Gerenciar execuções de experimentos no Machine Learning Studio (clássico)
APLICA-SE A: Machine Learning Studio (clássico) Azure Machine Learning
Importante
O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.
A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).
- Consulte informações sobre como mover projetos de aprendizado de máquina do ML Studio (clássico) para o Azure Machine Learning.
- Saiba mais sobre o Azure Machine Learning
A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.
O desenvolvimento de um modelo de análise preditiva é um processo iterativo - à medida que você modifica as várias funções e parâmetros do seu experimento, seus resultados convergem até que você esteja satisfeito por ter um modelo treinado e eficaz. A chave para esse processo é acompanhar as várias iterações dos parâmetros e configurações do experimento.
Você pode revisar execuções anteriores de seus experimentos a qualquer momento, a fim de desafiar, revisitar e, finalmente, confirmar ou refinar suposições anteriores. Quando você executa um experimento, o Estúdio de Aprendizado de Máquina (clássico) mantém um histórico da execução, incluindo conexões e parâmetros de conjunto de dados, módulo e porta. Esse histórico também captura resultados, informações de tempo de execução, como horários de início e parada, mensagens de log e status de execução. Você pode olhar para trás em qualquer uma dessas execuções a qualquer momento para rever a cronologia do seu experimento e resultados intermediários. Você pode até mesmo usar uma execução anterior de seu experimento para iniciar uma nova fase de investigação e descoberta em seu caminho para criar soluções de modelagem simples, complexas ou até mesmo conjuntas.
Nota
Quando você visualiza uma execução anterior de um experimento, essa versão do experimento é bloqueada e não pode ser editada. No entanto, você pode salvar uma cópia dele clicando em SALVAR COMO e fornecendo um novo nome para a cópia. O Machine Learning Studio (clássico) abre a nova cópia, que pode ser editada e executada. Esta cópia do seu experimento está disponível na lista EXPERIMENTOS, juntamente com todos os seus outros experimentos.
Ver a execução anterior
Quando você tiver um experimento aberto que tenha sido executado pelo menos uma vez, poderá exibir a execução anterior do experimento clicando em Execução Anterior no painel de propriedades.
Por exemplo, suponha que você crie um experimento e execute versões dele às 11:23, 11:42 e 11:55. Se você abrir a última execução do experimento (11:55) e clicar em Execução Prévia, a versão executada às 11:42 será aberta.
Ver o histórico de execução
Você pode exibir todas as execuções anteriores de um experimento clicando em Exibir Histórico de Execução em um experimento aberto.
Por exemplo, suponha que você crie um experimento com o módulo Regressão Linear e queira observar o efeito da alteração do valor da taxa de aprendizagem nos resultados do experimento. Execute o experimento várias vezes com valores diferentes para esse parâmetro, da seguinte maneira:
Valor da Taxa de Aprendizagem | Hora de início da execução |
---|---|
0.1 | 11/09/2014 16:18:58 |
0.2 | 11/09/2014 16:24:33 |
0.4 | 11/9/2014 16:28:36 |
0.5 | 11/9/2014 16:33:31 |
Se você clicar em EXIBIR HISTÓRICO de EXECUÇÃO, verá uma lista de todas essas execuções:
Clique em qualquer uma dessas execuções para exibir um instantâneo do experimento no momento em que você o executou. A configuração, os valores dos parâmetros, os comentários e os resultados são preservados para fornecer um registro completo dessa execução do experimento.
Gorjeta
Para documentar suas iterações do experimento, você pode modificar o título cada vez que executá-lo, pode atualizar o Resumo do experimento no painel de propriedades e pode adicionar ou atualizar comentários em módulos individuais para registrar suas alterações. O título, o resumo e os comentários do módulo são salvos a cada execução do experimento.
A lista de experimentos na guia EXPERIMENTOS no Machine Learning Studio (clássico) sempre exibe a versão mais recente de um experimento. Se você abrir uma execução anterior do experimento (usando Execução Anterior ou EXIBIR HISTÓRICO de EXECUÇÃO), poderá retornar à versão de rascunho clicando em EXIBIR HISTÓRICO DE EXECUÇÃO e selecionando a iteração que tem um ESTADO de Editável.
Executar uma experiência anterior
Quando você clica em Execução Anterior ou Exibir Histórico de Execução e abre uma execução anterior, você pode exibir um experimento concluído no modo somente leitura.
Se você quiser começar uma iteração do experimento começando com a maneira como você o configurou para uma execução anterior, você pode fazer isso abrindo a execução e clicando em SALVAR AS. Isso cria um novo experimento, com um novo título, um histórico de execução vazio e todos os componentes e valores de parâmetros da execução anterior. Esse novo experimento está listado na guia EXPERIMENTOS na página inicial do Estúdio de Aprendizado de Máquina (clássico), e você pode modificá-lo e executá-lo, iniciando um novo histórico de execução para essa iteração do experimento.
Por exemplo, suponha que você tenha o histórico de execução do experimento mostrado na seção anterior. Você deseja observar o que acontece quando você define o parâmetro Taxa de aprendizagem como 0,4 e tenta valores diferentes para o parâmetro Número de épocas de treinamento.
- Clique em VIEW RUN HISTORY e abra a iteração do experimento que você executou às 16:28:36 (na qual você define o valor do parâmetro como 0,4).
- Clique em SALVAR AS.
- Insira um novo título e clique na marca de seleção OK . Uma nova cópia do experimento é criada.
- Modifique o parâmetro Number of training epochs .
- Clique em EXECUTAR.
Agora você pode continuar a modificar e executar esta versão do experimento, criando um novo histórico de execução para registrar seu trabalho.