Preparare i dati di addestramento

Questa pagina descrive come preparare i dati tabulari per l'addestramento dei modelli di previsione.

Questa pagina tratta i seguenti argomenti:

  1. Requisiti della struttura dei dati
  2. Prepara l'origine dell'importazione
  3. Aggiungere pesi ai dati di addestramento

Per impostazione predefinita, Vertex AI utilizza un algoritmo di suddivisione cronologica per separare i dati di previsione in tre suddivisioni. In alternativa, puoi utilizzare una suddivisione manuale, ma ciò richiede di preparare una colonna di suddivisione dati. Scopri di più sulle suddivisioni dei dati.

Requisiti della struttura dei dati

Per i modelli di previsione, i dati di addestramento devono essere conformi ai seguenti requisiti di base:

Tipo di requisito Requisito
Dimensioni Il set di dati non deve superare i 100 GB.
Numero di colonne Il set di dati deve avere almeno 3 e non più di 100 colonne. Ogni osservazione nel set di dati deve avere un target e un orario, entrambi fungono da funzionalità. Inoltre, ogni osservazione deve avere un ID serie temporale, che identifica la serie temporale di cui fa parte l'osservazione. Idealmente, i dati di addestramento hanno molte più di 3 colonne. Il numero massimo di colonne include sia le colonne delle funzionalità che quelle non delle funzionalità.
Colonna di destinazione Specifica una colonna di destinazione. La colonna target consente a Vertex AI di associare i dati di addestramento al risultato desiderato. Non deve contenere valori nulli e deve essere numerico.
Colonna Data/Ora Devi specificare una colonna temporale e questa deve avere un valore per ogni riga. La colonna Ora indica l'ora in cui è stata effettuata una determinata osservazione.
Colonna identificatore serie temporale Devi specificare una colonna identificatore serie temporale e deve avere un valore per ogni riga. I dati di addestramento per le previsioni di solito includono più serie temporali e l'identificatore indica a Vertex AI a quale serie temporale appartiene una determinata osservazione nei dati di addestramento. Tutte le righe di una determinata serie temporale hanno lo stesso valore nella colonna dell'identificatore della serie temporale. Alcuni identificatori di serie temporali comuni potrebbero essere l'ID prodotto, un ID negozio o una regione. È possibile addestrare un modello di previsione su una singola serie temporale, con un valore identico per tutte le righe della colonna dell'identificatore della serie temporale. Tuttavia, Vertex AI è più adatta per i dati di addestramento che contengono due o più serie temporali. Per ottenere risultati ottimali, utilizza almeno 10 serie temporali per ogni colonna che utilizzi per addestrare il modello.
Formato del nome della colonna Il nome della colonna può includere qualsiasi carattere alfanumerico o un trattino basso (_). Il nome della colonna non può iniziare con un trattino basso.
Numero di righe Il set di dati deve contenere almeno 1000 righe e non più di 100.000.000. Se sono presenti più di 100.000.000 di righe, valuta la possibilità di eseguire il sottocampionamento. Per saperne di più, consulta la sezione Strategie per le finestre temporali continue. A seconda del numero di funzionalità del set di dati, 1000 righe potrebbero non essere sufficienti per addestrare un modello ad alto rendimento. Scopri di più.
Formato dei dati Utilizza il formato dei dati stretto (a volte chiamato lungo). Nel formato stretto, ogni riga rappresenta l'elemento specificato dall'identificatore della serie temporale per un momento specifico, insieme a tutti i dati per quell'elemento in quel momento. Scopri come scegliere il formato dei dati.
Intervallo tra le righe L'intervallo tra le righe di addestramento deve essere coerente. Si tratta della granularità dei dati, che influisce sulla modalità di addestramento del modello e sulla frequenza dei risultati dell'inferenza. Scopri come scegliere la granularità dei dati.
Lunghezza della serie temporale La lunghezza di una serie temporale non deve superare i 3000 intervalli di tempo.

