6 Démarrer avec l'interface utilisateur AutoML
L'interface utilisateur AutoML (interface utilisateur AutoML) est une interface Oracle Machine Learning qui vous fournit une modélisation d'apprentissage automatique automatisée sans code. Lorsque vous créez et exécutez une expérience dans l'interface utilisateur AutoML, elle effectue la sélection automatique d'algorithmes, la sélection de fonctions et la mise au point de modèles, améliorant ainsi la productivité et augmentant potentiellement la précision et la performance du modèle.
Les étapes suivantes comprennent un flux de travail de modélisation d'apprentissage automatique et sont automatisées par l'interface utilisateur AutoML :
- Sélection d'algorithmes : Classe les algorithmes susceptibles de produire un modèle plus précis basé sur le jeu de données et ses caractéristiques, et certaines caractéristiques prédictives du jeu de données pour chaque algorithme.
- Échantillonnage adaptatif : Recherche un échantillon de données approprié. L'objectif de cette étape est d'accélérer les étapes de sélection de fonctionnalités et de réglage de modèle sans dégrader la qualité du modèle.
- Sélection de fonction : Sélectionne un sous-ensemble de fonctions qui sont les plus prédictives de la cible. L'objectif de cette étape est de réduire le nombre de fonctionnalités utilisées dans les étapes ultérieures du pipeline, en particulier lors de l'étape de réglage du modèle pour accélérer le pipeline sans dégrader la précision prédictive.
- Réglage du modèle : vise à augmenter la qualité du modèle d'algorithme individuel en fonction de la mesure sélectionnée pour chacun des algorithmes présélectionnés.
- Incidence de la prévision de fonction : Il s'agit de l'étape finale du pipeline d'interface utilisateur AutoML. Ici, l'impact de chaque colonne d'entrée sur les prédictions du modèle réglé final est calculé. L'incidence de la prédiction calculée fournit des informations sur le comportement du modèle AutoML ajusté.
- Créer des modèles d'apprentissage automatique
- Déployer des modèles d'apprentissage automatique
Expériences de l'interface utilisateur AutoML
Lorsque vous créez une expérience dans l'interface utilisateur AutoML, elle exécute automatiquement toutes les étapes impliquées dans le flux de travail d'apprentissage automatique. Dans la page Exemples, toutes les expériences que vous avez créées sont répertoriées. Pour voir les détails d'une expérience, cliquez sur une expérience. En outre, vous pouvez effectuer les tâches suivantes :
Figure 6-1 Expériences
- Créer : Cliquez sur Créer pour créer une nouvelle expérience d'interface utilisateur AutoML. L'expérience d'interface utilisateur AutoML que vous créez réside dans le projet que vous avez sélectionné dans le projet sous l'espace de travail.
- Modifier : Sélectionnez toute expérience répertoriée ici, puis cliquez sur Modifier pour modifier la définition de l'expérience.
- Supprimer : Sélectionnez toute expérience répertoriée ici, puis cliquez sur Supprimer pour la supprimer. Vous ne pouvez pas supprimer une expérience en cours d'exécution. Vous devez d'abord arrêter l'expérience pour la supprimer.
- Dupliquer : Sélectionnez une expérience et cliquez sur Dupliquer pour en créer une copie. L'expérience est dupliquée instantanément et a le statut Prêt.
- Déplacer : Sélectionnez une expérience et cliquez sur Déplacer pour déplacer l'expérience vers un autre projet dans le même espace de travail ou un autre. Vous devez disposer du privilège
Administrator
ouDeveloper
pour déplacer des expériences entre des projets et des espaces de travail.Note :
Une expérience ne peut pas être déplacée si elle est dans les états RUNNING, STOPPING ou STARTING, ou si une expérience existe déjà dans le projet cible sous le même nom. - Copier : Sélectionnez une expérience et cliquez sur Copier pour copier l'expérience dans un autre projet dans le même espace de travail ou dans un autre.
- Démarrer : Si vous avez créé une expérience mais que vous ne l'avez pas exécutée, cliquez sur Démarrer pour l'exécuter.
- Arrêter : Sélectionnez une expérience en cours d'exécution, puis cliquez sur Arrêter pour arrêter l'exécution de l'expérience.
