Questa pagina descrive in che modo Vertex AI utilizza i set di addestramento, convalida e test dei dati per addestrare un modello AutoML e i modi in cui puoi controllare la suddivisione dei dati in questi tre set. AutoML utilizza le suddivisioni dei dati in modo diverso a seconda del tipo di dati di addestramento.
Questa pagina descrive le suddivisioni dei dati di immagini, testo e video. Per informazioni sulle suddivisioni dei dati tabulari, consulta Suddivisioni dei dati tabulari.
Immagine
Per i set di dati di immagini, AutoML utilizza il set di addestramento per addestrare il modello e il set di convalida per convalidare i risultati restituiti dal modello durante l'addestramento. Al termine dell'addestramento, AutoML utilizza set di test per fornire le metriche di valutazione finale.
Testo
Per i set di dati di testo, i set di addestramento e convalida vengono utilizzati provare diverse opzioni di pre-elaborazione, architettura e iperparametri combinazioni. Questi esperimenti generano modelli addestrati che vengono poi valutati sul set di convalida per verificarne la qualità e per guidare l'esplorazione di combinazioni di opzioni aggiuntive.
Quando un numero maggiore di prove non porta più a miglioramenti della qualità, la versione è considerato il modello addestrato finale, con le migliori prestazioni. Successivamente, Vertex AI addestra altri due modelli utilizzando i parametri e l'architettura determinati nella fase di ottimizzazione parallela:
Un modello addestrato con i tuoi set di addestramento e convalida.
Vertex AI genera le metriche di valutazione del modello su questo modello, utilizzando il set di test. È la prima volta che il test ha impostato . Questo approccio garantisce che le metriche di valutazione finale riflessione imparziale delle prestazioni del modello addestrato finale e produzione.
Un modello addestrato con i set di addestramento, convalida e test.
Questo è il modello che utilizzi per richiedere le previsioni.
Video
Per i set di dati video, AutoML utilizza il set di addestramento per addestrare modello di base, e usa il set di test per fornire la valutazione finale metriche di valutazione. Il set di convalida non viene utilizzato per i set di dati video.
Puoi consentire a Vertex AI di dividere automaticamente i dati. I tuoi dati sono suddivisi in modo casuale nei tre insiemi per percentuale. Questo è il modo più semplice per suddividere i dati e funziona bene nella maggior parte dei casi.
| Imposta | Testo | Immagine | Video |
|---|---|---|---|
| Formazione | 80 | 80 | 80 |
| Convalida | 10 | 10 | N/D |
| Test | 10 | 10 | 20 |
Per utilizzare la suddivisione dati predefinita, accetta quella predefinita nella console Google Cloud o lascia il campo split vuoto per l'API.
Se vuoi controllare la modalità di suddivisione dei dati in set, hai a disposizione le seguenti opzioni:
Puoi scegliere solo una di queste opzioni: sei tu a scegliere quando addestri il tuo
un modello di machine learning. Alcune di queste opzioni richiedono modifiche ai dati di addestramento (ad esempio,
l'etichetta ml_use). L'inclusione di dati o etichette per le opzioni di suddivisione dei dati non
obbliga a utilizzare queste opzioni; puoi comunque scegliere un'altra opzione quando
addestri il modello.
Suddivisione manuale per dati non strutturati
La suddivisione manuale è nota anche come "suddivisione predefinita".
Per utilizzare l'etichetta ml_use per controllare la suddivisione dei dati, devi aver impostato l'etichetta ml_use sui dati.
Imposta un valore per l'etichetta ml_use
Puoi impostare l'etichetta ml_use per i dati di visione, video e testo al momento dell'importazione dei dati (per elemento di dati o per l'intero file di importazione) o dopo l'importazione dei dati utilizzando la console Google Cloud.
Impostazione di ml_use su singoli elementi di dati al momento dell'importazione
Puoi impostare l'etichetta ml_use su ogni elemento dati includendo un valore per il parametro
aiplatform.googleapis.com/ml_use nel
Righe JSON
dati o impostando il valore della prima colonna del file CSV. Consulta le
informazioni sulla preparazione dei dati per il tipo di dati per ulteriori dettagli.
Se uno degli elementi di dati viene ripetuto nei dati (se lo stesso video, immagine o snippet di testo viene visualizzato più volte nel file di importazione), Vertex AI utilizza il valore ml_use per il primo elemento di dati che incontra e ignora eventuali valori ml_use successivi. Il primo
l'elemento non è necessariamente quello più vicino all'inizio del caricamento
.
