Preparare i dati di addestramento

Questa pagina mostra come preparare i dati tabulari per l'addestramento di modelli di classificazione e regressione in Gemini Enterprise Agent Platform. La qualità dei dati di addestramento influisce sull'efficacia dei modelli creati.

Questo documento tratta i seguenti argomenti:

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

Per impostazione predefinita, Agent Platform utilizza un algoritmo di suddivisione casuale per separare i dati in tre suddivisioni. Agent Platform seleziona in modo casuale l'80% delle righe di dati per il set di addestramento, il 10% per il set di validazione e il 10% per il test set. In alternativa, puoi utilizzare una suddivisione manuale o una suddivisione cronologica, ma in questo caso devi preparare una colonna di suddivisione dei dati o una colonna temporale. Scopri di più sulle suddivisioni dei dati.

Requisiti della struttura dei dati

I dati di addestramento devono soddisfare i 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 2 e non più di 1000 colonne. Il set di dati deve avere una colonna target e almeno una funzionalità per l'addestramento del modello. Idealmente, i dati di addestramento hanno molte più di due colonne. Il numero massimo di colonne include sia le colonne di funzionalità sia le colonne non di funzionalità.
Colonna target Devi specificare una colonna target. La colonna target consente a Gemini Enterprise Agent Platform di associare i dati di addestramento al risultato desiderato. Non deve contenere valori nulli e deve essere di tipo Categorico o Numerico. Se è di tipo Categorico, deve avere almeno 2 e non più di 500 valori distinti.
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 avere almeno 1000 e non più di 100.000.000 di righe. 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 appropriato (ampio o stretto) per il tuo obiettivo. In genere, il formato ampio è il migliore, con ogni riga che rappresenta un elemento di dati di addestramento (prodotto, persona e così via). Scopri come scegliere il formato dei dati.

Prepara l'origine dell'importazione

Puoi fornire i dati di addestramento del modello a Gemini Enterprise Agent Platform in due formati:

  • Tabelle BigQuery
  • Valori separati da virgola (CSV)

L'origine che utilizzi dipende da come vengono archiviati i dati, dalle dimensioni e dalla complessità dei dati. 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 visualizzazione BigQuery si trova in un progetto diverso da quello in cui stai creando il set di dati di Agent Platform oppure se la tabella o la visualizzazione BigQuery è supportata da un'origine dati esterna, aggiungi uno o più ruoli al service agent di Agent Platform. Consulta i requisiti per l'aggiunta di ruoli per BigQuery.

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

L'URI BigQuery (che specifica la località 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 Agent Platform, 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 essere in Cloud Storage o sul computer locale. Devono soddisfare i seguenti requisiti:

  • La prima riga del primo file deve essere un'intestazione contenente 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.

  • Ogni file non deve 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. Agent Platform deduce automaticamente lo schema della tabella quando importi i dati e utilizza la riga di intestazione per i nomi delle colonne.

Per ulteriori informazioni sul formato dei file CSV e sui tipi di dati, consulta File CSV.

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

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

Aggiungi pesi ai dati di addestramento

Per impostazione predefinita, Agent Platform pesa ogni riga dei dati di addestramento in modo uniforme. 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 ai clienti che spendono di più abbiano un impatto maggiore sul modello. Se vuoi evitare di perdere un risultato specifico, pondera maggiormente le righe con quel risultato.

Per assegnare un peso relativo alle righe puoi aggiungere una colonna di peso al tuo set di dati. La colonna di peso deve essere una colonna numerica. Il valore del peso può essere compreso tra 0 e 10.000. Valori più elevati 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 peso, 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 test set utilizzato per la valutazione del modello.

Passaggi successivi