[PYTHON] Vorhersage von Zeitreihendaten durch AutoML (automatisches maschinelles Lernen)

Im Folgenden finden Sie die Schritte zum Erlernen eines prädiktiven Zeitreihen-Regressionsmodells mithilfe von AutoML (Automatic Machine Learning) von Azure Machine Learning.

AutoML (Automated ML) ist eine Funktion, die automatisch Prozesse wie Feature Quantity Engineering, Modellauswahl und Hyperparameterauswahl auf der Seite von Azure Machine Learning durch einfaches Eingeben von Daten und Grundeinstellungen ausführt. Siehe unten für Details. Was ist automatisches maschinelles Lernen (AutoML)

Unten finden Sie den Beispielcode und die Daten, die in diesem Artikel verwendet werden. : robot: Beispielcode (github) : Bier: [Beispieldaten (für Schulungen) - Zeitreihendaten für die Bierproduktion von 1992-2016](https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated- maschinelles Lernen / Prognose-Bier-Fernbedienung / Beer_no_valid_split_train.csv) : Bier: [Beispieldaten (zum Testen) --2017-2018 Zeitreihendaten für die Bierproduktion](https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated- maschinelles Lernen / Prognose-Bier-Fernbedienung / Beer_no_valid_split_test.csv)

Basierend auf den folgenden Trainingsdaten (1992-2016) werden wir die Nachfrage nach Bier nach 2017 prognostizieren. Wenn Sie CSV-Daten mit zwei Spalten haben, Datums- und numerische Daten (z. B. Verkäufe), können Sie das gleiche Verfahren ausprobieren.

Erstellen von Azure Machine Learning

Zugriff auf das Azure-Portal (https://ms.portal.azure.com)
Drücken Sie das Menü in der folgenden Reihenfolge
[+ Ressource erstellen] 2. [AI + Machine Learning] 3. [Machine Learning]
Stellen Sie die folgenden Elemente entsprechend ein

Name des Arbeitsbereichs: Optional
Ressourcengruppe: Optional
Ort: Ostjapan
Workspace Edition: Enterprise (Wählen Sie Enterprise anstelle von Basic, um Auto ML zu verwenden.) Klicken Sie nach den obigen Einstellungen auf die Schaltfläche [Bestätigen und Erstellen], um die Bereitstellung zu starten.

Starten Sie Azure Machine Learning Studio

Klicken Sie im ML-Bildschirm in Azure Machine Learning Studio auf [Jetzt starten]. (Alternativ können Sie unter https://ml.azure.com den Bildschirm Azure Machine Learning Studio direkt öffnen.)

Erstellen einer Recheninstanz

Integrierter Entwicklungsbildschirm Öffnen Sie [Computing] von Azure Machine Learning Studio
Wählen Sie die Registerkarte Recheninstanzen und klicken Sie auf + Neu
Stellen Sie die folgenden Elemente entsprechend ein

Berechnungsname: Optional
Virtual machine type： CPU (Central Processing Unit)
Größe der virtuellen Maschine: Standard (Standard_DS3_v2)
4 vCPU-Kern ist ausreichend

Klicken Sie nach den obigen Einstellungen auf die Schaltfläche [Erstellen], um die Bereitstellung zu starten.

Erstellen eines Trainingsclusters

Integrierter Entwicklungsbildschirm Öffnen Sie [Computing] von Azure Machine Learning Studio Wählen Sie die Registerkarte [Cluster berechnen] und klicken Sie auf [+ Neu].
Stellen Sie die folgenden Elemente entsprechend ein

Berechnungsname: Optional
Virtual machine type： CPU (Central Processing Unit)
Größe der virtuellen Maschine: Standard (Standard_DS3_v2)
4 vCPU-Kern ist ausreichend
Mindestanzahl von Knoten: 0
Maximale Anzahl von Knoten: 1

Klicken Sie nach den obigen Einstellungen auf die Schaltfläche [Erstellen], um die Bereitstellung zu starten.

Laden Sie Beispielcode und Daten hoch

Greifen Sie über ml.azure.com auf den integrierten Entwicklungsbildschirm Azure Machine Learning Studio zu.
Klicken Sie auf Notizbuch, klicken Sie auf Ordner hochladen und zip von github heruntergeladen (https://github.com/yahanda/time-series-forecasting-with-auto-ml). Laden Sie den entpackten Ordner hoch.

Führen Sie das Knotenbuch aus

Klicken Sie auf Beer-Forcasting-Automated-ml.ipynb und dann auf Jupyter> Mit Jupyter bearbeiten
Kerneleinstellungen
Geben Sie die von Jupyter verwendete Python-Umgebung an
Wählen Sie Python 3.6 - AzureML
Zelle ausführen (Es gibt 3 Möglichkeiten, die Zelle auszuführen)
Tastenkürzel: Strg + Eingabetaste (empfohlen)
Wählen Sie in der Zellenleiste die Option Zellen ausführen aus
Wählen Sie [> Ausführen]

Details zu Ihrer Arbeit finden Sie in Notizbuch. Bitte beachten Sie die Erklärung von.

Bis zum Ende hat das beste Modell eine sehr hohe Genauigkeit mit einer durchschnittlichen absoluten Fehlerrate (MAPE) von 6,3%.

Model MAPE:
0.06370896673493383

Model Accuracy:
0.9362910332650661

Es ist eine grafische Darstellung der vorhergesagten und tatsächlichen Werte.

(Modellgenauigkeit prüfen)

Sie können die Informationen verschiedener Modelle, die AutoML ausprobiert hat, auch über die GUI im Menü [Automatic ML] von Azure Machine Learning Studio überprüfen.

Übersicht über das beste Modell
Liste der Modelle, die AutoML ausprobiert hat
Modellgenauigkeit
Bedeutung erklärender Variablen