- Accéder à l'interface utilisateur AutoML
Vous pouvez accéder à l'interface utilisateur AutoML à partir d'Oracle Machine Learning Notebooks. - Créer une expérience d'interface utilisateur AutoML
Pour utiliser l'interface utilisateur Oracle Machine Learning AutoML UI, vous commencez par créer une expérience. Une expérience est une unité de travail qui spécifie au minimum la source de données, la cible de prédiction et le type de prédiction. Après une expérience réussie, il vous présente une liste de modèles d'apprentissage automatique par ordre de qualité de modèle en fonction de la mesure sélectionnée. Vous pouvez sélectionner l'un de ces modèles pour le déploiement ou pour générer un carnet. Le carnet généré contient du code Python à l'aide de OML4Py et des paramètres spécifiques AutoML utilisés pour produire le modèle. - Voir une expérience
Dans la page Expériences de l'interface utilisateur AutoML, toutes les expériences que vous avez créées sont listées. Chaque expérience se déroulera dans l'une des étapes suivantes : Terminé, En cours d'exécution et Prêt.
Rubriques connexes
6.1 Accéder à l'interface utilisateur AutoML
Vous pouvez accéder à l'interface utilisateur AutoML à partir d'Oracle Machine Learning Notebooks.
Rubrique parent : Introduction à l'interface utilisateur AutoML
6.2 Créer une expérience d'interface utilisateur AutoML
Pour utiliser l'interface utilisateur Oracle Machine Learning AutoML UI, vous commencez par créer une expérience. Une expérience est une unité de travail qui spécifie au minimum la source de données, la cible de prédiction et le type de prédiction. Après une expérience réussie, il vous présente une liste de modèles d'apprentissage automatique par ordre de qualité de modèle en fonction de la mesure sélectionnée. Vous pouvez sélectionner l'un de ces modèles pour le déploiement ou pour générer un carnet. Le carnet généré contient du code Python à l'aide de OML4Py et des paramètres spécifiques AutoML utilisés pour produire le modèle.
- Types de données pris en charge pour les expériences d'interface utilisateur AutoML
Lors de la création d'une expérience AutoML, vous devez spécifier la source de données et la cible de l'expérience. Cette rubrique répertorie les types de données pour Python et SQL pris en charge par les expériences AutoML.
Rubrique parent : Introduction à l'interface utilisateur AutoML
6.2.1 Types de données pris en charge pour les expériences d'interface utilisateur AutoML
Lors de la création d'une expérience AutoML, vous devez spécifier la source de données et la cible de l'expérience. Cette rubrique répertorie les types de données pour Python et SQL pris en charge par les expériences AutoML.
Tableau 6-1 Types de données pris en charge par AutoML Experiments
Types données | Types de données SQL | Types de données Python |
---|---|---|
Numérique | NUMBER, INTEGER, FLOAT, BINARY_DOUBLE, NUMBER, BINARY_FLOAT, DM_NESTED_NUMERICALS, DM_NESTED_BINARY_DOUBLES, DM_NESTED_BINARY_FLOATS |
|
Catégorique |
|
|
Texte non structuré |
|
|
Rubrique parent : Créer une expérience d'interface utilisateur AutoML
6.3 Voir une expérience
Dans la page Expériences de l'interface utilisateur AutoML, toutes les expériences que vous avez créées sont listées. Chaque expérience se déroulera dans l'une des étapes suivantes : Terminé, En cours d'exécution et Prêt.
Pour afficher une expérience, cliquez sur son nom. La page Expérience affiche les détails de l'expérience sélectionnée. Elle contient les sections suivantes :
Modifier l'expérience
Note :
Vous ne pouvez pas modifier une expérience en cours d'exécution.Graphique de mesure
Le graphique de mesure du modèle représente la meilleure valeur de mesure au fil du temps lors de l'exécution de l'expérience. Il montre une amélioration de la précision à mesure que le déroulement de l'expérience progresse. Le nom d'affichage dépend de la mesure de modèle sélectionnée lors de la création de l'expérience.
Classement
Figure 6-10 Conseil d'administration
- Voir les détails du modèle : Cliquez sur le nom du modèle pour voir les détails. Les détails du modèle sont affichés dans la boîte de dialogue Détails du modèle. Vous pouvez cliquer sur plusieurs modèles dans le tableau des leaders et afficher les détails du modèle simultanément. La fenêtre Détails du modèle présente les éléments suivants :
- Incidence de la prédiction : Affiche l'importance des attributs en termes de prédiction cible des modèles.
