Questa pagina è stata tradotta dall'API Cloud Translation.

Addestra un modello con il flusso di lavoro tabulare per la previsione

Questa pagina mostra come addestrare un modello di previsione da un set di dati tabulare con il flusso di lavoro tabulare per le previsioni.

Per informazioni sugli account di servizio utilizzati da questo flusso di lavoro, consulta Account di servizio per i flussi di lavoro tabulari.

Se ricevi un errore relativo alle quote durante l'esecuzione di un flusso di lavoro tabulare per la previsione, potresti dover richiedere una quota più alta. Per scoprire di più, consulta Gestire le quote per i flussi di lavoro tabulari.

Il flusso di lavoro tabulare per la previsione non supporta l'esportazione del modello.

API di flusso di lavoro

Questo flusso di lavoro utilizza le seguenti API:

Vertex AI
Dataflow
Compute Engine
Cloud Storage

Recupera l'URI del risultato dell'ottimizzazione degli iperparametri precedente

Se hai già completato un'esecuzione di flusso di lavoro tabulare per la previsione, puoi utilizzare il risultato dell'ottimizzazione degli iperparametri dell'esecuzione precedente per risparmiare tempo e risorse per l'addestramento. Puoi trovare il risultato dell'ottimizzazione degli iperparametri precedente utilizzando la console Google Cloud o caricandolo in modo programmatico con l'API.

Console Google Cloud

Per trovare l'URI del risultato dell'ottimizzazione degli iperparametri utilizzando la console Google Cloud, segui questi passaggi:

Nella console Google Cloud, nella sezione Vertex AI, vai alla pagina Pipeline.

Vai alla pagina Pipeline
Seleziona la scheda Esecuzioni.
Seleziona l'esecuzione della pipeline che vuoi utilizzare.
Seleziona Espandi elementi.
Fai clic sul componente exit-handler-1.
Fai clic sul componente stage_1_tuning_result_artifact_uri_empty.
Trova il componente automl-forecasting-stage-1-tuner.
Fai clic sull'elemento associato tuning_result_output.
Seleziona la scheda Informazioni sul nodo.
Copia l'URI da utilizzare nel passaggio Addestramento di un modello.

Risultato dell'ottimizzazione della previsione

API: Python

Il seguente codice campione mostra come caricare il risultato dell'ottimizzazione degli iperparametri utilizzando l'API. La variabile job fa riferimento all'esecuzione precedente della pipeline di addestramento del modello.


def get_task_detail(
  task_details: List[Dict[str, Any]], task_name: str
) -> List[Dict[str, Any]]:
  for task_detail in task_details:
      if task_detail.task_name == task_name:
          return task_detail

pipeline_task_details = job.gca_resource.job_detail.task_details

stage_1_tuner_task = get_task_detail(
    pipeline_task_details, "automl-forecasting-stage-1-tuner"
)
stage_1_tuning_result_artifact_uri = (
    stage_1_tuner_task.outputs["tuning_result_output"].artifacts[0].uri
)

Addestra un modello

Il seguente codice campione mostra come eseguire una pipeline di addestramento del modello:

job = aiplatform.PipelineJob(
    ...
    template_path=template_path,
    parameter_values=parameter_values,
    ...
)
job.run(service_account=SERVICE_ACCOUNT)

Il parametro facoltativo service_account in job.run() ti consente di impostare l'account di servizio Vertex AI Pipelines su un account a tua scelta.

Vertex AI supporta i seguenti metodi per l'addestramento del modello:

Time series Dense Encoder (TiDE). Per utilizzare questo metodo di addestramento del modello, definisci la pipeline e i valori dei parametri utilizzando la seguente funzione:
```
template_path, parameter_values = automl_forecasting_utils.get_time_series_dense_encoder_forecasting_pipeline_and_parameters(...)
```
Trasformatore di fusione temporale (TFT). Per utilizzare questo metodo di addestramento del modello, definisci la pipeline e i valori dei parametri utilizzando la seguente funzione:
```
template_path, parameter_values = automl_forecasting_utils.get_temporal_fusion_transformer_forecasting_pipeline_and_parameters(...)
```
AutoML (L2L). Per utilizzare questo metodo di addestramento del modello, definisci la pipeline e i valori dei parametri utilizzando la seguente funzione:
```
template_path, parameter_values = automl_forecasting_utils.get_learn_to_learn_forecasting_pipeline_and_parameters(...)
```
Seq2Seq+. Per utilizzare questo metodo di addestramento del modello, definisci la pipeline e i valori dei parametri utilizzando la seguente funzione:
```
template_path, parameter_values = automl_forecasting_utils.get_sequence_to_sequence_forecasting_pipeline_and_parameters(...)
```

