Обучение предиктивного элемента ML-модели

Kaspersky MLAD позволяет выполнить обучение предиктивного элемента для ML-модели, созданной вручную, импортированной в Kaspersky MLAD, созданной по шаблону, а также для скопированной ML-модели.

Обучение элементов ML-моделей доступно системным администраторам и пользователям с правом Обучение моделей из группы прав Управление ML-моделями. Функциональность доступна после добавления лицензионного ключа.

Чтобы обучить элемент ML-модели:

1. В основном меню выберите раздел Модели.
2. В дереве активов выберите предиктивный элемент, который вы хотите обучить.

   Справа отобразится список параметров.

3. Откройте вкладку Обучение и нажмите на кнопку Изменить в правом верхнем углу окна.
4. В поле Интервал отбора данных укажите интервал времени данных, на которых требуется обучить ML-модель.
5. Если требуется применить разметки для отбора данных для обучения ML-модели в рамках выбранного интервала, в поле Разметки выберите одну или несколько разметок.

   Выбранные разметки сформируют индикатор обучения.

   

   Совокупность критериев, на основании которых определяются интервалы времени данных, на которых ML-модель выполняет обучение.

6. Если требуется просмотреть, какие данные будут отобраны разметками, нажмите на кнопку На графике.

   Разметки отобразятся в указанных при создании цветах.

   При просмотре данных на графике вы можете выбрать определенный пресет.

7. Если требуется задать расширенные параметры обучения, включите переключатель Расширенные параметры обучения.
8. В поле Максимальная продолжительность обучения (сек.) укажите в секундах максимальное время, которое сервер Kaspersky MLAD может затратить на обучение ML-модели.
9. В поле Размер валидационной выборки укажите в виде десятичной дроби долю валидационной выборки относительно всего набора данных для обучения ML-модели.

   Вы можете указать значение в диапазоне от 0 до 1.

   По умолчанию этот параметр имеет значение 0.2.

10. В поле Максимальное количество эпох укажите максимальное количество эпох для обучения ML-модели.

    По умолчанию этот параметр имеет значение 500.

11. В поле Количество эпох для ранней остановки обучения укажите количество эпох, в течение которых качество обучения не улучшается для ранней остановки обучения ML-модели.

    Ранняя остановка обучения ML-модели применяется для избежания переобучения модели. При этом обучение ML-модели считается успешно завершившимся.

    По умолчанию этот параметр имеет значение 15.

12. В поле Разрешение графиков результатов обучения укажите в виде десятичной дроби разрешение графиков для отображения результатов обучения на вкладке Результаты обучения.

    Вы можете указать значение в диапазоне от 0 до 1.

13. В поле Размер пакета укажите количество элементов выборки, которое требуется передать на обучение в рамках итерации.

    По умолчанию этот параметр имеет значение 16.

    Этот параметр недоступен для элемента с TCN-архитектурой.

14. В поле Количество блоков укажите количество блоков, на которое требуется разбить данные для обучения ML-модели.

    По умолчанию этот параметр имеет значение 4.

15. В раскрывающемся списке Режим инференса выберите одно из следующих значений:
    • Если требуется загрузить все пакеты данных для обучения в оперативную память, выберите Быстрый инференс.

      Этот режим инференса позволяет выполнить инференс быстрее.

    • Если требуется загружать в оперативную память по одному пакету данных, выберите Экономия памяти.

      Этот режим инференса позволяет выполнить инференс с минимальными затратами оперативной памяти, но медленнее, чем в режиме Быстрый инференс.

16. В раскрывающемся списке Режим обучения выберите одно из следующих значений:
    • Если требуется загрузить все данные для обучения модели в оперативную память, выберите Загрузить все данные в оперативную память.
    • Если требуется загружать в оперативную память по одному блоку данных и сформировать валидационные блоки из конца набора данных, выберите Сформировать валидационные блоки из конца данных.
    • Если требуется загружать в оперативную память по одному блоку данных без формирования валидационных блоков, выберите Проводить валидацию в каждом блоке обучающих данных.

      Валидационные данные формируются из каждого обучающего блока данных.

17. В раскрывающемся списке Режим распределения памяти выберите один из следующих параметров:
    • Зарезервировать минимальный объем свободной памяти. При выборе этого параметра при обучении ML-модели служба Trainer будет оставлять свободным минимальный объем памяти, указанный в поле Объем памяти, МБ.
    • Зарезервировать максимальный объем памяти на обучение модели. При выборе этого параметра для обучения ML-модели служба Trainer будет использовать максимальный объем оперативной памяти, указанный в поле Объем памяти, МБ.
18. Если требуется учесть результаты предыдущего обучения при обучении ML-модели на новых данных, включите параметр Инициализировать веса модели значениями из результатов предыдущего обучения.
19. Если требуется перемешать данные для улучшения качества обучения ML-модели, включите параметр Перемешать данные.
20. В поле Инициализация генератора псевдослучайных чисел укажите значение, на основании которого будет сгенерирована последовательность псевдослучайных чисел.
21. В поле Коэффициент скорости обучения укажите коэффициент, с помощью которого будут корректироваться веса элемента ML-модели на каждой итерации обучения.

    По умолчанию этот параметр имеет значение 0.0001.

22. В раскрывающемся списке Алгоритм оптимизации обучения выберите один из следующих алгоритмов:
    • Adadelta – алгоритм, основанный на адаптивной скорости обучения для каждого измерения.
    • Adagrad – алгоритм, в котором скорость обучения зависит от частоты обновления параметров во время обучения.
    • Adam – алгоритм, основанный на адаптивной оценке первого и второго момента распределения параметров.
    • RMSprop – алгоритм, использующий скользящее среднее квадратов градиента для адаптивного нормирования скорости обучения на каждом шаге.
    • SGD – алгоритм стохастического градиентного спуска.
23. В раскрывающемся списке Функция потерь выберите одну из следующих функций:
    • MSE – для расчета среднеквадратичной ошибки.
    • MSLE – для расчета средней логарифмической ошибки.
    • MAE – для расчета средней абсолютной ошибки.
    • MAPE – для расчета средней абсолютной процентной ошибки.
24. В правом верхнем углу окна нажмите на кнопку Сохранить.

    В случае изменения параметров обучения для ранее обученного элемента необходимо подтвердить сохранение изменений.

25. В информационном блоке, расположенном над параметрами обучения, нажмите на кнопку Обучить элемент.

    В информационном блоке будет отображаться номер текущей эпохи обучения элемента.

После завершения обучения вы можете просмотреть результаты обучения элемента ML-модели на вкладке Результаты обучения.

После успешного обучения всех предиктивных элементов и элементов на основе эллиптического конверта в составе ML-модели ей будет присвоен статус Обучена. Если требуется, вы можете повторно обучить элемент ML-модели, нажав на кнопку Перезапустить обучение.

В начало