Explorar a classificação com o designer do Azure Machine Learning
Observação Para concluir este laboratório, você precisará de uma assinatura do Azure na qual tenha acesso administrativo.
Criar um workspace do Azure Machine Learning
-
Entre no portal do Azure usando suas credenciais da Microsoft.
- Selecione + Criar um recurso, procure Machine Learning e crie um recurso do Azure Machine Learning com um plano do Azure Machine Learning. Use as configurações a seguir:
- Assinatura: sua assinatura do Azure.
- Grupo de recursos: crie ou selecione um grupo de recursos.
- Nome do workspace: insira um nome exclusivo para o workspace.
- Região: selecione a região geográfica mais próxima.
- Conta de armazenamento: anote a nova conta de armazenamento padrão que será criada para o workspace.
- Cofre de chaves: anote o novo cofre de chaves padrão que será criado para o workspace.
- Application Insights: anote o novo recurso Application Insights padrão que será criado para o workspace.
- Registro de contêiner: nenhum (um será criado automaticamente quando você implantar um modelo em um contêiner pela primeira vez)
-
Selecione Examinar + criare Criar. Aguarde até que o workspace seja criado (isso pode demorar alguns minutos) e acesse o recurso implantado.
-
Selecione Iniciar o estúdio (ou abra uma nova guia do navegador, acesse https://ml.azure.com e entre no Estúdio do Azure Machine Learning usando a conta Microsoft).
- No Estúdio do Azure Machine Learning, você verá o workspace recém-criado. Se esse não for o caso, selecione o diretório do Azure no menu à esquerda. Em seguida, no novo menu à esquerda, selecione Workspaces, em que todos os workspaces associados ao diretório estão listados e selecione aquele que você criou para este exercício.
Observação Este módulo é um dos vários que usam um workspace do Azure Machine Learning, incluindo os outros módulos do roteiro de aprendizagem Conceitos básicos de IA do Microsoft Azure: explore ferramentas visuais para machine learning. Se você estiver usando sua assinatura do Azure, considere a possibilidade de criar o workspace uma vez e reutilizá-lo em outros módulos. Será cobrada uma pequena quantidade de armazenamento de dados em sua assinatura do Azure se o workspace do Azure Machine Learning existir na assinatura. Portanto, recomendamos que você exclua o workspace do Azure Machine Learning quando ele não for mais necessário.
Criar computação
-
No Estúdio do Azure Machine Learning, selecione o ícone ≡ (um ícone de menu que se parece com uma pilha de três linhas) na parte superior esquerda para ver as várias páginas na interface (talvez seja necessário maximizar o tamanho da tela). Use essas páginas no painel esquerdo para gerenciar os recursos no workspace. Selecione a página Computação (em Gerenciar).
-
Na página Computação, selecione a guia Clusters de cálculo e adicione um novo cluster de cálculo com as configurações a seguir. Você o usará para treinar um modelo de machine learning:
- Localização: selecione a mesma que a do workspace. Se essa localização não estiver listada, escolha a mais próxima de você.
- Camada da máquina virtual: dedicada
- Tipo de máquina virtual: CPU
- Tamanho da máquina virtual:
- Escolha Selecionar entre todas as opções
- Pesquise e selecione Standard_DS11_v2
- Selecione Avançar
- Nome da computação: insira um nome exclusivo.
- Número mínimo de nós: 0
- Número máximo de nós: 2
- Segundos de espera antes de reduzir verticalmente: 120
- Habilitar o acesso SSH: desmarque
- Escolha Criar
Observação As instâncias de computação e os clusters de cálculo se baseiam em imagens de máquina virtual do Azure Standard. Para este módulo, a imagem Standard_DS11_v2 é recomendada para atingir o equilíbrio ideal entre custo e desempenho. Se a sua assinatura tiver uma cota que não inclua essa imagem, escolha uma imagem alternativa. Mas tenha em mente que uma imagem maior pode gerar um custo maior e uma imagem menor pode não ser suficiente para concluir as tarefas. Como alternativa, peça ao administrador do Azure para estender sua cota.
O cluster de cálculo leva algum tempo para ser criado. Você pode ir para a próxima etapa enquanto aguarda.
Criar um conjunto de dados
-
No Estúdio do Azure Machine Learning, expanda o painel esquerdo selecionando o ícone menu na parte superior esquerda da tela. Selecione a página Dados (em Ativos). A página de Dados contém arquivos ou tabelas de dados específicos com os quais você trabalhará no Azure ML. Você também pode criar conjuntos de dados nessa página.
