
• Koneoppimismallin luominen ja harjoittaminen.
• Tarkastellut mallin vahvistusraportin.
• Käyttänyt mallia tietovuon entiteetissä.
• Opi käyttämään mallin pisteytetyt tulokset Power BI -raportissa.

Lisätietoja Automaattianalyysipalvelut automatisoinnista Power BI:ssä on artikkelissa Automaattianalyysipalvelut Power BI:ssä.