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 :

1. 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.
2. 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.
3. 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.
4. Réglage du modèle : vise à augmenter la qualité du modèle d'algorithme individuel en fonction de la mesure sélectionnée pour chacun des algorithmes présélectionnés.
5. 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.

Les utilisateurs professionnels sans formation approfondie en science des données peuvent utiliser l'interface utilisateur de AutoML pour créer et déployer des modèles d'apprentissage automatique. Oracle Machine Learning AutoML UI offre deux fonctionnalités :

• 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 ou Developer 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.

6.1 Accéder à l'interface utilisateur AutoML

Vous pouvez accéder à l'interface utilisateur AutoML à partir d'Oracle Machine Learning Notebooks.

Pour accéder à l'interface utilisateur AutoML, vous devez d'abord vous connecter à Oracle Machine Learning Notebooks à partir d'Autonomous Database :

1. Pour vous connecter à Oracle Machine Learning Notebooks à partir d'Autonomous Database :
   1. Sélectionnez une instance Autonomous Database et, dans la page des détails d'Autonomous Database, cliquez sur Database Actions.

      Figure 6-2 Actions de base de données

      
   2. Dans la page Database Actions, allez à la section Développement et cliquez sur Oracle Machine Learning.

      Figure 6-3 : Oracle Machine Learning

      
      La page de connexion à Oracle Machine Learning s'ouvre.
   3. Entrez votre nom d'utilisateur et votre mot de passe, puis cliquez sur Se connecter.
   La page d'accueil d'Oracle Machine Learning Notebooks s'ouvre.
2. Dans la page d'accueil d'Oracle Machine Learning Notebooks, cliquez sur AutoML..

   Figure 6-4 Options AutoML

   

   Vous pouvez également cliquer sur le menu hamburger et sur AutoML sous Projects.

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.

Pour créer une expérience, spécifiez les éléments suivants :

1. Dans le champ Nom, entrez un nom pour l'expérience.

   Figure 6-5 Créer une expérience AutoML

   
   Description de "Figure 6-5 Créer une expérience AutoML"
2. Dans le champ Commentaires, entrez des commentaires, le cas échéant.
3. Dans le champ Source de données, sélectionnez le schéma et une table ou vue dans ce schéma. Cliquez sur l'icône de recherche pour ouvrir la boîte de dialogue Sélectionner une table. Parcourez et sélectionnez un schéma, puis sélectionnez une table dans la liste des schémas, qui est la source de données de votre expérience d'interface utilisateur AutoML.

   Figure 6-6 Boîte de dialogue Sélectionner une table

   
   1. Dans la colonne Schema, sélectionnez un schéma.

      Note :

      Lorsque vous sélectionnez la source de données, les statistiques sont affichées dans la grille Features au bas de la page d'expérience. Le statut Occupé est indiqué jusqu'à ce que le calcul soit terminé. La colonne cible que vous sélectionnez dans Prédire est mise en surbrillance dans le tableau Fonctions.
   2. Selon le schéma sélectionné, les tables disponibles sont répertoriées dans la colonne Table. Sélectionnez la table et cliquez sur OK.

   Note :

   Pour créer une expérience AutoML pour une table ou une vue présente dans le schéma d'un autre utilisateur, assurez-vous de disposer de privilèges explicites pour accéder à cette table ou à cette vue dans le schéma. Demandez à l'administrateur de base de données ou au responsable du schéma de vous fournir les privilèges permettant d'accéder à la table ou à la vue. Par exemple :

   grant select on <table> to <user>

4. Dans la liste déroulante Prédire, sélectionnez la colonne dans la table sélectionnée. Il s'agit de la cible de votre prédiction.
5. Dans le champ Type de prédiction, le type de prédiction est automatiquement sélectionné en fonction de votre définition de données. Toutefois, vous pouvez remplacer le type de prédiction dans la liste déroulante, si le type de données le permet. Les types de prévision pris en charge sont les suivants :
   • Classification : Pour le type de données non numérique, la classification est sélectionnée par défaut.
   • Régression : Pour le type de données numériques, la régression est sélectionnée par défaut.
6. L'ID cas facilite l'échantillonnage des données et le fractionnement du jeu de données pour rendre les résultats reproductibles entre les expériences. Il aide également à réduire le caractère aléatoire des résultats. Ce champ est facultatif.
7. Dans la section Paramètres supplémentaires, vous pouvez définir les éléments suivants :

   Figure 6-7 Paramètres supplémentaires d'une expérience AutoML

   
   Description de "Figure 6-7 Paramètres supplémentaires d'une expérience AutoML"