Impostazione di ml_use per l'intero file di caricamento
Se i dati possono essere ordinati in diversi file di caricamento in base al valore ml_use, puoi impostare il valore ml_use per l'intero file di caricamento utilizzando il menu a discesa per ciascun file quando carichi i file utilizzando la console Google Cloud oppure utilizzando il campo mappa dataItemLabels nel metodo datasets.import.
Se imposti ml_use per un file di caricamento, e il file contiene anche ml_use
i valori ml_use nel file hanno la precedenza sui valori a livello di file
valore.
Impostare ml_use dopo l'importazione
Dopo aver caricato i dati, puoi impostare o aggiornare il valore ml_use per
elementi di dati specifici nella console Google Cloud selezionando uno o più elementi
nella visualizzazione elenco e utilizzando il menu a discesa Assegna l'utilizzo del machine learning.
Se carichi di nuovo un file di dati, anche se i valori ml_use sono cambiati, il valore ml_use non viene aggiornato. Non puoi aggiornare i valori ml_use dopo l'importazione utilizzando
l'API Vertex AI.
Utilizzare l'etichetta ml_use
Quando addestrini il modello, specifica Manuale (avanzato) per la suddivisione dei dati nella console Google Cloud. Se l'addestramento avviene con l'API Vertex AI,
utilizzare l'oggetto FilterSplit,
che specifica labels.aiplatform.googleapis.com/ml_use=training per l'addestramento
filtro labels.aiplatform.googleapis.com/ml_use=validation per la convalida
e labels.aiplatform.googleapis.com/ml_use=test per il filtro di prova.
Ad esempio:
model = job.run(
dataset=dataset,
model_display_name=_name,
training_filter_split="labels.aiplatform.googleapis.com/ml_use=training",
validation_filter_split="labels.aiplatform.googleapis.com/ml_use=validation",
test_filter_split="labels.aiplatform.googleapis.com/ml_use=test")
Tutti gli elementi di dati con un valore ml_use vengono assegnati all'insieme specificato. Dati
gli elementi senza ml_use impostato vengono esclusi dal processo di addestramento.
Suddivisione filtro dati
Puoi utilizzare altre etichette (oltre a ml-use) e altri campi per suddividere i dati utilizzando l'oggetto FilterSplit nell'API Vertex AI. Ad esempio, puoi impostare trainingFilter su
labels.flower=rose, validationFilter su labels.flower=daisy e
testFilter su labels.flower=dahlia. Questa impostazione fa sì che tutti i dati etichettati come rose vengano aggiunti al set di addestramento, tutti i dati etichettati come daisy vengano aggiunti al set di convalida e tutti i dati etichettati come dahlia vengano aggiunti al set di test.
Se applichi filtri in base a più campi, un elemento di dati potrebbe corrispondere a più di un filtro. In questo caso, il set di addestramento ha la precedenza, seguito dal set di convalida e poi dal set di test. In altre parole, un elemento viene inserito nel set di test solo se corrisponde al filtro per il set di test, ma non corrisponde ai filtri di addestramento o convalida. Se un elemento non corrisponde ai filtri di nessuno degli set, viene escluso dall'addestramento.
Non utilizzare categorie per la suddivisione dei dati correlate a ciò che il modello deve predire. Ogni set deve riflettere l'intervallo di dati utilizzato dal modello per fare previsioni. Ad esempio, non utilizzare i filtri descritti in precedenza, per un modello che deve classificare le immagini in base al tipo di fiore).
Se non vuoi che un filtro corrisponda a nessun elemento, impostalo su "-" (il segno meno).
Suddivisione matematica
La divisione matematica è nota anche come "suddivisione a frazione".
Per impostazione predefinita, i dati vengono suddivisi in modo casuale nei set in base alle percentuali predefinite per il tipo di dati. Puoi modificare le percentuali in qualsiasi valore che sommate diano 100 (per l'API Vertex AI, utilizzi frazioni che sommate danno 1.0).
Per modificare le percentuali (frazioni), utilizza l'oggetto FractionSplit per definire le frazioni. Per i tipi di dati immagine, testo e video, puoi utilizzare anche Console Google Cloud per aggiornare le percentuali suddivise quando addestri il tuo un modello di machine learning.