- Na página Dados, na guia Ativos de dados, selecione + Criar. Depois, defina um ativo de dados com as seguintes configurações:
- Tipo de dados:
- Nome: dados-de-diabetes
- Descrição: dados de diabetes
- Tipo de conjunto de dados: tabular
- Fonte de dados: de arquivos da Web
- URL da Web:
- URL da Web: https://aka.ms/diabetes-data
- Ignorar validação de dados: não selecionar
- Configurações:
- Formato de arquivo: delimitado
- Delimitador: vírgula
- Codificação: UTF-8
- Cabeçalhos de coluna: somente o primeiro arquivo tem cabeçalhos
- Ignorar linhas: Nenhum
- O conjunto de dados contém dados multilinhas: não selecione
- Esquema:
- incluir todas as colunas que não sejam Caminho
- Examinar os tipos detectados automaticamente
- Revisão
- Escolha Criar
- Tipo de dados:
- Depois que o conjunto de dados tiver sido criado, abra-o e exiba a página Explorar para ver uma amostra dos dados. Esses dados representam detalhes de pacientes que foram testados para diabetes.
Criar um pipeline em Designer e carregar dados na tela
Para começar a usar o designer do Azure Machine Learning, primeiro você precisa criar um pipeline e adicionar o conjunto de dados com o qual deseja trabalhar.
-
Em Estúdio do Azure Machine Learning, no painel esquerdo, selecione o item Designer (em Criação) e, em seguida, selecione + para criar um pipeline.
-
Altere o nome do rascunho de Pipeline-Created-on-date para Treinamento em Diabetes.
-
Então, no projeto, ao lado do nome do pipeline à esquerda, selecione o ícone de setas para expandir o painel se ele ainda não estiver expandido. O painel é aberto por padrão no painel Biblioteca de ativos, indicado pelo ícone de livros na parte superior do painel. Observe que há uma barra de pesquisa para localizar os ativos. Observe dois botões, Dados e Componente.
-
Selecione Dados. Pesquise pelo conjunto de dados diabetes-data e coloque-o na tela.
-
Clique com o botão direito do mouse (CTRL + clique no Mac) no conjunto de dados diabetes-data na tela e selecione Visualizar dados.
-
Examine o esquema dos dados na tabela Perfil, observando que é possível ver as distribuições das várias colunas como histogramas.
-
Role para baixo, selecione o título de coluna para a coluna Diabético e observe que ela contém dois valores, 0 e 1. Esses valores representam as duas classes possíveis para o rótulo que seu modelo preverá, com um valor de 0 significando que o paciente não tem diabetes e um valor de 1 significando que o paciente é diabético.
-
Role de volta para cima e examine as outras colunas, que representam as características que serão usadas para prever o rótulo. Observe que a maioria dessas colunas é numérica, mas cada recurso está na própria escala. Por exemplo, os valores de Idade variam de 21 a 77, enquanto os valores de DiabetesPedigree variam de 0,078 a 2,3016. Ao treinar um modelo de machine learning, às vezes é possível que os valores maiores dominem a função preditiva resultante, reduzindo a influência das características em uma escala menor. Normalmente, os cientistas de dados reduzem esse possível desvio normalizando colunas numéricas para que elas fiquem em escalas semelhantes.
-
Feche a guia DataOutput para que você possa ver o conjunto de dados na tela desta maneira:
Adicionar transformações
Para treinar um modelo, você precisa aplicar algumas transformações de pré-processamento aos dados.
-
No painel Biblioteca de ativos, à esquerda, selecione Componente, que contém uma ampla gama de módulos que você pode usar para transformação de dados e treinamento de modelos. Você também pode usar a barra de pesquisa para localizar os módulos rapidamente.
-
Localize o módulo Selecionar Colunas no Conjunto de Dados e coloque-o na tela, abaixo do conjunto de dados diabetes-data. Em seguida, conecte a saída da parte inferior do conjunto de dados diabetes-data à entrada na parte superior do módulo Selecionar Colunas no Conjunto de Dados.
-
Clique duas vezes no módulo Selecionar Colunas no Conjunto de Dados para acessar um painel de configurações à direita. Selecione Editar coluna. Na janela Selecionar colunas, selecione Por nome e Adicionar todas as colunas. Em seguida, remova PatientID e clique em Salvar.
-
Localize o módulo Normalizar Dados e coloque-o na tela, abaixo do módulo Selecionar Colunas no Conjunto de Dados. Em seguida, conecte a saída da parte inferior do módulo Selecionar Colunas no Conjunto de Dados à entrada na parte superior do módulo Normalizar Dados, desta forma:
-
Clique duas vezes no módulo Normalizar Dados para ver as respectivas configurações, observando que é necessário especificar o método de transformação e as colunas a serem transformadas.