Prepara l'origine dell'importazione

Puoi fornire i dati di addestramento del modello a Vertex AI in due formati:

  • Tabelle BigQuery
  • Valori separati da virgola (CSV)

L'origine che utilizzi dipende da come memorizzi i dati, dalle loro dimensioni e dalla loro complessità. Se il set di dati è piccolo e non hai bisogno di tipi di dati più complessi, il formato CSV potrebbe essere più semplice. Per i set di dati più grandi che includono array e struct, utilizza BigQuery.

BigQuery

La tabella o la visualizzazione BigQuery deve essere conforme ai requisiti di località di BigQuery.

Se la tabella o la vista BigQuery si trova in un progetto diverso da quello in cui stai creando il set di dati Vertex AI oppure se la tabella o la vista BigQuery è supportata da un'origine dati esterna, aggiungi uno o più ruoli all'agente di servizio Vertex AI. Consulta Requisiti per l'aggiunta di ruoli per BigQuery.

Non è necessario specificare uno schema per la tabella BigQuery. Vertex AI deduce automaticamente lo schema della tabella quando importi i dati.

L'URI BigQuery (che specifica la posizione dei dati di addestramento) deve essere conforme al seguente formato:

bq://<project_id>.<dataset_id>.<table_id>

L'URI non può contenere altri caratteri speciali.

Per informazioni sui tipi di dati BigQuery e su come vengono mappati in Vertex AI, consulta Tabelle BigQuery. Per ulteriori informazioni sull'utilizzo delle origini dati esterne di BigQuery, consulta Introduzione alle origini dati esterne.

CSV

I file CSV possono trovarsi in Cloud Storage o sul tuo computer locale. Devono soddisfare i seguenti requisiti:

  • La prima riga del primo file deve essere un'intestazione e contenere i nomi delle colonne. Se la prima riga di un file successivo è uguale all'intestazione, viene a sua volta trattata come un'intestazione, in caso contrario viene trattata come dati.
  • I nomi delle colonne possono includere qualsiasi carattere alfanumerico o un trattino basso (_). Il nome della colonna non può iniziare con un trattino basso.

  • Le dimensioni di ogni file non devono superare i 10 GB.

    Puoi includere più file, fino a una dimensione massima di 100 GB.

  • Il delimitatore deve essere una virgola (",").

Non è necessario specificare uno schema per i dati CSV. Vertex AI deduce automaticamente lo schema della tabella quando importi i dati e utilizza la riga di intestazione per i nomi delle colonne.

Per saperne di più sul formato dei file CSV e sui tipi di dati, vedi File CSV.

Se importi i dati da Cloud Storage, devono trovarsi in un bucket che soddisfi i seguenti requisiti:

Se importi i dati dal computer locale, devi disporre di un bucket Cloud Storage che soddisfi i seguenti requisiti:

Aggiungere pesi ai dati di addestramento

Per impostazione predefinita, Vertex AI assegna lo stesso peso a ogni riga dei dati di addestramento. Ai fini dell'addestramento, nessuna riga è considerata più importante di un'altra.

A volte, potresti voler dare maggiore importanza ad alcune righe per l'addestramento. Ad esempio, se utilizzi i dati sulla spesa, potresti voler che i dati associati alle persone che spendono di più abbiano un impatto maggiore sul modello. Se vuoi in particolare evitare di perdere un risultato specifico, pondera maggiormente le righe con quel risultato.

Aggiungi una colonna di peso al tuo set di dati per assegnare un peso relativo alle righe. La colonna del peso deve essere una colonna numerica. Il valore del peso può essere compreso tra 0 e 10.000. Valori più alti indicano che la riga è più importante durante l'addestramento del modello. Un peso pari a 0 fa sì che la riga venga ignorata. Se includi una colonna di ponderazione, questa deve contenere un valore per ogni riga.

In un secondo momento, quando addestri il modello, specifica questa colonna come colonna Weight.

Gli schemi di ponderazione personalizzati vengono utilizzati solo per l'addestramento del modello; non influiscono sul set di test utilizzato per la valutazione del modello.

Passaggi successivi