In dieser Kurzanleitung wird erläutert, wie Sie mit der AutoML Tables-Webanwendung die folgenden Schritte ausführen:
- Dataset erstellen
- Tabellendaten aus einer CSV-Datei in das Dataset importieren
- Schemaspalten in den importierten Daten identifizieren
- Modell mit den importierten Daten trainieren
- Mithilfe des Modells Vorhersagen treffen
Der gesamte Vorgang dauert mehrere Stunden. Der Großteil davon wird im Hintergrund ausgeführt. Sie können das Browserfenster schließen und später zum Vorgang zurückkehren.
Hinweise
Projekt erstellen und AutoML Tables aktivieren
- Melden Sie sich bei Ihrem Google Cloud-Konto an. Wenn Sie mit Google Cloud noch nicht vertraut sind, erstellen Sie ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.
-
Wählen Sie in der Google Cloud Console auf der Seite der Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.
-
Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.
-
Cloud AutoML and Storage APIs aktivieren.
-
Wählen Sie in der Google Cloud Console auf der Seite der Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.
-
Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.
-
Cloud AutoML and Storage APIs aktivieren.
Beispieldaten
Für diese Kurzanleitung wird das Open-Source-Dataset Bank marketing verwendet. Dieses ist mit einer Public Domain-CCO-Lizenz von Creative Commons zugänglich. Die Spaltennamen wurden zur besseren Übersichtlichkeit abgeändert.
Dataset erstellen und Modell trainieren
Rufen Sie AutoML Tables in der Google Cloud Console auf, um mit dem Erstellen Ihres Datasets und dem Trainieren Ihres Modells zu beginnen.
Wählen Sie zuerst Datasets und dann New dataset (Neues Dataset) aus.
Geben Sie
Quickstart_Dataset
für den Dataset-Namen ein und klicken Sie auf Create dataset (Dataset erstellen).Wählen Sie auf der Seite Import your data (Daten importieren) die Option Select a CSV file from Cloud Storage (CSV-Datei in Cloud Storage auswählen) aus.
Belassen Sie Location (Standort) auf
Global
.Geben Sie
cloud-ml-tables-data/bank-marketing.csv
für den Bucket ein.Klicken Sie auf Importieren.
Der Import des Datasets dauert mehrere Minuten.
Nachdem der Import des Datasets abgeschlossen ist, wählen Sie
Deposit
für die Target column (Zielspalte) aus.Die Zielspalte gibt den Wert an, für dessen Vorhersage das Modell trainiert wird.
Dieses Fenster enthält Informationen zu den importierten Daten. Sie können auf einzelne Zeilen klicken, um weitere Details zur Verteilung und Korrelation eines bestimmten Features anzusehen.
Klicken Sie auf Train model (Modell trainieren). Geben Sie
Quickstart_Model
als Model name (Modellname) und1
als Training budget (Trainingsbudget) ein.Klicken Sie auf Train model (Modell trainieren), um den Trainingsprozess zu starten.
Das Modelltraining dauert ungefähr zwei Stunden. Nachdem das Modell trainiert wurde, zeigt der Tab Models (Modelle) allgemeine Messwerte für das Modell an.
Wählen Sie den Tab Evaluate (Bewerten) aus, um Details zu den Bewertungsmesswerten des Modells anzusehen.
Für dieses Modell stellt
1
ein negatives Ergebnis dar – es erfolgt keine Einzahlung bei der Bank.2
steht für ein positives Ergebnis – es erfolgt eine Einzahlung bei der Bank.Sie können ein Label auswählen, um bestimmte Bewertungsmesswerte dazu anzusehen. Sie können auch den Score threshold (Punktzahl-Schwellenwert) anpassen, um zu sehen, wie sich die Messwerte bei unterschiedlichen Schwellenwerten ändern.
Sie können auch nach unten zur Wahrheitsmatrix und zum Diagramm für die Merkmalwichtigkeit scrollen.
Wählen Sie den Tab Test & Use (Test und Nutzung) aus und wählen Sie Online prediction (Onlinevorhersage) aus.
Klicken Sie auf Modell bereitstellen, um das Modell bereitzustellen.
Sie müssen das Modell bereitstellen, bevor Sie Onlinevorhersagen anfordern können. Das Deployment eines Modells dauert mehrere Minuten.
Wenn das Modell erstellt wird, füllt AutoML Tables Beispieldaten aus, damit Sie Ihr Modell besser testen können.
Aktivieren Sie das Kästchen Generate feature importance (Merkmalwichtigkeit erstellen).
Klicken Sie auf Predict (Vorhersage), um die Onlinevorhersage anzufordern.
AutoML Tables bestimmt die Wahrscheinlichkeit jedes möglichen Ergebnisses auf Grundlage der Eingabewerte und zeigt die Konfidenzwerte für die Vorhersage im Abschnitt Prediction result (Vorhersageergebnis) an.
Im obigen Beispiel sagt das Modell das Ergebnis von "1" mit einer Wahrscheinlichkeit von 99,8 % voraus.
Sie können Vorhersageanfragen auch als Batch senden. Weitere Informationen
Bereinigen
Wenn Sie das benutzerdefinierte Modell oder das Dataset nicht mehr benötigen, können Sie es löschen.
Löschen Sie das Projekt mit der Google Cloud Console, wenn Sie es nicht benötigen. Damit vermeiden Sie unnötige Kosten für die Google Cloud Platform.
Bereitstellung eines Modells entfernen
Während der Bereitstellung fallen für das Modell Gebühren an.
- Wählen Sie Models (Modelle) aus und klicken Sie auf das Modell, dessen Bereitstellung Sie entfernen möchten.
- Wählen Sie die OptionTest & Use (Test und Nutzung) aus und klicken Sie auf Online prediction (Onlinevorhersage).
- Klicken Sie auf Remove deployment (Bereitstellung entfernen).
Modell löschen
Wenn Sie ein Modell löschen möchten, wählen Sie Models (Modelle) aus. Klicken Sie für das zu löschende Modell auf das Dreipunkt-Menü und wählen Sie dann Delete model (Modell löschen) aus.
Dataset löschen
Wenn Sie ein Dataset löschen möchten, wählen Sie Datasets aus. Klicken Sie für das zu löschende Dataset auf das Dreipunkt-Menü und wählen Sie dann Delete dataset (Dataset löschen) aus.
Nächste Schritte
- Features und Merkmale von AutoML Tables
- Weitere Beispiele zur Verwendung von Colab-Notebooks
- Erste Schritte mit AutoML Tables
- Trainingsdaten für Ihr eigenes AutoML Tables-Deployment vorbereiten
- Weitere Informationen über Vorhersageergebnisse interpretieren.
- Weitere Informationen über lokale Merkmalwichtigkeit.