本教程包括創建Power BI數據流的指導，以及使用數據流中定義的實體直接在Power BI中培訓和驗證機器學習模型。然后，我們使用該模型對新數據進行評分以生成預測。

首先，您將創建一個Binary Prediction機器學習模型，根據在線購物者的一組在線會話屬性來預測他們的購買意圖。本練習使用基準機器學習數據集。一旦一個模型被訓練，Power BI將自動生成一個解釋模型結果的驗證報告。然后您可以查看驗證報告，并將模型應用到您的數據中進行評分。

學習本教程前，請下載Power BI Desktop或Power BI Pro，以便同步操作加深學習印象。

下載Power BI Desktop 下載Power BI Pro

本教程包括以下步驟：

• 使用輸入數據創建數據流

• 創建和訓練機器學習模型

• 查看模型驗證報告

• 將模型應用于數據流實體

• 使用Power BI報表中模型的評分輸出

使用輸入數據創建數據流

本教程的第一部分是使用輸入數據創建數據流。如以下各節所示，該過程采取了一些步驟，從獲取數據開始。

獲取數據

創建數據流的第一步是準備好數據源。在我們的案例中，我們使用來自一系列在線會話的機器學習數據集，其中一些最終達到了購買目的。數據集包含一組關于這些會話的屬性，我們將使用它們來訓練我們的模型。

您可以從UC Irvine網站下載數據集。就本教程而言，我們還可以通過提供此功能。

創建實體

要在數據流中創建實體，請登錄Power BI服務，并導航到啟用了AI的專用容量的工作區。

如果還沒有工作區，可以通過在Power BI服務的左側導航菜單中選擇“工作區”來創建一個工作區，然后在出現的面板底部選擇“創建應用程序工作區 ”。這將在右側打開一個面板，以輸入工作區詳細信息。輸入工作空間名稱，然后選擇高級。使用單選按鈕確認工作空間使用“專用容量”，并且已將其分配給已打開AI的專用容量實例。然后選擇保存。

創建工作空間后，可以選擇“歡迎”屏幕右下角的“ 跳過 ”，如下圖所示。

選擇工作區右上方的Create按鈕，然后選擇Dataflow。

選擇添加新實體。這將在瀏覽器中啟動Power Query編輯器。

選擇Text/CSV File作為數據源，如下圖所示。

在接下來出現的“ 連接到數據源”頁面中，將以下指向online_shoppers_intention.csv的鏈接粘貼到“ 文件路徑”或“ URL”框中，然后選擇“ 下一步”：

//raw.githubusercontent.com/santoshc1/PowerBI-AI-samples/master/Tutorial_AutomatedML/online_shoppers_intention.csv

Power Query Editor顯示CSV文件中數據的預覽。您可以通過更改右側窗格中“名稱”框中的值，將查詢重命名為更友好的名稱。例如，您可以將查詢名稱更改為Online Visitors。

Power Query會自動推斷列的類型。您可以通過單擊列標題頂部的屬性類型圖標來更改列類型。在此示例中，我們將“收入”列的類型更改為“真/假”。

選擇“保存并關閉”按鈕以關閉Power Query Editor。提供數據流的名稱，然后在對話框上選擇“保存 ”，如下圖所示。

創建和訓練機器學習模型

要添加機器學習模型，請在“動作”列表中為包含您的訓練數據和標簽信息的基本實體選擇“應用ML模型”按鈕，然后選擇“添加機器學習模型”。

創建機器學習模型的第一步是識別歷史數據，包括您想要預測的結果字段。模型將通過學習這些數據來創建。

對于我們使用的數據集，這是收入字段。選擇Revenue作為“輸出字段”值，然后選擇Next。

接下來，我們必須選擇要創建的機器學習模型的類型。Power BI分析您已經確定的結果字段中的值，并建議可以創建哪些類型的機器學習模型來預測該字段。

在本例中，由于我們正在預測用戶是否會購買的二進制結果，因此建議使用二進制預測。因為我們對預測用戶購買感興趣，所以選擇True作為您最感興趣的收入結果。此外，您可以為自動生成的報告中使用的結果提供友好的標簽，該報告將總結模型驗證的結果。然后選擇Next。

接下來，Power BI對您的數據樣本進行初步掃描，并提出可能產生更準確預測的輸入建議。如果Power BI不建議使用該字段，則會在其旁邊提供說明。您可以選擇更改選擇，以僅包括您要模型研究的字段，或者可以通過選擇實體名稱旁邊的復選框來選擇所有字段。選擇下一步接受輸入。

在最后一步，我們必須為模型提供一個名稱。將模型命名為“購買意圖預測”。您可以選擇減少培訓時間以查看快速結果，也可以選擇增加培訓時間以獲得最佳模型。然后選擇保存并訓練以開始訓練模型。

培訓過程將首先對歷史數據進行采樣和標準化，然后將數據集劃分為兩個新實體，即購買意向預測培訓數據和購買意向預測測試數據。

根據數據集的大小，訓練過程可能需要幾分鐘到上一個屏幕選擇的訓練時間。此時，您可以在數據流的“ 機器學習模型”選項卡中看到該模型。就緒狀態表示該模型已排隊等待訓練或正在訓練中。

您可以通過數據流的狀態來確認正在對模型進行訓練和驗證。這將在工作區的Dataflows選項卡中顯示為正在進行的數據刷新。

模型訓練完成后，數據流將顯示更新的刷新時間。您可以通過導航到數據流中的“機器學習模型”選項卡來確認模型已訓練。您創建的模型應顯示為“已訓練”狀態，并且“最后一次訓練時間”現在應該更新了。

查看模型驗證報告

要查看模型驗證報告，請在機器學習模型選項卡中，選擇模型的“操作”列中的“查看培訓報告”按鈕。該報告描述了您的機器學習模型可能如何執行。

在報告的“ 模型性能”頁面中，選擇“查看最重要的預測變量”以查看模型的最重要的預測變量。您可以選擇一個預測變量，以查看結果分布如何與該預測變量關聯。

您可以使用“模型性能”頁面上的“概率閾值”切片器來檢查其對模型的“精確度”和“調用”的影響。

報告的其他頁面描述了該模型的統計性能指標。

該報告還包括“培訓詳細信息”頁面，該頁面描述了運行的不同迭代，如何從輸入中提取特征以及所使用的最終模型的超參數。

將模型應用于數據流實體

選擇報告頂部的“應用模型”按鈕以調用此模型。在“應用”對話框中，可以指定目標實體，該目標實體具有應該將模型應用于其的源數據。

出現提示時，您必須刷新數據流才能預覽模型的結果。

應用模型將創建兩個新實體，后綴分別為<model_name>和<model_name>。在我們的案例中，將模型應用于“在線訪問者”實體將創建“在線訪問者豐富的購買意圖預測”，其中包括該模型的預測輸出；以及“在線訪問者豐富的購買意圖預測”說明，其中包含針對該預測的特定記錄最高影響者。

應用二進制預測模型將添加四列，其中包含預測的結果、概率得分、預測的最高記錄特定影響者以及解釋索引，每列均以指定的列名作為前綴。

數據流刷新完成后，您可以選擇“在線訪問者充實的購買意圖預測”實體來查看結果。

在Power BI報表中使用模型的評分輸出

要使用機器學習模型的評分輸出，可以使用數據流連接器從Power BI桌面連接到數據流?，F在，可以使用“在線訪問者豐富的購買意圖預測”實體將來自模型的預測合并到Power BI報表中。

*想要獲得Power BI Desktop、Power BI Pro更多資源或正版授權的朋友，可以咨詢了解哦~