Per scoprire di più, consulta Metodi di addestramento dei modelli.

I dati di addestramento possono essere un file CSV in Cloud Storage o una tabella in BigQuery.

Di seguito è riportato un sottoinsieme di parametri di addestramento del modello:

Nome parametro	Tipo	Definizione
`optimization_objective`	Stringa	Per impostazione predefinita, Vertex AI riduce al minimo l'errore quadratico medio (RMSE). Se vuoi un obiettivo di ottimizzazione diverso per il modello di previsione, scegli una delle opzioni in Obiettivi di ottimizzazione per i modelli di previsione. Se scegli di ridurre al minimo la perdita di quantili, devi anche specificare un valore per `quantiles`.
`enable_probabilistic_inference`	Booleano	Se impostato su `true`, Vertex AI modella la distribuzione di probabilità della previsione. L'inferenza probabilistica può migliorare la qualità del modello gestendo i dati con rumore e quantificando l'incertezza. Se vengono specificati `quantiles`, Vertex AI restituisce anche i quantili della distribuzione. L'inferenza probabilistica è compatibile solo con i metodi di addestramento Time series Dense Encoder (TiDE) e AutoML (L2L). L'inferenza probabilistica non è compatibile con lo scopo dell'ottimizzazione `minimize-quantile-loss`.
`quantiles`	List[float]	Quantili da utilizzare per l'`minimize-quantile-loss`obiettivo di ottimizzazione e l'inferenza probabilistica. Fornisci un elenco di massimo cinque numeri univoci compresi tra `0` e `1`, esclusi.
`time_column`	Stringa	La colonna della data e dell'ora. Per scoprire di più, consulta la sezione Requisiti della struttura dei dati.
`time_series_identifier_columns`	List[str]	Le colonne degli identificatori delle serie temporali. Per scoprire di più, consulta la sezione Requisiti della struttura dei dati.
`weight_column`	Stringa	(Facoltativo) La colonna del peso. Per scoprire di più, consulta Aggiungere pesi ai dati di addestramento.
`time_series_attribute_columns`	List[str]	(Facoltativo) Il nome o i nomi delle colonne che sono attributi delle serie temporali. Per saperne di più, consulta Tipo di funzionalità e disponibilità al momento della previsione.
`available_at_forecast_columns`	List[str]	(Facoltativo) Il nome o i nomi delle colonne delle covariate il cui valore è noto al momento della previsione. Per saperne di più, consulta Tipo di funzionalità e disponibilità al momento della previsione.
`unavailable_at_forecast_columns`	List[str]	(Facoltativo) Il nome o i nomi delle colonne delle covariate il cui valore è sconosciuto al momento della previsione. Per saperne di più, consulta Tipo di funzionalità e disponibilità al momento della previsione.
`forecast_horizon`	Numero intero	(Facoltativo) L'orizzonte di previsione determina per quanto lontano nel futuro il modello prevede il valore target per ogni riga di dati di previsione. Per scoprire di più, consulta Orizzonte di previsione, finestra di contesto e finestra di previsione.
`context_window`	Numero intero	(Facoltativo) La finestra di contesto imposta il periodo di tempo preso in considerazione dal modello durante la formazione (e per le previsioni). In altre parole, per ogni punto dati di addestramento, la finestra di contesto determina fino a che periodo di tempo precedente il modello cerca i pattern predittivi. Per scoprire di più, consulta Orizzonte di previsione, finestra di contesto e finestra di previsione.
`window_max_count`	Numero intero	(Facoltativo) Vertex AI genera finestre di previsione dai dati di input utilizzando una strategia di finestra mobile. La strategia predefinita è Conteggio. Il valore predefinito per il numero massimo di finestre è `100,000,000`. Imposta questo parametro per fornire un valore personalizzato per il numero massimo di finestre. Per scoprire di più, consulta la sezione Strategie per le finestre temporali continue.
`window_stride_length`	Numero intero	(Facoltativo) Vertex AI genera finestre di previsione dai dati di input utilizzando una strategia di finestra mobile. Per selezionare la strategia Passo, imposta questo parametro sul valore della lunghezza del passo. Per scoprire di più, consulta la sezione Strategie per le finestre temporali continue.