   1. Réinitialiser : Cliquez sur Réinitialiser pour réinitialiser les valeurs par défaut des paramètres.
   2. Nombre maximal de modèles supérieurs : Sélectionnez le nombre maximal de modèles supérieurs à créer. La valeur par défaut est 5 models. Vous pouvez réduire le nombre de modèles supérieurs à 2 ou 3, car le réglage des modèles pour obtenir le modèle supérieur pour chaque algorithme nécessite plus de temps. Si vous voulez obtenir les résultats initiaux encore plus rapidement, considérez l'algorithme le plus recommandé. Pour cela, réglez le nombre maximal de modèles supérieurs à 1. Cela réglera le modèle pour cet algorithme.
   3. Durée d'exécution maximale : Il s'agit de la durée maximale d'exécution de l'expérience. Si vous n'entrez pas d'heure, l'expérience peut être exécutée jusqu'à la valeur par défaut, soit 8 heures.
   4. Niveau de service de base de données : Il s'agit du niveau de service de connexion à la base de données et du niveau de parallélisme de l'interrogation. La valeur par défaut est Low. Cela n'entraîne aucun parallélisme et définit une limite d'exécution élevée. Vous pouvez créer de nombreuses connexions avec le niveau de service de base de données Low. Vous pouvez également modifier le niveau de service de votre base de données à Medium ou High.
      • Le niveau High offre le plus grand parallélisme, mais limite considérablement le nombre de tâches simultanées.
      • Le niveau Medium permet un certain parallélisme, mais permet une concurrence accrue pour le traitement des tâches.

      Note :

      La modification du paramètre de niveau de service de base de données du niveau de gratuité n'aura aucun effet, car il y a une limite de 1 OCPU. Toutefois, si vous augmentez les OCPU affectées à votre instance de base de données autonome, vous pouvez augmenter le niveau de service de base de données à Medium ou High.

      Note :

      Le paramètre Niveau de service de base de données n'a aucune incidence sur les ressources au niveau du conteneur AutoML.
   5. Mesure de modèle : Sélectionnez une mesure pour choisir les modèles gagnants. Les mesures suivantes sont prises en charge par l'interface utilisateur AutoML :
      • Pour Classification, les mesures prises en charge sont les suivantes :
        • Exactitude équilibrée
        • ROC AUC
        • F1 (avec options pondérées). Les options pondérées sont pondérées, binaires, micro et macro.
          • Micro-moyenne : Ici, tous les échantillons contribuent également à la mesure moyenne finale
          • Macro-moyenne : Ici, toutes les classes contribuent également à la mesure moyenne finale
          • Moyenne pondérée : Ici, la contribution de chaque classe à la moyenne est pondérée par sa taille
        • Précision (avec options pondérées)
        • Rappel (avec options pondérées)
      • Pour Regression, les mesures prises en charge sont les suivantes :
        • R2 (par défaut)
        • Erreur moyenne négative au carré
        • Erreur absolue moyenne négative
        • Erreur absolue médiane négative
   6. Algorithme : Les algorithmes pris en charge dépendent du type de prédiction que vous avez sélectionné. Cochez la case correspondante par rapport aux algorithmes pour la sélectionner. Par défaut, tous les algorithmes candidats sont sélectionnés pour être pris en compte lors de l'exécution de l'expérience. Algorithmes pris en charge pour les deux types de prédiction :
      • Pour Classification, les algorithmes pris en charge sont les suivants :
        • Arbre de décision
        • Modèle linéaire généralisé
        • Modèle Linéaire Généralisé (Régression de Ridge)
        • Réseau neuronal
        • Forêt aléatoire
        • Machine à vecteurs de support (gaussien)
        • Machine à vecteurs de support (linéaire)
      • Pour la régression, les algorithmes pris en charge sont les suivants :
        • Modèle linéaire généralisé
        • Modèle Linéaire Généralisé (Régression de Ridge)
        • Réseau neuronal
        • Machine à vecteurs de support (gaussien)
        • Machine à vecteurs de support (linéaire)

      Note :

      Vous pouvez supprimer les algorithmes si vous avez des préférences pour des algorithmes particuliers ou si vous avez des exigences spécifiques. Par exemple, si la transparence du modèle est essentielle, l'exclusion de modèles tels que Neural Network aurait du sens. Notez que certains algorithmes consomment plus de ressources que d'autres. Par exemple, les baies naïves et l'arbre de décision sont normalement plus rapides que la machine vectorielle de soutien ou le réseau neuronal.
8. Développez la grille Fonctions pour voir les statistiques de la table sélectionnée. Les statistiques prises en charge sont Valeurs distinctes, Minimum, Maximum, Moyenne et Écart-type. Les sources de données prises en charge pour les fonctions sont les tables, les vues et les vues analytiques. La colonne cible que vous avez sélectionnée dans Prédire est mise en surbrillance ici. Une fois l'exécution d'une expérience terminée, la grille Caractéristiques affiche une colonne supplémentaire Importance. L'importance de la fonction indique le niveau global de sensibilité de la prédiction à une fonction particulière.

   Figure 6-8 Caractéristiques

   
   Vous pouvez effectuer les tâches suivantes :
   • Actualiser : Cliquez sur Actualiser pour extraire toutes les colonnes et les statistiques de la source de données sélectionnée.
   • Voir l'importance : Placez le curseur sur la barre horizontale sous Importance pour voir la valeur Importance de la fonction pour les variables. La valeur est toujours représentée dans l'intervalle 0 à 1, les valeurs proches de 1 étant plus importantes.
9. Lorsque vous avez terminé la définition de l'expérience, les boutons Démarrer et Enregistrer sont activés.

