6 Commencer avec l'interface utilisateur AutoML

L'interface utilisateur AutoML (interface utilisateur AutoML) est une interface Oracle Machine Learning qui fournit une modélisation de machine learning automatisée sans code. Lorsque vous créez et exécutez une expérience dans l'interface utilisateur AutoML, elle effectue la sélection automatisée des algorithmes, la sélection des fonctionnalités et le réglage des modèles, améliorant ainsi la productivité et augmentant potentiellement la précision et les performances du modèle.

Les étapes suivantes comprennent un workflow de modélisation de machine learning et sont automatisées par l'interface utilisateur AutoML :

1. Sélection d'algorithme : classe les algorithmes susceptibles de produire un modèle plus précis en fonction de l'ensemble de données et de ses caractéristiques, ainsi que certaines fonctionnalités prédictives de l'ensemble 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 des fonctionnalités et de réglage du modèle sans dégrader la qualité du modèle.
3. Sélection de fonctionnalités : sélectionne un sous-ensemble de fonctionnalités 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 la phase 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. Impact de la prédiction des fonctionnalités : il s'agit de la dernière étape du pipeline de l'interface utilisateur AutoML. Ici, l'impact de chaque colonne d'entrée sur les prédictions du modèle final réglé est calculé. L'impact de la prédiction calculée fournit des informations sur le comportement du modèle AutoML réglé.

Les utilisateurs professionnels qui n'ont pas d'expérience approfondie en science des données peuvent utiliser l'interface utilisateur AutoML pour créer et déployer des modèles d'apprentissage automatique. Oracle Machine Learning AutoML UI fournit deux fonctionnalités :

• Créer des modèles de machine learning
• Déployer des modèles de machine learning

AutoML Tests d'interface utilisateur

Lorsque vous créez une expérience dans l'interface utilisateur AutoML, elle exécute automatiquement toutes les étapes impliquées dans le workflow d'apprentissage automatique. Sur la page Experiments, toutes les expériences que vous avez créées sont répertoriées. Pour afficher les détails d'une expérience, cliquez sur une expérience. En outre, vous pouvez effectuer les tâches suivantes :

Figure 6-1 Page Expériences

• Créer : cliquez sur Créer pour créer une 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 Workspace.
• Modifier : sélectionnez une expérience répertoriée ici, puis cliquez sur Modifier pour modifier la définition de l'expérience.
• Supprimer : sélectionnez une 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 est au statut Prêt.
• Déplacer : sélectionnez une expérience, puis cliquez sur Déplacer pour déplacer l'expérience vers un autre projet dans le même espace de travail ou dans un autre. Vous devez disposer du privilège Administrator ou Developer pour déplacer des expériences entre des projets et des espaces de travail.

  Remarques :

  Une expérience ne peut pas être déplacée si elle est à l'état 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 du même espace de travail ou dans un autre.
• Démarrer : si vous avez créé une expérience mais que vous ne l'avez pas encore exécutée, cliquez sur Démarrer pour lancer l'expérience.
• Stop : sélectionnez une expérience en cours d'exécution et cliquez sur Stop pour l'arrêter.

• Accès 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 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 du modèle en fonction de la métrique sélectionnée. Vous pouvez sélectionner n'importe lequel de ces modèles pour le déploiement ou pour générer un bloc-notes. Le bloc-notes généré contient du code Python utilisant OML4Py et les paramètres spécifiques AutoML utilisés pour produire le modèle.
• Afficher une expérience
  Sur la page Expériences de l'interface utilisateur AutoML, toutes les expériences que vous avez créées sont répertoriées. Chaque expérience se déroulera à 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, procédez comme suit :
   1. Sélectionnez une instance Autonomous Database et, sur la page de détails de l'instance Autonomous Database, cliquez sur Database Actions.

      Figure 6-2 Database Actions

      
   2. Sur la page Database Actions, accédez 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 utilisateur et votre mot de passe, puis cliquez sur Connexion.
   La page d'accueil Oracle Machine Learning Notebooks s'ouvre.
2. Sur la page d'accueil Oracle Machine Learning Notebooks, cliquez sur AutoML.

   Figure 6-4 Options AutoML

   

   Vous pouvez également cliquer sur le menu latéral et cliquer sur AutoML sous Projets.

