Olá, dados tabulares: crie um conjunto de dados e prepare um modelo de classificação do AutoML

Use a Google Cloud consola para criar um conjunto de dados tabulares e preparar um modelo de classificação.

Crie um conjunto de dados tabulares

1. Na Google Cloud consola, na secção Vertex AI, aceda à página Conjuntos de dados.

   Aceda à página Conjuntos de dados

2. Clique em Criar na barra de botões para criar um novo conjunto de dados.

3. Introduza Structured_AutoML_Tutorial para o nome do conjunto de dados e selecione o separador Tabelar.

4. Selecione o objetivo Regressão/classificação.

   Deixe a Região definida como us-central1.

5. Clique em Criar para criar o conjunto de dados.

   Para este tutorial, vai usar um conjunto de dados bancários disponível publicamente alojado no Cloud Storage.

6. Em Selecionar uma origem de dados, clique em Selecionar ficheiros CSV do armazenamento na nuvem

7. Em Caminho do ficheiro de importação, introduza cloud-ml-tables-data/bank-marketing.csv

8. Clique em Continuar.

Analise o conjunto de dados

A secção de análise permite-lhe ver mais informações sobre o conjunto de dados, como valores em falta ou NULL.

Uma vez que o nosso conjunto de dados está formatado corretamente para este tutorial, não tem de fazer nada nesta página e pode ignorar esta secção.

1. Opcional. Clique em Gerar estatísticas para ver o número de valores em falta ou NULL no conjunto de dados. Este processo pode demorar 10 minutos ou mais.

2. Opcional. Clique numa das colunas de atributos para saber mais sobre os valores dos dados.

Prepare um modelo de classificação da Plataforma AutoML

1. Clique em Formar novo modelo.

2. Selecione Outro.

3. No painel Método de preparação, confirme que o conjunto de dados que criou anteriormente está selecionado no campo Conjunto de dados.

4. No campo Objetivo, selecione Classificação.

5. Confirme que o método de preparação do AutoML está selecionado.

6. Clique em Continuar.

7. No painel Detalhes do modelo, selecione Depósito para a coluna de destino e clique em Continuar.

   A coluna de destino é o que estamos a preparar o modelo para prever. Para o conjunto de dados bank-marketing.csv, a coluna Deposit indica se o cliente comprou um depósito a prazo (2 = sim, 1 = não).

   O painel Opções de preparação dá-lhe a oportunidade de adicionar elementos e transformar os dados das colunas. Se não forem selecionadas colunas, por predefinição, todas as colunas que não sejam de destino são usadas como funcionalidades para a preparação. Este conjunto de dados está pronto para ser usado, pelo que não é necessário aplicar transformações.

8. Clique em Continuar.

9. No painel Computação e preços, introduza 1 para o orçamento de preparação.

   O orçamento de preparação é o tempo máximo (pode variar ligeiramente) que o modelo dedica à preparação. Este valor é multiplicado pelo preço por hora do nó para calcular o custo total de preparação. Mais horas de preparação resultam num modelo mais preciso (até certo ponto), mas resultam num custo mais elevado. Para fins de desenvolvimento, um orçamento baixo é adequado, mas para produção é importante encontrar um equilíbrio entre o custo e a precisão.

10. Clique em Iniciar preparação.

Quando o modelo termina a preparação, é apresentado no separador do modelo como um link ativo, com um ícone de estado de marca de verificação verde.

O que se segue?

O seu modelo está agora a ser preparado, o que pode demorar uma hora ou mais a concluir. Vai receber um email quando a preparação estiver concluída. Quando o modelo terminar a preparação, siga a página seguinte deste tutorial para implementar o modelo e pedir uma previsão.

Este tutorial usa um conjunto de dados que foi limpo e formatado para a preparação do AutoML, mas a maioria dos dados requer algum trabalho antes de estar pronta para ser usada. A qualidade dos dados de preparação afeta a eficácia dos modelos que cria. Saiba mais sobre a preparação de dados.

A obtenção e a preparação dos dados são essenciais para garantir um modelo de aprendizagem automática preciso. Saiba mais sobre as práticas recomendadas.

Saiba mais acerca da criação de um conjunto de dados tabulares.

O Vertex AI oferece dois métodos de preparação de modelos: AutoML e preparação personalizada. O AutoML permite-lhe preparar com o mínimo de esforço e experiência em aprendizagem automática, enquanto a preparação personalizada lhe dá controlo total sobre a funcionalidade de preparação. Saiba mais sobre os métodos de preparação.

O Vertex AI examina o tipo de dados de origem e os valores das funcionalidades e infere como vai usar essa funcionalidade na preparação do modelo. Recomendamos que reveja o tipo de dados de cada coluna para verificar se foi interpretado corretamente. Se necessário, pode especificar uma transformação suportada diferente para qualquer funcionalidade. Saiba mais sobre as transformações.

Saiba mais sobre a preparação de um AutoML para classificação ou regressão.