Vue d’ensemble du jeu d’outils Analyse tabulaire et d’entités
Le jeu d’outils Analyse tabulaire et d’entités contient des outils destinés à appliquer les algorithmes de Machine Learning et de Deep Learning aux données d’entités ou tabulaires.
L’outil Entraîner à l’aide d’AutoML utilise le Machine Learning automatisé (AutoML) pour entraîner et optimiser les modèles de Machine Learning en fonction des données d’entraînement et des ressources de calcul disponibles. Les modèles entraînés peuvent être utilisés dans l’outil Prévoir à l’aide d’AutoML afin de prévoir des variables catégorielles (classification) et des variables continues (régression).
L’entraînement des modèles de Machine Learning (ML) constitue généralement un processus complexe exigeant des connaissances spécialisées sur différents types de modèles et sur les modalités de perfectionnement de leurs paramètres (appelés hyperparamètres) pour obtenir les meilleurs résultats. Il s’agit d’un processus itératif impliquant plusieurs essais afin d’obtenir un modèle précis et des hyperparamètres appropriés. Les outils AutoML automatisent ce processus sans le moindre code. Ils offrent ainsi une visibilité totale sur les performances et les hyperparamètres des modèles entraînés, et indiquent les entités ayant l’incidence la plus forte sur les résultats du modèle.
L’outil Prévoir les valeurs manquantes à l’aide d’un modèle IA remplace les valeurs manquantes (valeurs nulles) dans une classe d’entités ou une table en entraînant automatiquement un modèle de Machine Learning ou de Deep Learning sur les données disponibles et en l’appliquant pour estimer les valeurs numériques manquantes. Il est conçu pour le prétraitement des données et est souvent utilisé avant les processus d’entraînement tels que Train Using AutoML (Entraîner à l’aide d’AutoML) pour améliorer les performances et la stabilité du modèle.
Outils dans le jeu d’outils Analyse tabulaire et d’entités
|
Outil |
Description |
|---|---|
|
Remplace les valeurs manquantes (valeurs nulles) par des valeurs d’entités estimées. Utilise des modèles de Machine Learning et de Deep Learning entraînés sur des modèles dans le jeu de données pour garantir la cohérence statistique. |
|
|
Prévoit des variables continues (régression) ou des variables catégorielles (classification) sur des jeux de données compatibles cachés à l’aide d’un modèle |
|
|
Entraîne un modèle de Deep Learning en construisant des pipelines d’entraînement et en automatisant une grande partie du processus d’entraînement. Cela inclut l’analyse des données exploratoires, la sélection des entités, l’ingénierie des entités, la sélection des modèles, l’optimisation des hyperparamètres et l’entraînement des modèles. Sa sortie comprend des mesures de performances du meilleur modèle sur les données d’entraînement, ainsi que le paquetage de modèle de Deep Learning entraîné ( |