Platform For AI:Bangun dan debug model

Baca data

Tambahkan komponen Source/Destination ke pipeline Anda untuk membaca data dari sumber seperti MaxCompute dan Object Storage Service (OSS). Untuk informasi lebih lanjut, lihat dokumentasi komponen spesifik di bawah Component Reference: Source/Destination. Contoh ini membaca data dari MaxCompute.

1. Buat tabel di MaxCompute dan impor data Anda. Untuk informasi lebih lanjut, lihat Create and use MaxCompute tables.

   Contoh ini membuat tabel bernama heartdisease di proyek test dan mengimpor data uji.

   -- Buat tabel.
   CREATE TABLE IF NOT EXISTS heartdisease(
     age STRING COMMENT 'Usia pasien.',
     sex STRING COMMENT 'Jenis kelamin pasien. Nilai valid: female atau male.',
     cp STRING COMMENT 'Jenis nyeri dada. Nilai valid (dari paling parah ke paling ringan): typical, atypical, non-anginal, dan asymptomatic.',
     trestbps STRING COMMENT 'Tekanan darah saat istirahat.',
     chol STRING COMMENT 'Kolesterol serum.',
     fbs STRING COMMENT 'Gula darah puasa. Jika nilainya lebih besar dari 120 mg/dl, nilainya true. Jika tidak, nilainya false.',
     restecg STRING COMMENT 'Hasil elektrokardiografi saat istirahat. Nilai valid (dari paling ringan ke paling parah): norm dan hyp.',
     thalach STRING COMMENT 'Detak jantung maksimum yang dicapai.',
     exang STRING COMMENT 'Menunjukkan apakah pasien mengalami angina akibat olahraga. true berarti ya, dan false berarti tidak.',
     oldpeak STRING COMMENT 'Depresi segmen ST akibat olahraga relatif terhadap kondisi istirahat (nilai depresi segmen ST).',
     slop STRING COMMENT 'Kemiringan segmen ST puncak saat olahraga. Nilai valid: down, flat, dan up.',
     ca STRING COMMENT 'Jumlah pembuluh utama yang ditemukan melalui fluoroskopi.',
     thal STRING COMMENT 'Jenis cacat. Nilai valid (dari paling ringan ke paling parah): norm, fix, dan rev.',
     `status` STRING COMMENT 'Menunjukkan apakah pasien menderita penyakit tersebut. buff berarti sehat dan sick berarti sakit.',
     style STRING);
   -- Untuk tujuan demonstrasi, contoh ini langsung mengimpor data uji publik dari PAI.
   INSERT INTO heartdisease select * from pai_online_project.heart_disease_prediction;

2. Seret komponen Read Table ke Kanvas untuk membaca data dari tabel MaxCompute.

   Node bernama Read Table-1 secara otomatis dibuat di Kanvas. Angka tersebut bertambah berdasarkan urutan penambahan komponen jenis yang sama, dimulai dari 1.

3. Di panel konfigurasi sebelah kanan, konfigurasikan nama tabel sumber. Untuk informasi lebih lanjut tentang parameter, lihat Read Table.

   Di Kanvas, pilih node Read Table-1. Di panel konfigurasi node di sebelah kanan, masukkan nama tabel MaxCompute yang sesuai di bidang Table Name. Untuk contoh ini, masukkan heartdisease.

   Catatan

   Saat Anda membaca data tabel lintas proyek MaxCompute, nama tabel harus dalam format project_name.table_name (misalnya, test2.heartdisease), dan Anda harus memiliki izin untuk proyek tersebut.

4. Di panel konfigurasi sebelah kanan, alihkan ke tab Fields Information untuk melihat detail bidang dataset publik ini.

Pra-pemrosesan data

Setelah membaca data, lakukan pra-pemrosesan agar sesuai dengan persyaratan input untuk pelatihan atau prediksi model. Machine Learning Designer menyediakan kumpulan komponen data preprocessing dan large model data processing yang lengkap.

Dalam contoh ini, tahap pra-pemrosesan data menggunakan empat komponen secara berurutan: SQL Script, Type Conversion, Normalization, dan Split. Komponen-komponen ini ditempatkan di antara komponen Read Table dan logistic regression for binary classification.

Anda juga dapat menggunakan komponen SQL script untuk menulis skrip SQL kustom guna memproses fitur-fitur Anda. Misalnya, skrip berikut mengonversi tipe data fitur input:

select age,
(case sex when 'male' then 1 else 0 end) as sex,
(case cp when 'angina' then 0  when 'notang' then 1 else 2 end) as cp,
trestbps,
chol,
(case fbs when 'true' then 1 else 0 end) as fbs,
(case restecg when 'norm' then 0  when 'abn' then 1 else 2 end) as restecg,
thalach,
(case exang when 'true' then 1 else 0 end) as exang,
oldpeak,
(case slop when 'up' then 0  when 'flat' then 1 else 2 end) as slop,
ca,
(case thal when 'norm' then 0  when 'fix' then 1 else 2 end) as thal,
(case status  when 'sick' then 1 else 0 end) as ifHealth
from  ${t1};

Pelatihan model

Komponen model menerima data yang telah diproses dari komponen hulu dan meneruskan outputnya ke komponen hilir seperti komponen prediksi atau inferensi. Setiap komponen dapat memiliki satu atau lebih port input dan output. Arahkan kursor ke port untuk melihat tipe datanya guna memastikan koneksi yang benar.