- Matrice de confusion : Affiche la combinaison différente des valeurs réelles et prévues par l'algorithme dans une table. La matrice de confusion sert de mesure de performance de l'algorithme d'apprentissage automatique.
- Déploiement : Sélectionnez un modèle dans le tableau de classement et cliquez sur Déploiement pour déployer le modèle sélectionné. Deployer le modèle.
- Renommer : Cliquez sur Renommer pour modifier le nom du modèle généré par le système. Le nom doit être alphanumérique (ne dépassant pas 123 caractères) et ne doit pas contenir d'espaces.
- Créer un carnet : Sélectionnez un modèle dans le tableau de direction et cliquez sur Créer des carnets à partir des modèles d'interface utilisateur AutoML pour recréer le modèle sélectionné à partir du code.
- mesures : Cliquez sur mesures pour sélectionner des mesures supplémentaires à afficher dans le tableau des chefs de file. Les mesures supplémentaires sont les suivantes :
- Pour la classification
- Précision : Calcule la proportion de cas correctement classés - positifs et négatifs. Par exemple, s'il existe un total de cas TP (True Positives)+TN (True Negatives) correctement classés parmi les cas TP+TN+FP+FN (True Positives+True Negatives+False Positives+False Negatives), la formule est la suivante :
Accuracy = (TP+TN)/(TP+TN+FP+FN)
- Précision équilibrée : Évalue la qualité d'un classificateur binaire. Il est particulièrement utile lorsque les classes sont déséquilibrées, c'est-à-dire lorsque l'une des deux classes apparaît beaucoup plus souvent que l'autre. Cela se produit souvent dans de nombreux paramètres tels que la détection d'anomalies, etc.
- Rappel : Calcule la proportion de Positifs réels correctement classés.
- Précision : Calcule la proportion de Positifs prédits qui est Vrai Positif.
- F1 Score : Combine la précision et le rappel en un seul nombre. La note F1 est calculée à l'aide d'une moyenne harmonique calculée par la formule :
F1-score = 2 × (precision × recall)/(precision + recall)
- Précision : Calcule la proportion de cas correctement classés - positifs et négatifs. Par exemple, s'il existe un total de cas TP (True Positives)+TN (True Negatives) correctement classés parmi les cas TP+TN+FP+FN (True Positives+True Negatives+False Positives+False Negatives), la formule est la suivante :
- Pour la régression :
- R2 (Par défaut) : Mesure statistique qui calcule la distance entre les données et la ligne de régression ajustée. En général, plus la valeur de R au carré est élevée, plus le modèle convient à vos données. La valeur de R2 est toujours comprise entre 0 et 1, où :
0
indique que le modèle n'explique aucune de la variabilité des données de réponse autour de sa moyenne.1
indique que le modèle explique toute la variabilité des données de réponse autour de sa moyenne.
- Erreur Moyenne Négative Carrée : C'est la moyenne de la différence Carrée des cibles prédites et vraies.
- Erreur absolue moyenne négative : C'est la moyenne de la différence absolue des cibles prédites et vraies.
- Erreur absolue médiane négative : Il s'agit de la médiane de la différence absolue entre les cibles prédites et vraies.
- R2 (Par défaut) : Mesure statistique qui calcule la distance entre les données et la ligne de régression ajustée. En général, plus la valeur de R au carré est élevée, plus le modèle convient à vos données. La valeur de R2 est toujours comprise entre 0 et 1, où :
- Pour la classification
Fonctions
0
à 1
, les valeurs proches de 1
étant plus importantes.
Figure 6-11 Caractéristiques
- Créer des carnets à partir des modèles d'interface utilisateur AutoML
Vous pouvez créer des carnets à l'aide du code OML4Py qui recréera le modèle sélectionné à l'aide des mêmes paramètres. Il montre également comment noter les données à l'aide du modèle. Cette option est utile si vous souhaitez utiliser le code pour recréer un modèle d'apprentissage automatique similaire.
Rubrique parent : Introduction à l'interface utilisateur AutoML
6.3.1 Créer des carnets à partir des modèles d'interface utilisateur AutoML
Vous pouvez créer des carnets à l'aide du code OML4Py qui recréera le modèle sélectionné à l'aide des mêmes paramètres. Il montre également comment noter les données à l'aide du modèle. Cette option est utile si vous souhaitez utiliser le code pour recréer un modèle d'apprentissage automatique similaire.
Rubrique parent : Voir une expérience