AutoML Tables တွင် လေ့ကျင့်ရေးဘတ်ဂျက်သတ်မှတ်ခြင်းအတွက် မည်သည့်ရွေးချယ်စရာများ ရနိုင်သနည်း။
AutoML Tables တွင် လေ့ကျင့်ရေးဘတ်ဂျက်တစ်ခု သတ်မှတ်ခြင်းတွင် အသုံးပြုသူများအား လေ့ကျင့်ရေးလုပ်ငန်းစဉ်တွင် ခွဲဝေချထားပေးသည့် အရင်းအမြစ်ပမာဏကို ထိန်းချုပ်နိုင်စေမည့် ရွေးချယ်စရာများစွာ ပါဝင်ပါသည်။ ဤရွေးချယ်မှုများသည် မော်ဒယ်စွမ်းဆောင်ရည်နှင့် ကုန်ကျစရိတ်များကြား အပေးအယူကို ပိုကောင်းအောင်ပြုလုပ်ထားပြီး အသုံးပြုသူများအား ၎င်းတို့၏ဘတ်ဂျက်ကန့်သတ်ချက်များအတွင်း အလိုရှိသောတိကျမှုအဆင့်ကို ရရှိစေရန် ဒီဇိုင်းထုတ်ထားသည်။
လေ့ကျင့်ရေးဘတ်ဂျက်သတ်မှတ်ခြင်းအတွက် ပထမဆုံးရွေးချယ်မှုမှာ "budget_milli_node_hours" ကန့်သတ်ချက်ဖြစ်သည်။ ဤကန့်သတ်ချက်သည် လေ့ကျင့်ရေးအတွက် အသုံးပြုမည့် တွက်ချက်မှုဆိုင်ရာ အရင်းအမြစ် စုစုပေါင်း ပမာဏကို ကိုယ်စားပြုပြီး မီလီနစ်နာရီများဖြင့် တိုင်းတာသည်။ ၎င်းသည် လေ့ကျင့်ရေးလုပ်ငန်းစဉ်၏ အမြင့်ဆုံးကြာချိန်ကို ဆုံးဖြတ်ပေးပြီး ကုန်ကျစရိတ်ကို သွယ်ဝိုက်၍ဖြစ်စေ သက်ရောက်မှုရှိသည်။ ဤကန့်သတ်ဘောင်ကို ချိန်ညှိခြင်းဖြင့်၊ အသုံးပြုသူများသည် မော်ဒယ်တိကျမှုနှင့် ကုန်ကျစရိတ်အကြား လိုချင်သောအပေးအယူကို သတ်မှတ်နိုင်သည်။ ပိုမိုမြင့်မားသောတန်ဖိုးတစ်ခုသည် လေ့ကျင့်ရေးလုပ်ငန်းစဉ်အတွက် အရင်းအမြစ်များကို ပိုမိုခွဲဝေပေးမည်ဖြစ်ပြီး ပိုမိုတိကျမှုပိုမိုရရှိစေကာ ကုန်ကျစရိတ်လည်း ပိုမိုမြင့်မားစေမည်ဖြစ်သည်။
အခြားရွေးချယ်စရာမှာ အသုံးပြုသူ ပေးဆောင်လိုသော အမြင့်ဆုံး လေ့ကျင့်ရေးကုန်ကျစရိတ်ကို ကိုယ်စားပြုသည့် "ဘတ်ဂျက်" ကန့်သတ်ချက်ဖြစ်သည်။ ဤကန့်သတ်ချက်သည် အသုံးပြုသူများအား ခွဲဝေပေးထားသော အရင်းအမြစ်များ သတ်မှတ်ထားသော ဘတ်ဂျက်ထက် မကျော်လွန်ကြောင်း သေချာစေရန်အတွက် လေ့ကျင့်ရေးစရိတ်အတွက် ခက်ခဲသောကန့်သတ်ချက်တစ်ခု သတ်မှတ်နိုင်စေပါသည်။ AutoML Tables ဝန်ဆောင်မှုသည် သတ်မှတ်ထားသော ဘတ်ဂျက်အတွင်း ကိုက်ညီစေရန် လေ့ကျင့်ရေးလုပ်ငန်းစဉ်ကို အလိုအလျောက် ချိန်ညှိပေးမည်ဖြစ်ပြီး၊ သတ်မှတ်ထားသော ကန့်သတ်ချက်များအတွင်း အကောင်းဆုံးတိကျမှုရရှိစေရန် အရင်းအမြစ်ခွဲဝေမှုကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ပေးမည်ဖြစ်သည်။
ဤရွေးချယ်စရာများအပြင်၊ AutoML Tables သည် "model_evaluation_count" ကန့်သတ်ဘောင်ကို အသုံးပြု၍ အနည်းဆုံး မော်ဒယ်အကဲဖြတ်မှုအရေအတွက်ကို သတ်မှတ်ရန် စွမ်းရည်ကိုလည်း ပေးပါသည်။ ဤကန့်သတ်ချက်သည် လေ့ကျင့်ရေးလုပ်ငန်းစဉ်အတွင်း မော်ဒယ်ကို အကဲဖြတ်သင့်သည့် အနိမ့်ဆုံးအကြိမ်အရေအတွက်ကို ဆုံးဖြတ်သည်။ ပိုမိုမြင့်မားသောတန်ဖိုးကို သတ်မှတ်ခြင်းဖြင့်၊ အသုံးပြုသူများသည် မော်ဒယ်ကို သေချာစွာ အကဲဖြတ်ပြီး ကောင်းမွန်စွာ ချိန်ညှိထားကြောင်း သေချာစေကာ ပိုမိုကောင်းမွန်တိကျမှုကို ရရှိစေနိုင်သည်။ သို့သော်လည်း အကဲဖြတ်မှုအရေအတွက်ကို တိုးမြှင့်ခြင်းသည် အလုံးစုံလေ့ကျင့်ရေးကုန်ကျစရိတ်ကို တိုးစေမည်ကို သတိပြုရန် အရေးကြီးပါသည်။