6.2 Créer une expérience d'interface utilisateur AutoML

Pour utiliser 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 du modèle en fonction de la métrique sélectionnée. Vous pouvez sélectionner n'importe lequel de ces modèles pour le déploiement ou pour générer un bloc-notes. Le bloc-notes généré contient du code Python utilisant OML4Py et les paramètres spécifiques AutoML utilisés pour produire le modèle.

Pour créer une expérience, spécifiez les éléments suivants :

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

   Figure 6-5 Création d'une expérience AutoML

   
   Description de la figure 6-5 Créer une expérience AutoML
2. Dans le champ Comments, entrez des commentaires, le cas échéant.
3. Dans le champ Source de données, sélectionnez le schéma et une table ou une 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 un tableau

   
   1. Dans la colonne Schema, sélectionnez un schéma.

      Remarques :

      Lorsque vous sélectionnez la source de données, les statistiques sont affichées dans la grille Fonctionnalités 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 Predict est mise en surbrillance dans la grille Fonctionnalités.
   2. Selon le schéma sélectionné, les tables disponibles sont répertoriées dans la colonne Table. Sélectionnez la table et cliquez sur OK.

   Remarques :

   Afin de créer une expérience AutoML pour une table ou une vue présente dans le schéma d'un autre utilisateur, assurez-vous que vous disposez de privilèges explicites pour accéder à cette table ou vue dans le schéma. Demandez à l'administrateur de base de données ou au propriétaire du schéma de vous accorder les privilèges nécessaires pour accéder à la table ou à la vue. Exemple :

   grant select on <table> to <user>

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

   Figure 6-7 Paramètres supplémentaires d'une expérience AutoML

   
   Description de la 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 principaux : sélectionnez le nombre maximal de modèles principaux à créer. La valeur par défaut est 5 models. Vous pouvez réduire le nombre de modèles principaux à 2 ou 3 car le réglage des modèles pour obtenir le meilleur pour chaque algorithme nécessite un temps supplémentaire. Si vous voulez obtenir les résultats initiaux encore plus rapidement, considérez l'algorithme le plus recommandé. Pour cela, définissez le nombre maximal de modèles principaux sur 1. Cela réglera le modèle de cet algorithme.
   3. Durée maximale de l'exécution : il s'agit de la durée maximale pendant laquelle l'expérience sera autorisée à être exécutée. Si vous n'indiquez pas d'heure, l'expérience sera autorisée à s'exécuter jusqu'à la valeur par défaut, soit 8 heures.
   4. Niveau de service de base de données : niveau de service de connexion de base de données et niveau de parallélisme de requête. 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 remplacer le niveau de service de votre base de données par Medium ou High.
      • Le niveau High offre le plus grand parallélisme, mais limite considérablement le nombre de travaux simultanés.
      • Le niveau Medium permet un certain parallélisme, mais une plus grande simultanéité d'accès aux données pour le traitement des travaux.

      Remarques :

      La modification du paramètre de niveau de service de base de données sur le niveau Toujours gratuit n'aura aucun effet car il existe une limite de 1 OCPU. Toutefois, si vous augmentez les OCPU allouées à votre instance de base de données autonome, vous pouvez augmenter le niveau de service Database à Medium ou High.

      Remarques :

      Le paramètre Niveau de service Database n'a aucun effet sur les ressources de niveau 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 métrique 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 la régression, les mesures prises en charge sont les suivantes :
        • R2 (valeur par défaut)
        • Erreur au carré moyenne négative
        • Erreur absolue moyenne négative
        • Erreur absolue médiane négative
   6. Algorithme : Les algorithmes pris en charge dépendent du type de prévision que vous avez sélectionné. Cochez la case correspondant 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 (Ridge Regression)
        • Réseau neuronal
        • Forêt aléatoire
        • Support Vector Machine (gaussien)
        • Support Vector Machine (linéaire)
      • Pour la régression, les algorithmes pris en charge sont les suivants :
        • Modèle linéaire généralisé
        • Modèle Linéaire Généralisé (Ridge Regression)
        • Réseau neuronal
        • Support Vector Machine (gaussien)
        • Support Vector Machine (linéaire)

      Remarques :