-
Defina o Método de transformação como MinMax e o Usar 0 para colunas constantes quando marcadas como True. Edite as colunas a serem transformadas com Editar colunas. Selecione colunas Com Regras e copie e cole a seguinte lista em incluir nomes de coluna:
Pregnancies, PlasmaGlucose, DiastolicBloodPressure, TricepsThickness, SerumInsulin, BMI, DiabetesPedigree, Age
Clique em Salvar e feche a caixa de seleção.
A transformação de dados está normalizando as colunas numéricas para colocá-las na mesma escala, o que deve ajudar a evitar que colunas com valores grandes dominem o treinamento do modelo. Normalmente, você aplicaria um número grande de transformações de pré-processamento como essa para preparar seus dados para treinamento, mas vamos manter as coisas simples neste exercício.
Executar o pipeline
Para aplicar suas transformações de dados, você precisa executar o pipeline como um experimento.
-
Selecione Configurar e Enviar na parte superior da página para abrir a caixa de diálogo Configurar trabalho de pipeline.
-
Na página Noções Básicas, selecione Criar novo e defina o nome do experimento como mslearn-diabetes-training e selecione Avançar .
-
Na página Entradas e saídas, selecione Avançar sem fazer alterações.
-
Na página Configurações de runtime, aparece um erro porque você não tem uma computação padrão para executar o pipeline. Na lista suspensa Selecionar tipo de computação, selecione Cluster de cálculo e, na lista suspensa Selecionar cluster de cálculo do Azure ML, selecione o cluster de cálculo criado recentemente.
-
Selecione Examinar + Enviar para examinar o trabalho do pipeline e, em seguida, selecione Enviar para executar o pipeline de treinamento.
-
Aguarde alguns minutos para que a execução seja concluída. Você pode verificar o status do trabalho selecionando Trabalhos em Ativos. A partir daí, selecione o experimento mslearn-diabetes-training e, em seguida, o trabalho Treinamento em Diabetes.
Ver os dados transformados
Quando a execução for concluída, o conjunto de dados estará preparado para treinamento de modelo.
-
Clique com o botão direito do mouse (Ctrl + clique no Mac) no módulo Normalizar Dados na tela e selecione Visualizar dados. Selecione Conjunto de dados transformados.
-
Veja os dados, observando que as colunas numéricas selecionadas foram normalizadas para uma escala comum.
-
Feche a visualização dos resultados dos dados normalizados. Retornar à guia anterior.
Depois de usar as transformações de dados para prepará-los, é possível usá-las para treinar um modelo de machine learning.
Adicionar módulos de treinamento
É uma prática comum treinar o modelo usando um subconjunto dos dados, simultaneamente retendo alguns dados com os quais testar o modelo treinado. Isso permite que você compare os rótulos que o modelo prevê com os rótulos reais conhecidos no conjunto de dados original.
Neste exercício, você percorrerá algumas etapas para estender o pipeline de Treinamento sobre a Diabetes, conforme mostrado aqui:
Siga as etapas abaixo, usando a imagem acima para referência, à medida que você adicionar e configurar os módulos necessários.
-
Retorne à página Designer e selecione o pipeline Treinamento em Diabetes.
-
No painel Biblioteca de ativos à esquerda, em Componentes, procure o módulo Dividir dados e coloque-o na tela sob o módulo Normalizar dados. Em seguida, conecte a saída Conjunto de dados transformado (à esquerda) do módulo Normalizar dados para a entrada do módulo Dividir dados.
Dica Use a barra de pesquisa para localizar os módulos rapidamente.
- Selecione o módulo Dividir dados e defina as configurações dele da seguinte maneira:
- Modo de divisão: dividir linhas
- Fração das linhas no primeiro conjunto de dados de saída: 0,7
- Divisão aleatória: True
- Semente aleatória: 123
- Divisão estratificada: Falso
-
Na Biblioteca de ativos, procure o módulo Treinar modelo e coloque-o na tela, sob o módulo Dividir dados. Depois, conecte o Conjunto de dados de resultado1 (à esquerda) do módulo Dividir dados à entrada Conjunto de dados (à direita) do módulo Treinar modelo.
-
O modelo que estamos treinando preverá o valor de Diabético. Portanto, selecione o módulo Treinar Modelo e modifique as configurações dele para definir a coluna Rótulo como Diabético.
O rótulo Diabético que o modelo vai prever é uma classe (0 ou 1), portanto, precisamos treinar o modelo usando um algoritmo de classificação. Especificamente, há duas classes possíveis, portanto, precisamos de um algoritmo de classificação binária.
-
Na Biblioteca de ativos, procure o módulo Regressão logística de duas classes e coloque-o na tela, à esquerda do módulo Dividir dados e acima do módulo Treinar modelo. Em seguida, conecte a saída dele à entrada do Modelo não treinado (à esquerda) do módulo Treinar Modelo.
