Platform For AI:Criar e depurar um modelo

Leitura de dados

Adicione um componente Source/Destination ao pipeline para ler dados de fontes como MaxCompute e Object Storage Service (OSS). Para obter mais informações, consulte a documentação dos componentes específicos em Component Reference: Source/Destination. Este exemplo lê dados do MaxCompute.

1. Crie uma tabela no MaxCompute e importe seus dados. Para obter mais informações, consulte Create and use MaxCompute tables.

   Este exemplo cria uma tabela chamada heartdisease no projeto test e importa dados de teste.

   -- Create a table.
   CREATE TABLE IF NOT EXISTS heartdisease(
     age STRING COMMENT 'The age of the patient.',
     sex STRING COMMENT 'The gender of the patient. Valid values: female or male.',
     cp STRING COMMENT 'The type of chest pain. Valid values (from most severe to least severe): typical, atypical, non-anginal, and asymptomatic.',
     trestbps STRING COMMENT 'Resting blood pressure.',
     chol STRING COMMENT 'Serum cholesterol.',
     fbs STRING COMMENT 'Fasting blood sugar. If the value is greater than 120 mg/dl, the value is true. Otherwise, the value is false.',
     restecg STRING COMMENT 'Resting electrocardiographic results. Valid values (from least severe to most severe): norm and hyp.',
     thalach STRING COMMENT 'The maximum heart rate achieved.',
     exang STRING COMMENT 'Indicates whether the patient has exercise-induced angina. true indicates yes, and false indicates no.',
     oldpeak STRING COMMENT 'ST depression induced by exercise relative to rest (the ST segment depression value).',
     slop STRING COMMENT 'The slope of the peak exercise ST segment. Valid values: down, flat, and up.',
     ca STRING COMMENT 'The number of major vessels found by fluoroscopy.',
     thal STRING COMMENT 'The type of defect. Valid values (from least severe to most severe): norm, fix, and rev.',
     `status` STRING COMMENT 'Indicates whether the patient has the disease. buff indicates healthy and sick indicates diseased.',
     style STRING);
   -- For demonstration purposes, this example directly imports public test data from PAI.
   INSERT INTO heartdisease select * from pai_online_project.heart_disease_prediction;

2. Arraste o componente Read Table para a tela a fim de ler dados da tabela do MaxCompute.

   Um nó chamado Read Table-1 é criado automaticamente na tela. A numeração aumenta conforme a ordem de adição de componentes do mesmo tipo, começando em 1.

3. No painel de configuração do nó, configure o nome da tabela de origem. Para obter mais informações sobre os parâmetros, consulte Read Table.

   Na tela, selecione o nó Read Table-1. No painel de configuração à direita, insira o nome da tabela correspondente do MaxCompute no campo Table Name. Para este exemplo, insira heartdisease.

   Nota

   Ao ler dados de tabelas entre projetos do MaxCompute, o nome da tabela deve estar no formato project_name.table_name (por exemplo, test2.heartdisease) e você deve ter permissões para o projeto.

4. No painel de configuração à direita, alterne para a aba Fields Information para visualizar os detalhes dos campos deste conjunto de dados público.

Pré-processamento de dados

Após ler os dados, pré-processe-os para atender aos requisitos de entrada do treinamento ou da previsão do modelo. O Machine Learning Designer fornece um conjunto rico de componentes de data preprocessing e large model data processing.

Neste exemplo, a etapa de pré-processamento de dados utiliza quatro componentes em sequência: SQL Script, Type Conversion, Normalization e Split. Eles ficam posicionados entre os componentes Read Table e logistic regression for binary classification.

Também é possível usar o componente SQL script para escrever scripts SQL personalizados para suas features. Por exemplo, o script a seguir converte os tipos de dados das features de entrada:

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};

Treinamento do modelo

Um componente de modelo recebe dados pré-processados de componentes de upstream e passa sua saída para componentes de downstream, como previsão ou inferência. Cada componente pode ter uma ou mais portas de entrada e saída. Passe o mouse sobre uma porta para visualizar seu tipo de dados e garantir conexões corretas.