`window_predefined_column`	Stringa	(Facoltativo) Vertex AI genera finestre di previsione dai dati di input utilizzando una strategia di finestra mobile. Per selezionare la strategia Colonna, imposta questo parametro sul nome della colonna con valori `True` o `False`. Per scoprire di più, consulta la sezione Strategie per le finestre temporali continue.
`holiday_regions`	List[str]	(Facoltativo) Puoi selezionare una o più regioni geografiche per attivare la definizione del modello degli effetti delle festività. Durante l'addestramento, Vertex AI crea nel modello funzionalità di categorizzazione delle festività in base alla data del `time_column` e alle regioni geografiche specificate. Per impostazione predefinita, la definizione del modello per gli effetti delle festività è disattivata. Per scoprire di più, consulta Regioni delle festività.
`predefined_split_key`	Stringa	(Facoltativo) Per impostazione predefinita, Vertex AI utilizza un algoritmo di suddivisione cronologica per separare i dati di previsione nelle tre suddivisioni di dati. Se vuoi controllare le righe di dati di addestramento da utilizzare per ogni suddivisione, fornisci il nome della colonna contenente i valori di suddivisione dei dati (`TRAIN`, `VALIDATION`, `TEST`). Per saperne di più, consulta Suddivisioni dei dati per le previsioni.
`training_fraction`	Numero in virgola mobile	(Facoltativo) Per impostazione predefinita, Vertex AI utilizza un algoritmo di suddivisione cronologica per separare i dati di previsione nelle tre suddivisioni di dati. L'80% dei dati viene assegnato al set di addestramento, il 10% alla suddivisione per la convalida e il 10% alla suddivisione per il test. Imposta questo parametro se vuoi personalizzare la frazione di dati assegnata al set di addestramento. Per scoprire di più, consulta la sezione Suddivisione dei dati per le previsioni.
`validation_fraction`	Numero in virgola mobile	(Facoltativo) Per impostazione predefinita, Vertex AI utilizza un algoritmo di suddivisione cronologica per separare i dati di previsione nelle tre suddivisioni di dati. L'80% dei dati viene assegnato al set di addestramento, il 10% alla suddivisione per la convalida e il 10% alla suddivisione per il test. Imposta questo parametro se vuoi personalizzare la frazione di dati assegnata al set di convalida. Per scoprire di più, consulta la sezione Suddivisione dei dati per le previsioni.
`test_fraction`	Numero in virgola mobile	(Facoltativo) Per impostazione predefinita, Vertex AI utilizza un algoritmo di suddivisione cronologica per separare i dati di previsione nelle tre suddivisioni di dati. L'80% dei dati viene assegnato al set di addestramento, il 10% alla suddivisione per la convalida e il 10% alla suddivisione per il test. Imposta questo parametro se vuoi personalizzare la frazione di dati assegnata al set di test. Per scoprire di più, consulta la sezione Suddivisione dei dati per le previsioni.
`data_source_csv_filenames`	Stringa	Un URI per un file CSV archiviato in Cloud Storage.
`data_source_bigquery_table_path`	Stringa	Un URI per una tabella BigQuery.
`dataflow_service_account`	Stringa	(Facoltativo) Account di servizio personalizzato per eseguire i job Dataflow. Il job Dataflow può essere configurato per utilizzare IP privati e una subnet VPC specifica. Questo parametro funge da override per l'account di servizio worker Dataflow predefinito.
`run_evaluation`	Booleano	Se impostato su `True`, Vertex AI valuta il modello combinato sulla suddivisione del test.
`evaluated_examples_bigquery_path`	Stringa	Il percorso del set di dati BigQuery utilizzato durante la valutazione del modello. Il set di dati funge da destinazione per gli esempi previsti. Il valore parametro deve essere impostato se `run_evaluation` è impostato su `True` e deve avere il seguente formato: `bq://[PROJECT].[DATASET]`.