Misalnya, komponen logistic regression for binary classification memiliki dua port output:

• Logistic Regression Model: Output ini berfungsi sebagai input model untuk komponen seperti prediksi.

• PMML: Penerapan model biasanya bergantung pada model Predictive Model Markup Language (PMML). Misalnya, jika Anda perlu menerapkan model yang dihasilkan menggunakan Processor bawaan (seperti PMML Processor), Anda perlu memilih Generate PMML di parameter komponen yang mendukung pembuatan model, lalu jalankan komponen tersebut.

Prediksi atau inferensi model

Setelah melatih model, hubungkan komponen prediksi atau inferensi untuk mengevaluasi kinerja model.

Misalnya, komponen prediction memiliki dua port input:

• Model Input: Menerima model yang telah dilatih dari bagian pelatihan model.

• Prediction Data Input: Menerima data uji yang telah diproses.

Hubungkan data uji hasil pemisahan ke port input data prediksi node prediction. Hubungkan model logistic regression for binary classification ke port input model. Di panel konfigurasi sebelah kanan untuk node prediction, atur Feature Columns dengan memilih fitur-fitur yang akan digunakan untuk prediksi, dan konfigurasikan Pass-through Columns. Sertakan kolom label untuk evaluasi selanjutnya. Atur Output Result Column Name menjadi prediction_result, Output Score Column Name menjadi prediction_score, dan Output Detail Column Name menjadi prediction_detail.

Evaluasi model

Komponen evaluasi menganalisis kinerja model berdasarkan metrik yang relevan.

Machine Learning Designer menyediakan komponen evaluasi berikut, yang dapat Anda hubungkan di hilir komponen prediksi sesuai kebutuhan.

Komponen evaluasi mencakup Binary Classification Evaluation, Regression Evaluation, Clustering Evaluation, Confusion Matrix, dan Multiclass Classification Evaluation. Di Kanvas pipeline, hubungkan node evaluasi yang diperlukan di hilir node prediction dan jalankan. Lalu, klik ikon visualization di Bilah alat untuk melihat hasil evaluasi.

Debug dan jalankan

• Seluruh pipeline: Klik ikon (Run) di pojok kiri atas Kanvas untuk menjalankan seluruh pipeline. Untuk pipeline kompleks, kami menyarankan Anda menjalankan satu node atau subset node untuk mempermudah debugging.

• Satu atau beberapa komponen: Klik kanan komponen untuk menjalankan satu node atau bagian pipeline. Beberapa opsi menjalankan tersedia.

  Opsi menjalankan mencakup Run This Node, Run from Here, Run to Here, Run from Root to Here, dan Run Downstream Nodes.

Ikon muncul pada komponen yang berhasil dijalankan. Jika gagal, ikon muncul. Anda dapat mengklik kanan komponen tersebut untuk melihat log dan hasil.

Lihat log dan hasil

• Setelah komponen berhasil dijalankan, Anda dapat mengklik kanan dan memilih View Data untuk melihat data keluaran.

  Untuk beberapa komponen, Machine Learning Designer dapat mengonversi data menjadi graf dan grafik. Visualisasi data kompleks dan hasil analisis ini membantu Anda dengan cepat mengidentifikasi informasi penting, tren, dan pola. Anda juga dapat mengklik Visual Analysis atau ikon visualisasi di bagian atas Kanvas untuk melakukan analisis visual. Untuk informasi lebih lanjut, lihat Visual Analysis.

• Lihat log: Jika komponen gagal dijalankan, Anda dapat mengklik kanan dan memilih View Log untuk mengidentifikasi akar penyebab kegagalan.

Lihat tugas yang sedang berjalan

Klik View All Tasks di pojok kanan atas Kanvas untuk melihat semua riwayat eksekusi tugas. Setiap eksekusi selama proses pemodelan dicatat sebagai tugas historis, menyimpan node yang terlibat, konfigurasinya, dan outputnya.

Di panel Historical Tasks yang muncul, kolom Actions untuk setiap tugas menyediakan tautan untuk Details, Model, version rollback, dan Share. Klik Details untuk melihat konfigurasi node dan hasil output tugas tersebut.

Di halaman detail tugas, klik node target, seperti SQL Script-3, di Kanvas sebelah kiri. Panel di sebelah kanan menampilkan detail node tersebut. Pilih tab Task Log untuk melihat log eksekusi. Anda juga dapat beralih ke tab Run Information atau Output Results untuk melihat kontennya masing-masing.