Por exemplo, o componente logistic regression for binary classification possui duas portas de saída:

• Logistic Regression Model: Esta saída serve como entrada de modelo para componentes como os de previsão.

• PMML: A implantação de modelos geralmente depende de modelos PMML (Predictive Model Markup Language). Por exemplo, para implantar um modelo gerado usando um Processor integrado (como o PMML Processor), selecione Generate PMML nos parâmetros de um component that supports model generation e execute o componente.

Previsão ou inferência do modelo

Após treinar um modelo, conecte componentes de previsão ou inferência para avaliar seu desempenho.

Por exemplo, o componente prediction possui duas portas de entrada:

• Model Input: Aceita o modelo treinado da seção de treinamento do modelo.

• Prediction Data Input: Aceita os dados de teste pré-processados.

Conecte os dados de teste divididos à porta de entrada de dados de previsão do nó prediction. Conecte o modelo de regressão logística para classificação binária à porta de entrada do modelo. No painel de configuração à direita do nó prediction, defina as Feature Columns selecionando as features a serem usadas para previsão e configure as Pass-through Columns. Inclua a coluna de rótulo para avaliação posterior. Defina Output Result Column Name como prediction_result, Output Score Column Name como prediction_score e Output Detail Column Name como prediction_detail.

Avaliação do modelo

Os componentes de avaliação analisam o desempenho do modelo com base em métricas relevantes.

O Machine Learning Designer fornece os seguintes componentes de avaliação, que podem ser conectados downstream do componente de previsão conforme necessário.

Os componentes de avaliação incluem Binary Classification Evaluation, Regression Evaluation, Clustering Evaluation, Confusion Matrix e Multiclass Classification Evaluation. Na tela do pipeline, conecte o nó de avaliação necessário downstream do nó prediction e execute-o. Em seguida, clique em no ícone de visualization na barra de ferramentas para visualizar os resultados da avaliação.

Depurar e executar

• Pipeline inteiro: Clique em no ícone (Run) no canto superior esquerdo da tela para executar todo o pipeline. Para pipelines complexos, recomendamos executar um único nó ou um subconjunto de nós para facilitar a depuração.

• Componentes únicos ou múltiplos: Clique com o botão direito em um componente para executar um único nó ou parte do pipeline. Várias opções de execução estão disponíveis.

  As opções de execução incluem Run This Node, Run from Here, Run to Here, Run from Root to Here e Run Downstream Nodes.

Um ícone aparece em um componente executado com êxito. Em caso de falha, um ícone é exibido. Clique com o botão direito no componente para visualizar logs e resultados.

Visualizar logs e resultados

• Após a execução bem-sucedida de um componente, clique com o botão direito nele e selecione View Data para visualizar os dados de saída.

  Para alguns componentes, o Machine Learning Designer pode converter dados em gráficos e diagramas. Essa visualização de dados complexos e resultados de análise ajuda a identificar rapidamente informações-chave, tendências e padrões. Também é possível clicar em Visual Analysis ou no ícone de visualização na parte superior da tela para realizar uma análise visual. Para obter mais informações, consulte Visual Analysis.

• Visualizar logs: Se um componente falhar durante a execução, clique com o botão direito nele e selecione View Log para identificar a causa raiz da falha.

Visualizar tarefas em execução

Clique em View All Tasks no canto superior direito da tela para visualizar todas as execuções históricas de tarefas. Cada execução durante o processo de modelagem é registrada como uma tarefa histórica, preservando os nós envolvidos, suas configurações e suas saídas.

No painel Historical Tasks exibido, a coluna Actions de cada tarefa fornece links para Details, Model, version rollback e Share. Clique em Details para visualizar as configurações dos nós e os resultados de saída da tarefa.

Na página de detalhes da tarefa, clique em um nó de destino, como SQL Script-3, na tela à esquerda. O painel à direita mostra os detalhes do nó. Selecione a aba Task Log para visualizar o log de execução. Também é possível alternar para a aba Run Information ou Output Results para visualizar o conteúdo respectivo.