Amazon SageMaker Autopilot tukee nyt aikasarjatietoja

Amazon SageMaker -autopilotti rakentaa, kouluttaa ja virittää automaattisesti parhaat koneoppimismallit (ML) tietojesi perusteella, ja samalla voit säilyttää täyden hallinnan ja näkyvyyden. Olemme hiljattain ilmoittaneet aikasarjatietojen tuki Autopilotissa. Autopilotilla voit käsitellä aikasarjatietojen tai yleensä sekvenssitietojen regressio- ja luokittelutehtäviä. Aikasarjadata on erityinen sekvenssidata, jossa datapisteitä kerätään tasaisin aikavälein.

Tietojen manuaalinen valmistelu, oikean ML-mallin valinta ja sen parametrien optimointi on monimutkainen tehtävä jopa asiantuntijalle. Vaikka on olemassa automatisoituja lähestymistapoja, joilla voidaan löytää parhaat mallit ja niiden parametrit, ne eivät yleensä pysty käsittelemään jaksoina tulevaa dataa, kuten verkkoliikennettä, sähkönkulutusta tai ajan mittaan kirjattuja kotitalouskuluja. Koska nämä tiedot ovat eri ajankohtina saatuja havaintoja, peräkkäisiä havaintoja ei voida pitää toisistaan ​​riippumattomina, vaan ne on käsiteltävä kokonaisuutena. Voit käyttää Autopilotia useisiin ongelmiin peräkkäisten tietojen käsittelyssä. Voit esimerkiksi luokitella ajan mittaan tallennetun verkkoliikenteen tunnistaaksesi haitalliset toiminnot tai määrittääksesi, ovatko henkilöt oikeutettuja asuntolainaan luottohistoriansa perusteella. Sinä toimitat tietojoukon, joka sisältää aikasarjatiedot, ja Autopilot käsittelee loput, käsittelee peräkkäiset tiedot erikoisominaisuuksien muunnoksilla ja etsii parhaan mallin puolestasi.

Autopilotti eliminoi ML-mallien rakentamisen raskaan noston ja auttaa sinua automaattisesti rakentamaan, harjoittelemaan ja virittämään parhaan ML-mallin tietojesi perusteella. Autopilotti käyttää useita algoritmeja tiedoillasi ja virittää niiden hyperparametrit täysin hallitulla laskentainfrastruktuurilla. Tässä viestissä näytämme, kuinka voit käyttää Autopilot ratkaista aikasarjatietojen luokittelu- ja regressioongelmia. Katso ohjeet Autopilot-mallin luomiseen ja harjoittamiseen Asiakasvaihtoennuste Amazon SageMaker Autopilotilla.

Aikasarjatietojen luokittelu Autopilotilla

Juoksevana esimerkkinä tarkastellaan aikasarjan moniluokkaista ongelmaa aineisto UWaveGestureLibraryX, joka sisältää yhtä kaukana kiihtyvyysantureiden lukemat suorittaessaan yhtä kahdeksasta ennalta määritetystä käsieleestä. Yksinkertaisuuden vuoksi otamme huomioon vain kiihtyvyysmittarin X-ulottuvuuden. Tehtävänä on rakentaa luokittelumalli, joka kartoittaa aikasarjatiedot anturin lukemista ennalta määritettyihin eleisiin. Seuraava kuva näyttää tietojoukon ensimmäiset rivit CSV-muodossa. Koko taulukko koostuu 896 rivistä ja kahdesta sarakkeesta: ensimmäinen sarake on eleetiketti ja toinen sarake anturin lukemien aikasarja.

Muunna tiedot oikeaan muotoon Amazon SageMaker Data Wranglerin avulla

Numeeristen, kategoristen ja vakiotekstisarakkeiden hyväksymisen lisäksi Autopilot hyväksyy nyt myös sarjasyöttösarakkeen. Jos aikasarjatietosi eivät noudata tätä muotoa, voit muuntaa sen helposti läpi Amazon SageMaker Data Wrangler. Data Wrangler vähentää ML-tietojen kokoamiseen ja valmisteluun kuluvaa aikaa viikoista minuutteihin. Data Wranglerin avulla voit yksinkertaistaa tietojen valmistelua ja ominaisuuksien suunnittelua ja suorittaa tietojen valmistelutyön jokaisen vaiheen, mukaan lukien tietojen valinnan, puhdistamisen, tutkimisen ja visualisoinnin yhdestä visuaalisesta käyttöliittymästä. Tarkastellaan esimerkiksi samaa tietojoukkoa, mutta eri syöttömuodossa: jokainen ele (määritetty tunnuksella) on sarja kiihtyvyysmittarin yhtä kaukana toisistaan ​​olevia mittauksia. Pystysuoraan tallennettuna jokainen rivi sisältää aikaleiman ja yhden arvon. Seuraavassa kuvassa verrataan näitä tietoja alkuperäisessä muodossaan ja sarjamuotoon.