      Vous pouvez supprimer les algorithmes à prendre en compte si vous avez des préférences pour des algorithmes particuliers ou 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 sont plus exigeants en calcul que d'autres. Par exemple, Naïve Bayes et Decision Tree sont normalement plus rapides que Support Vector Machine ou Neural Network.
8. Développez la grille Fonctionnalités pour afficher les statistiques de la table sélectionnée. Les statistiques prises en charge sont Valeurs distinctes, Minimum, Maximum, Moyenne et Ecart 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 Predict est mise en surbrillance ici. Une fois l'expérience terminée, la grille Fonctionnalités 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 opérations suivantes :
   • Actualiser : cliquez sur Actualiser pour extraire toutes les colonnes et statistiques de la source de données sélectionnée.
   • Afficher l'importance : placez le curseur sur la barre horizontale sous Importance pour afficher la valeur de l'importance de la fonctionnalité pour les variables. La valeur est toujours représentée dans la plage 0 à 1, les valeurs plus proches de 1 étant plus importantes.
9. Lorsque vous terminez la définition du test, les boutons Démarrer et Enregistrer sont activés.

   Figure 6-9 Options de démarrage de l'expérience

   

   • Cliquez sur Démarrer pour exécuter l'expérience et démarrer le workflow de l'interface utilisateur AutoML, qui est affiché dans la barre de progression. Ici, vous avez la possibilité de sélectionner :
     1. Résultats plus rapides : sélectionnez cette option si vous voulez obtenir les modèles de candidats plus tôt, peut-être au détriment de l'exactitude. Cette option fonctionne avec un plus petit ensemble de combinaisons d'hyperparamètres, ce qui permet d'obtenir un résultat plus rapide.
     2. Meilleure précision : sélectionnez cette option si vous souhaitez que d'autres combinaisons de pipeline soient essayées pour des modèles éventuellement plus précis. Un pipeline est défini en tant qu'algorithme, ensemble de fonctionnalités de données sélectionné et ensemble d'hyperparamètres d'algorithme.

        Remarques :

        Cette option fonctionne avec l'ensemble plus large d'options d'hyperparamètre recommandé par le modèle de méta-apprentissage interne. La sélection de Meilleure précision prendra plus de temps à exécuter votre expérience, mais peut fournir des modèles plus précis.

     Une fois que vous avez lancé une expérience, la barre de progression s'affiche avec différentes icônes pour indiquer le statut de chaque étape du workflow d'apprentissage automatique dans l'expérience AutoML. La barre de progression affiche également le temps nécessaire à l'exécution de l'expérience. Pour afficher les détails du message, cliquez sur les icônes de message correspondantes.

   • Cliquez sur Enregistrer pour enregistrer le test et l'exécuter ultérieurement.
   • Cliquez sur Cancel 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 indiquer 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 les expériences AutoML

Types de 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)
Catégories	CHAR, VARCHAR2, DM_NESTED_CATEGORICALS	STRING(VARCHAR2, CHAR, CLOB)
Texte non structuré	CHAR, VARCHAR2, CLOB, BLOB, BFILE	BYTES (RAW, BLOB)

6.3 Afficher une expérience

Sur la page Expériences de l'interface utilisateur AutoML, toutes les expériences que vous avez créées sont répertoriées. Chaque expérience se déroulera à 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 comporte 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.

Remarques :

Vous ne pouvez pas modifier un test en cours d'exécution.

Graphique de mesures

Le graphique de mesures de 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 au fur et à mesure que l'expérience progresse. Le nom d'affichage dépend de la mesure du modèle sélectionné lorsque vous créez l'expérience.

Classement général

Lorsqu'une expérience est lancée, elle commence à montrer les résultats dans le tableau des leaders. Le tableau d'honneur affiche les modèles les plus performants par rapport à la métrique de modèle sélectionnée, ainsi que l'algorithme et la précision. Vous pouvez afficher les détails du modèle et effectuer les tâches suivantes :

