Topik ini menjelaskan cara menggunakan template preset di Machine Learning Designer untuk membangun model guna memprediksi daya keluaran pembangkit listrik.
Informasi latar belakang
Dalam contoh pipeline berikut, data pembangkitan daya dari pembangkit listrik siklus kombinasi digunakan untuk membangun model guna memprediksi daya keluaran. Contoh ini juga menunjukkan aplikasi pembelajaran mesin dalam produksi industri. Daya keluaran dari konverter energi angin menentukan energi listrik yang dapat dihasilkan oleh satu generator. Jika Anda dapat secara akurat memprediksi daya keluaran generator, Anda dapat mengevaluasi dan mengimplementasikan rencana produksi daya untuk mengurangi pemborosan sumber daya.
Prasyarat
Ruang kerja telah dibuat. Untuk informasi lebih lanjut, lihat Buat dan Kelola Ruang Kerja.
Sumber daya MaxCompute terkait dengan ruang kerja. Untuk informasi lebih lanjut, lihat Kelola Ruang Kerja.
Dataset
Dataset pembangkit listrik siklus kombinasi yang digunakan dalam contoh pipeline berikut adalah dataset yang disediakan oleh University of California, Irvine (UCI) di Machine Learning Repository. Untuk informasi lebih lanjut, lihat Dataset Pembangkit Listrik Siklus Kombinasi. Dataset tersebut berisi 9.568 entri data. Setiap entri mencakup bidang AT, V, AP, RH, dan PE, yang menunjukkan pengukuran suhu, tekanan, kelembapan, intensitas tekanan, dan daya keluaran secara berurutan. Gambar berikut menunjukkan data sampel yang digunakan dalam pipeline.
Prosedur
Pergi ke halaman Machine Learning Designer.
Masuk ke Konsol PAI.
Di panel navigasi sebelah kiri, klik Workspaces. Di halaman Workspaces, klik nama ruang kerja yang ingin Anda kelola.
Di panel navigasi sebelah kiri, pilih .
Buat pipeline.
Di halaman Pemodelan Visual (Designer), klik tab Preset Templates.
Temukan template Power Plant Output Forecast dan klik Create.
Di kotak dialog Create Pipeline, konfigurasikan parameter yang diperlukan. Anda dapat menggunakan nilai default.
Nilai yang ditentukan untuk parameter Pipeline Data Path adalah jalur bucket Object Storage Service (OSS) untuk data sementara dan model yang dihasilkan selama waktu proses pipeline.
Klik OK.
Membutuhkan sekitar 10 detik untuk membuat pipeline.
Di tab Pipelines, klik dua kali pipeline Power Plant Output Forecast yang telah dibuat untuk membuka pipeline.
Lihat komponen pipeline di kanvas seperti yang ditunjukkan pada gambar berikut. Sistem secara otomatis membuat pipeline berdasarkan template preset.
Area
Deskripsi
①
Komponen Corrcoef mengukur dampak setiap fitur pada daya keluaran. Setelah Anda menjalankan pipeline, Anda dapat mengklik kanan komponen Corrcoef di kanvas dan memilih Visual Analysis untuk melihat dampak setiap fitur pada daya keluaran.
②
Komponen split membagi dataset menjadi set data pelatihan dan set data prediksi dengan rasio 8 banding 2.
③
Komponen Linear Regression melakukan pemodelan regresi.
④
Komponen Prediction memprediksi daya keluaran berdasarkan set data prediksi. Komponen Evaluation mengevaluasi akurasi prediksi model.
Jalankan pipeline dan lihat hasilnya.
Di pojok kiri atas kanvas, klik ikon
.Setelah Anda menjalankan pipeline, klik kanan komponen Corrcoef di kanvas dan pilih Visual Analysis.
Di bagian Corrcoef, lihat dampak setiap fitur pada daya keluaran.
Gambar di atas menunjukkan bahwa suhu memiliki dampak terbesar pada daya keluaran, diikuti oleh tekanan, kelembapan, dan intensitas tekanan.Klik kanan komponen Linear Regression di kanvas dan pilih untuk melihat hasil evaluasi model.
Klik kanan komponen Evaluation di kanvas dan pilih untuk melihat hasil yang menunjukkan performa model.