   Figure 6-9 Options d'expérience de démarrage

   

   • Cliquez sur Démarrer pour exécuter l'expérience et démarrer le flux de travail de l'interface utilisateur AutoML, qui s'affiche dans la barre de progression. Ici, vous avez la possibilité de sélectionner :
     1. Résultats plus rapides : Sélectionnez cette option si vous souhaitez obtenir des modèles candidats plus tôt, peut-être au détriment de l'exactitude. Cette option fonctionne avec un jeu plus petit de combinaisons hyperparamètres, ce qui permet d'obtenir un résultat plus rapide.
     2. Amélioration de la précision : Sélectionnez cette option si vous souhaitez que d'autres combinaisons de pipelines soient essayées pour des modèles plus précis. Un pipeline est défini comme un algorithme, un jeu de fonctions de données sélectionné et un jeu d'hyperparamètres d'algorithme.

        Note :

        Cette option fonctionne avec l'ensemble plus large d'options hyperparamétriques recommandées par le modèle de méta-apprentissage interne. La sélection de l'option Améliorer la précision prendra plus de temps à exécuter votre expérience, mais peut fournir aux modèles plus de précision.

     Une fois que vous avez lancé une expérience, la barre de progression s'affiche et affiche différentes icônes pour indiquer le statut de chaque étape du flux de travail d'apprentissage automatique dans l'expérience AutoML. La barre de progression affiche également le temps nécessaire pour terminer l'exécution de l'expérience. Pour voir les détails d'un message, cliquez sur l'icône correspondante.

   • Cliquez sur Enregistrer pour enregistrer l'expérience et l'exécuter plus tard.
   • Cliquez sur Annuler pour annuler la création de l'expérience.

• 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.

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	INTEGER, FLOAT(NUMBER, BINARY_DOUBLE, BINARY_FLOAT)
Catégorique	CHAR, VARCHAR2, DM_NESTED_CATEGORICALS	STRING(VARCHAR2, CHAR, CLOB)
Texte non structuré	CHAR, VARCHAR2, CLOB, BLOB, BFILE	BYTES (RAW, BLOB)

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

Dans cette section, vous pouvez modifier l'expérience sélectionnée. Cliquez sur Modifier pour apporter des modifications à votre 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

Lorsqu'une expérience se déroule, elle commence à montrer les résultats dans le classement. Le tableau des leaders affiche les modèles les plus performants par rapport à la mesure de modèle sélectionnée, ainsi que l'algorithme et la précision. Vous pouvez voir les détails du modèle et effectuer les tâches suivantes :

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)
  • 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.

Fonctions

La grille Fonctions affiche les statistiques de la table sélectionnée pour les statistiques prises en charge par experiment.The : Valeurs distinctes, Minimum, Maximum, Moyenne et Écart-type. Les sources de données prises en charge pour les fonctions sont les tables, les vues et les vues analytiques. La colonne cible que vous avez sélectionnée dans Prédire est mise en surbrillance ici. Une fois l'exécution d'une expérience terminée, la grille Caractéristiques affiche une colonne supplémentaire Importance. L'importance de la fonction indique le niveau global de sensibilité de la prédiction à une fonction particulière. Positionnez le pointeur de la souris sur le graphique pour voir la valeur de Importance. La valeur est toujours représentée dans l'intervalle 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.

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.

Pour créer un carnet à partir d'un modèle d'interface utilisateur AutoML :

1. Sélectionnez le modèle sur le tableau des chefs de file en fonction duquel vous voulez créer votre carnet, puis cliquez sur Créer un carnet. La boîte de dialogue Créer un carnet s'ouvre.

   Figure 6-12 Créer un carnet

   
2. Dans le champ Nom du carnet, entrez un nom pour votre carnet.
   Le point d'extrémité de l'API REST extrait les métadonnées de l'expérience et détermine les paramètres suivants, le cas échéant :

   • Source de données de l'expérience (schema.table)
   • ID cas. Si l'ID cas de l'expérience n'est pas disponible, le message approprié s'affiche.
   • Un nom de modèle unique basé sur le nom de modèle courant est généré
   • Informations relatives au paragraphe de notation :
     • ID cas : S'il est disponible, il fusionne la colonne ID cas dans la table de sortie de notation
     • Générer un nom de table de sortie de prédiction unique basé sur la source de données de compilation et le suffixe unique
     • Nom de la colonne de prédiction : PREDICTION
     • Nom de la colonne de probabilité de prévision : PROBABILITÉ (applicable uniquement à la classification)
3. Cliquez sur OK. Le carnet généré est répertorié dans la page Carnet. Cliquer pour ouvrir le carnet
   Le carnet généré affiche les titres de paragraphe de chaque paragraphe avec les codes python. Une fois que vous avez exécuté le carnet, il affiche des informations relatives au carnet, ainsi que l'expérience AutoML, telles que le nom de l'expérience, l'espace de travail et le projet dans lesquels le carnet est présent, l'utilisateur, les données, le type de prédiction et la cible de prédiction, l'algorithme et l'horodatage de génération du carnet.