使用 AutoML 預測 （無伺服器）

重要

這項功能 公開預覽版。

本文說明如何使用馬賽克 AI 模型訓練 UI 執行無伺服器預測實驗。

馬賽克 AI 模型定型 - 預測可藉由自動選取最佳演算法和超參數來簡化預測時間序列數據，同時在完全受控的計算資源上執行。

若要瞭解無伺服器預測與傳統計算預測之間的差異，請參閱 無伺服器預測與傳統計算預測。

要求

• 使用時間序列 column定型資料，並儲存為 Unity Catalogtable。

• 如果工作區已啟用安全輸出閘道 （SEG），則必須將 pypi.org 新增至 允許的網域list。 請參閱 管理無伺服器輸出控制的網路原則。

使用UI建立預測實驗

前往您的 Azure Databricks 登入頁面，然後按下側邊欄中的 [實驗]。

1. 在 [預測] 圖格中，select[開始訓練]。

2. Unity 的 訓練數據 ，您可以存取。

   • 時間 column：Select 包含時間序列時間週期的 column。 columns 的類型必須是 timestamp 或 date。
   • 預測頻率：Select 代表輸入數據頻率的時間單位。 例如，分鐘、小時、天、月。 這會決定時間序列的數據粒度。
   • 預測地平線：指定要預測未來所選頻率的單位數目。 連同預測頻率，這會同時定義要預測的時間單位和時間單位數目。

   注意

   若要使用 自動 ARIMA 演算法，時間序列必須具有固定頻率，where 且在整個時間序列中，任何兩個點之間的間隔都必須相同。 AutoML 透過用先前的值填入那些遺漏的時間步驟 values 來進行處理。

3. Select 您想要模型預測的 預測目標 column。

4. 您可以選擇性地指定 Unity Catalogtable預測資料路徑 來儲存輸出預測。

   

5. Select 模型註冊 Unity Catalog 位置和名稱。

6. 選擇性 set進階選項：

   • 實驗名稱：提供 MLflow 實驗名稱。
   • 時間序列 identifiercolumns - 針對多序列預測，select 識別個別時間序列的 column（s） 。 Databricks 會將這些 columns 的數據分組為不同的時間序列，並個別定型每個數列的模型。
   • 主要計量：選擇用來評估和 select 最佳模型的主要計量。
   • 訓練架構：選擇要探索的 AutoML 架構。
   • 分割 column：Select 包含自定義數據分割的 column。 Values 必須是 “train”、“validate”、“test”
   • 權數 column：指定要用於加權時間序列的 column。 指定時間序列的所有範例都必須具有相同的權數。 重量必須介於[0-10000]範圍內。
   • 假日區域：Select 用於模型訓練中作為共變量的假日區域。
   • 逾時：Set AutoML 實驗的最大持續時間。

執行實驗並監視結果

若要啟動 AutoML 實驗，請按兩下 [開始訓練] 。 您可以從實驗訓練頁面執行下列動作：

• 隨時停止實驗。
• 監控正在運行。
• 流覽至任何回合的執行頁面。

檢視結果或使用最佳模型

訓練完成之後，預測結果會被儲存在指定的 Delta table，並且將最佳模型註冊到 Unity Catalog。

從實驗頁面，您可以選擇下列後續步驟：

• Select 檢視預測 以查看預測結果 table。
• Select 批次推斷筆記本，開啟自動生成的筆記本以使用最佳模型進行批次推斷。
• Select 建立服務端點，將最佳模型部署至模型服務端點。

無伺服器預測與傳統計算預測

下列 table 摘要說明無伺服器預測與傳統計算 預測之間的差異

特徵	無伺服器預測	傳統計算預測
計算基礎結構	Azure Databricks 會管理計算組態，並自動針對成本和效能進行優化。	用戶設定的運算
統轄	向 Unity 註冊的模型和工件 Catalog	用戶設定的工作區檔案儲存庫
演算法選擇	統計模型 加上深度學習類神經網路演算法，DeepAR	統計模型
功能存放區整合	不支援	支援
自動產生的筆記本	批次推斷筆記本	所有試用版的原始程式碼
單鍵模型服務部署	支援	不支援
自定義訓練/驗證/測試分割	支援	不支援
個別時間序列的自訂權重	支援	不支援