ထို့အပြင်၊ AutoML Tables သည် "optimization_objective" ကန့်သတ်ဘောင်မှတဆင့် အလိုရှိသော ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်း ရည်မှန်းချက်ကို သတ်မှတ်ရန် ရွေးချယ်ခွင့်ကို ပေးပါသည်။ ဤကန့်သတ်ချက်သည် အသုံးပြုသူများအား တိကျမှု၊ တိကျမှု၊ ပြန်လည်သိမ်းဆည်းမှု သို့မဟုတ် F1 ရမှတ်များကဲ့သို့သော လေ့ကျင့်ရေးလုပ်ငန်းစဉ်အတွင်း ၎င်းတို့ပိုကောင်းအောင်ပြုလုပ်လိုသော မက်ထရစ်ကို သတ်မှတ်ခွင့်ပြုသည်။ ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်း ရည်မှန်းချက်ကို သတ်မှတ်ခြင်းဖြင့် အသုံးပြုသူများသည် ခွဲဝေချထားပေးသည့်ဘတ်ဂျက်အတွင်း အလိုရှိသော စွမ်းဆောင်ရည်ပန်းတိုင်များရရှိရန် လေ့ကျင့်ရေးလုပ်ငန်းစဉ်ကို လမ်းညွှန်နိုင်သည်။
နောက်ဆုံးအနေဖြင့်၊ AutoML Tables သည် ကနဦးလေ့ကျင့်မှုစတင်ပြီးနောက် လေ့ကျင့်ရေးဘတ်ဂျက်ကို ချိန်ညှိရန် လိုက်လျောညီထွေဖြစ်စေသည်။ အသုံးပြုသူများသည် လေ့ကျင့်ရေးတိုးတက်မှုကို စောင့်ကြည့်နိုင်ပြီး အလယ်အလတ်ရလဒ်များပေါ်အခြေခံ၍ အသိပေးဆုံးဖြတ်ချက်များချနိုင်သည်။ မော်ဒယ်သည် ခွဲဝေချထားပေးသည့်ဘတ်ဂျက်အတွင်း အလိုရှိသော တိကျမှုကို မပြည့်မီပါက၊ အသုံးပြုသူများသည် အရင်းအမြစ်များကို ပိုမိုခွဲဝေပေးရန်နှင့် မော်ဒယ်၏စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် လေ့ကျင့်ရေးဘတ်ဂျက်ကို တိုးမြှင့်စဉ်းစားနိုင်ပါသည်။
အနှစ်ချုပ်ရရန်၊ AutoML Tables တွင် လေ့ကျင့်ရေးဘတ်ဂျက်သတ်မှတ်ခြင်းအတွက် ရနိုင်သောရွေးချယ်မှုများတွင် "budget_milli_node_hours" parameter၊ "budget" parameter၊ "model_evaluation_count" parameter၊ "optimization_objective" parameter နှင့် လေ့ကျင့်ရေးလုပ်ငန်းစဉ်အတွင်း ဘတ်ဂျက်ကို ချိန်ညှိနိုင်မှုတို့ ပါဝင်သည်။ . ဤရွေးချယ်မှုများသည် သုံးစွဲသူများအား အရင်းအမြစ်ခွဲဝေမှုကို ထိန်းချုပ်ရန်နှင့် မော်ဒယ်စွမ်းဆောင်ရည်နှင့် ကုန်ကျစရိတ်အကြား အပေးအယူကို ပိုကောင်းအောင်ပြုလုပ်ရန် လိုက်လျောညီထွေဖြစ်စေသည်။
အခြား လတ်တလောမေးခွန်းများနှင့် အဖြေများ AutoML ဇယားများ:
- AutoML Tables က အခမဲ့လား။
- Vertex AI နှင့် AutoML ဇယားများအကြား မည်သို့ကူးပြောင်းနိုင်သနည်း။
- AutoML Tables များကို အဘယ်ကြောင့် ရပ်ဆိုင်းခဲ့ရပြီး ၎င်းတို့ကို မည်သို့အောင်မြင်စေသနည်း။
- အသုံးပြုသူများသည် ၎င်းတို့၏ မော်ဒယ်ကို မည်သို့အသုံးချပြီး AutoML Tables များတွင် ခန့်မှန်းချက်များကို ရယူနိုင်မည်နည်း။
- AutoML Tables တွင် Analyze tab သည် မည်သည့်အချက်အလက်ကို ပေးသနည်း။
- အသုံးပြုသူများသည် ၎င်းတို့၏ လေ့ကျင့်ရေးဒေတာကို AutoML Tables အတွင်းသို့ မည်သို့တင်သွင်းနိုင်သနည်း။
- AutoML Tables ကိုင်တွယ်နိုင်သော မတူညီသောဒေတာအမျိုးအစားများကား အဘယ်နည်း။