Trasformazioni

Puoi fornire una mappatura di un dizionario delle risoluzioni automatiche o di tipo alle colonne delle funzionalità. I tipi supportati sono: automatico, numerico, categorico, di testo e timestamp.

Nome parametro	Tipo	Definizione
`transformations`	Dict[str, List[str]]	Mappatura del dizionario delle risoluzioni automatiche o di tipo

Il codice seguente fornisce una funzione di supporto per compilare il parametro transformations. Inoltre, mostra come utilizzare questa funzione per applicare trasformazioni automatiche a un insieme di colonne definite da una variabile features.

def generate_transformation(
      auto_column_names: Optional[List[str]]=None,
      numeric_column_names: Optional[List[str]]=None,
      categorical_column_names: Optional[List[str]]=None,
      text_column_names: Optional[List[str]]=None,
      timestamp_column_names: Optional[List[str]]=None,
    ) -> List[Dict[str, Any]]:
    if auto_column_names is None:
      auto_column_names = []
    if numeric_column_names is None:
      numeric_column_names = []
    if categorical_column_names is None:
      categorical_column_names = []
    if text_column_names is None:
      text_column_names = []
    if timestamp_column_names is None:
      timestamp_column_names = []
    return {
        "auto": auto_column_names,
        "numeric": numeric_column_names,
        "categorical": categorical_column_names,
        "text": text_column_names,
        "timestamp": timestamp_column_names,
    }

transformations = generate_transformation(auto_column_names=features)

Per scoprire di più sulle trasformazioni, consulta Tipi di dati e trasformazioni.

Opzioni di personalizzazione del flusso di lavoro

Puoi personalizzare il flusso di lavoro tabulare per la previsione definendo i valori degli argomenti passati durante la definizione della pipeline. Puoi personalizzare il tuo flusso di lavoro nei seguenti modi:

Configura hardware
Salta ricerca architettura

Configurare l'hardware

Il seguente parametro di addestramento del modello ti consente di configurare i tipi di macchine e il numero di macchine per l'addestramento. Questa opzione è una buona scelta se hai un set di dati di grandi dimensioni e vuoi ottimizzare di conseguenza l'hardware della macchina.

Nome parametro	Tipo	Definizione
`stage_1_tuner_worker_pool_specs_override`	Dict[String, Any]	(Facoltativo) Configurazione personalizzata dei tipi di macchine e del numero di macchine per l'addestramento. Questo parametro configura il componente `automl-forecasting-stage-1-tuner` della pipeline.

Il codice seguente mostra come impostare il tipo di macchina n1-standard-8 per il nodo principale di TensorFlow e il tipo di macchina n1-standard-4 per il nodo valutatore di TensorFlow:

worker_pool_specs_override = [
  {"machine_spec": {"machine_type": "n1-standard-8"}}, # override for TF chief node
  {},  # override for TF worker node, since it's not used, leave it empty
  {},  # override for TF ps node, since it's not used, leave it empty
  {
    "machine_spec": {
        "machine_type": "n1-standard-4" # override for TF evaluator node
    }
  }
]

Salta la ricerca dell'architettura

Il seguente parametro di addestramento del modello ti consente di eseguire la pipeline senza la ricerca dell'architettura e di fornire un insieme di iperparametri da un'esecuzione precedente della pipeline.

Nome parametro	Tipo	Definizione
`stage_1_tuning_result_artifact_uri`	Stringa	(Facoltativo) URI del risultato dell'ottimizzazione degli iperparametri di un'esecuzione della pipeline precedente.

Passaggi successivi

Scopri di più sulle previsioni batch per i modelli di previsione.
Scopri di più sui prezzi per l'addestramento dei modelli.