Jos haluat muuntaa tämän tietojoukon aiemmin kuvattuun muotoon Data Wranglerin avulla, lataa tietojoukko kohteesta Amazonin yksinkertainen tallennuspalvelu (Amazon S3). Käytä sitten aikasarja Ryhmittele muunnoksen mukaan, kuten seuraavassa kuvakaappauksessa näkyy, ja vie tiedot takaisin Amazon S3:een CSV-muodossa.

Kun tietojoukko on määritetyssä muodossa, voit jatkaa Autopilotilla. Katso muita Data Wranglerin aikasarjamuuntajia kohdasta Valmistele aikasarjatiedot Amazon SageMaker Data Wranglerilla.

Käynnistä AutoML-työ

Kuten muutkin Autopilotin tukemat syöttötyypit, jokainen tietojoukon rivi on erilainen havainto ja jokainen sarake on ominaisuus. Tässä esimerkissä meillä on yksi sarake, joka sisältää aikasarjatietoja, mutta sinulla voi olla useita aikasarjasarakkeita. Sinulla voi myös olla useita sarakkeita eri syöttötyypeillä, kuten aikasarjoilla, tekstillä ja numeerisilla.

jotta Luo Autopilot-kokeilu, aseta tietojoukko S3-säihöön ja luo uusi kokeilu Amazon SageMaker Studio. Kuten seuraavassa kuvakaappauksessa näkyy, sinun on määritettävä kokeen nimi, tietojoukon S3-sijainti, S3-sijainti tulostetuille artefakteille ja sarakkeen nimi ennustamista varten.

Autopilotti analysoi tiedot, luo ML-liukuhihnat ja suorittaa oletusarvoisen 250 hyperparametrien optimoinnin iteraatiota tässä luokitustehtävässä. Kuten seuraavasta mallitulostaulukosta näkyy, Autopilotin tarkkuus on 0.821, ja voit ottaa parhaan mallin käyttöön yhdellä napsautuksella.

Lisäksi Autopilot luo a tietojen kartoitusraportti, jossa voit visualisoida ja tutkia tietojasi.

Läpinäkyvyys on Autopilotin perusta. Voit tarkastella ja muokata luotuja ML-putkistoja ehdokasmäärittelymuistikirjassa. Seuraava kuvakaappaus osoittaa, kuinka Autopilot suosittelee erilaisia ​​putkistoja, jotka yhdistävät aikasarjamuuntajan TSFeatureExtractor erilaisilla ML-algoritmeilla, kuten gradienttitehostetuilla päätöspuilla ja lineaarisilla malleilla. The TSFeatureExtractor poimii satoja aikasarjaominaisuuksia puolestasi, jotka sitten syötetään loppupään algoritmeihin ennusteiden tekemiseksi. Täydellinen luettelo aikasarjan ominaisuuksista on kohdassa Yleiskatsaus poimituista ominaisuuksista.

Yhteenveto

Tässä viestissä osoitimme kuinka käyttää SageMaker Autopilotia aikasarjojen luokittelu- ja regressioongelmien ratkaisemiseen muutamalla napsautuksella.

Lisätietoja Autopilotista, katso Amazon SageMaker -autopilotti. Katso lisätietoja SageMakerin liittyvistä ominaisuuksista Amazon SageMaker Data Wrangler.

---

Tietoja Tekijät

Nikita Ivkin on soveltuva tutkija, Amazon SageMaker Data Wrangler.

Anne Milbert on ohjelmistokehitysinsinööri, joka työskentelee Amazon SageMakerin automaattisen mallin virityksen parissa.

Valerio Perrone on Applied Science Manager, joka työskentelee Amazon SageMakerin automaattisen mallin virityksen ja autopilotin parissa.

Meghana Satish on ohjelmistokehitysinsinööri, joka työskentelee Amazon SageMakerin automaattisen mallin virityksen parissa.

Ali Takbiri on AI/ML-asiantuntija Solutions Architect ja auttaa asiakkaita ratkaisemaan liiketoimintahaasteitaan AWS-pilvessä koneoppimisen avulla.

• Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
• CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
• Lähde: https://aws.amazon.com/blogs/machine-learning/amazon-sagemaker-autopilot-now-supports-time-series-data/