Figure 6-10 Conseil d'administration

• Afficher les détails du modèle : cliquez sur le nom du modèle pour afficher 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 :
  • Impact de la prévision : affiche l'importance des attributs en termes de prévision 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 des performances de l'algorithme d'apprentissage automatique.
• Déployer : sélectionnez un modèle dans le tableau des leaders et cliquez sur Déployer pour déployer le modèle sélectionné. Ajouter un 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 bloc-notes : sélectionnez un modèle dans le tableau de classement et cliquez sur Créer des blocs-notes 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 de classement. 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 (vrais positifs)+TN (vrais négatifs) correctement classés parmi les cas TP+TN+FP+FN (vrai Positives+True Negatives+False Positives+False négatifs), la formule est la suivante : Accuracy = (TP+TN)/(TP+TN+FP+FN)
    • Précision équilibrée : évalue la qualité d'un classificateur binaire. Elle 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 prévus qui est True Positive.
    • F1 Score : combine la précision et le rappel en un seul nombre. F1-score est calculé en utilisant la moyenne harmonique qui est calculée par la formule : F1-score = 2 × (precision × recall)/(precision + recall)
  • Pour la régression :
    • R2 (valeur par défaut) : mesure statistique qui calcule la proximité des données avec la ligne de régression ajustée. En général, plus la valeur de R-squared est élevée, plus le modèle correspond 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 au carré moyenne négative : Il s'agit de la différence au carré entre les cibles prédites et vraies.
    • Erreur absolue moyenne négative : Il s'agit de la différence absolue entre les cibles prédites et vraies.
    • Erreur absolue moyenne négative : Il s'agit de la médiane de la différence absolue entre les cibles prédites et vraies.

Fonctionnalités

La grille Fonctionnalités affiche les statistiques de la table sélectionnée pour les statistiques prises en charge par experiment.The : Valeurs distinctes, Minimum, Maximum, Moyenne et Ecart 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 Predict est mise en surbrillance ici. Une fois l'expérience terminée, la grille Fonctionnalités affiche une colonne supplémentaire Importance. L'importance de la fonction indique le niveau global de sensibilité de la prédiction à une fonction particulière. Placez le curseur sur le graphique pour afficher la valeur Importance.La valeur est toujours représentée dans la plage 0 à 1, les valeurs plus proches de 1 étant plus importantes.

Figure 6-11 Fonctionnalités

• Création de blocs-notes à partir de modèles d'interface utilisateur AutoML
  Vous pouvez créer des blocs-notes à l'aide du code OML4Py qui recréera le modèle sélectionné en utilisant les mêmes paramètres. Il montre également comment évaluer 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 blocs-notes à partir de modèles d'interface utilisateur AutoML

Vous pouvez créer des blocs-notes à l'aide du code OML4Py qui recréera le modèle sélectionné en utilisant les mêmes paramètres. Il montre également comment évaluer 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 bloc-notes à partir d'un modèle d'interface utilisateur AutoML, procédez comme suit :

1. Sélectionnez le modèle dans le tableau d'honneur en fonction duquel vous souhaitez créer votre bloc-notes, puis cliquez sur Créer un bloc-notes. La boîte de dialogue Créer un bloc-notes s'ouvre.

   Figure 6-12 Création d'un bloc-notes

   
2. Dans le champ Nom du bloc-notes, saisissez le nom du bloc-notes.
   L'adresse d'API REST dérive les métadonnées de l'expérience et détermine les paramètres suivants, le cas échéant :

   • Source de données de l'expérience (schema.table)
   • ID de cas. Si l'ID de cas de l'expérience n'est pas disponible, le message approprié s'affiche.
   • Un nom de modèle unique basé sur le nom de modèle en cours est généré
   • Informations relatives au paragraphe d'évaluation :
     • ID de cas : s'il est disponible, il fusionne la colonne ID de cas dans la table de sortie d'évaluation par score.
     • Générer un nom de table de sortie de prévision unique en fonction de la source de données de build et du suffixe unique
     • Nom de la colonne de prévision : PREDICTION
     • Nom de la colonne de probabilité de prévision : PROBABILITY (applicable uniquement pour la classification)
3. Cliquez sur OK. Le bloc-notes généré est répertorié sur la page Bloc-notes. Cliquez sur cette option pour ouvrir le bloc-notes
   Le bloc-notes généré affiche les titres de paragraphe de chaque paragraphe ainsi que les codes python. Une fois que vous avez exécuté le bloc-notes, il affiche des informations relatives au bloc-notes, ainsi que l'expérience AutoML, telles que le nom de l'expérience, l'espace de travail et le projet dans lesquels le bloc-notes est présent, l'utilisateur, les données, le type de prévision et la cible de prévision, l'algorithme et l'horodatage de la génération du bloc-notes.