Para testar o modelo treinado, precisamos usá-lo para pontuar o conjunto de dados de validação que retivemos quando dividimos os dados originais: em outras palavras, preveem rótulos para as características no conjunto de dados de validação.
- Na Biblioteca de ativos, procure o módulo Pontuar modelo e coloque-o na tela, sob o módulo Treinar modelo. Em seguida, conecte a saída do módulo Treinar Modelo à entrada Modelo treinado (à esquerda) do módulo Pontuar Modelo e conecte a saída do Conjunto de dados de resultado2 (à direita) do módulo Dividir dados à entrada Conjunto de dados (à direita) do módulo Pontuar Modelo.
Executar o pipeline de treinamento
Agora você está pronto para executar o pipeline de treinamento e treinar o modelo.
-
Selecione Configurar e Enviar e execute o pipeline usando o experimento existente denominado mslearn-diabetes-training.
-
Aguarde a conclusão da execução do experimento. Isso pode levar cinco minutos ou mais.
-
Verifique o status do trabalho selecionando Trabalhos em Ativos. A partir daí, selecione o experimento mslearn-diabetes-training e, em seguida, selecione o trabalho mais recente de Treinamento em Diabetes.
-
Na nova guia, clique com o botão direito do mouse (Ctrl+clique em um Mac) no módulo Modelo de Pontuação na tela, selecione Visualizar dados e, em seguida, selecione Conjunto de dados pontuado para exibir os resultados.
-
Role para a direita e observe que ao lado da coluna Diabético (que contém os valores verdadeiros conhecidos do rótulo), há uma nova coluna denominada Rótulos Pontuados, que contém os valores de rótulo previstos, além de uma coluna chamada Probabilidades Pontuadas, que contém um valor de probabilidade entre 0 e 1. Isso indica a probabilidade de uma previsão positiva, portanto, as probabilidades maiores que 0,5 resultam em um rótulo previsto de 1 (diabético), enquanto as probabilidades entre 0 e 0,5 resultam em um rótulo previsto de 0 (não diabético).
-
Feche a guia Scored_dataset.
O modelo está prevendo valores para o rótulo Diabético, mas o quão confiáveis são as previsões dele? Para avaliar isso, você precisa avaliar o modelo.
Os dados de validação que você reteve e usou para pontuar o modelo incluem os valores conhecidos para o rótulo. Portanto, para validar o modelo, é possível comparar os valores verdadeiros para o rótulo com os valores de rótulo que foram previstos quando você pontuou o conjunto de dados de validação. Com base nessa comparação, é possível calcular várias métricas que descrevem o quão bom é o desempenho do modelo.
Adicionar um módulo Avaliar Modelo
-
Retorne ao Designer e abra o pipeline Treinamento em Diabetes criado.
-
Na Biblioteca de Ativos, procure o módulo Avaliar modelo, coloque-o na tela, sob o módulo Pontuar modelo e conecte a saída do módulo Pontuar modelo à entrada do Conjunto de dados pontuado (à esquerda) do módulo Avaliar modelo.
-
Assegure-se de que o pipeline é semelhante a este:
-
Selecione Configurar e Enviar e execute o pipeline usando o experimento existente denominado mslearn-diabetes-training.
-
Aguarde a conclusão da execução do experimento.
-
Verifique o status do trabalho selecionando Trabalhos em Ativos. A partir daí, selecione o experimento mslearn-diabetes-training e, em seguida, selecione o trabalho mais recente de Treinamento em Diabetes.
-
Na nova guia, clique com o botão direito do mouse (Ctrl+clique em um Mac) no módulo Avaliar Modelo na tela, selecione Visualizar dados e, em seguida, selecione Resultados da avaliação para exibir as métricas de desempenho. Essas métricas podem ajudar os cientistas de dados a avaliar o quão bem o modelo prevê com base nos dados de validação.
-
Role para baixo para exibir a matriz de confusão do modelo. Observe as contagens de valor previstas e reais para cada classe possível.
- Examine as métricas à esquerda da matriz de confusão, que incluem:
- Precisão: Em outras palavras, que proporção das previsões de diabetes o modelo acertou?
- Precisão: Em outras palavras, de todos os pacientes que o modelo previu como tendo diabetes, o percentual de tempo que o modelo está correto.
- Recall: Em outras palavras, de todos os pacientes que realmente têm diabetes, quantos casos de diabetes o modelo identificou corretamente?
- Medida F1
-
Use o controle deslizante Threshold localizado acima da lista de métricas. Tente mover o controle deslizante de limite e observe o efeito sobre a matriz de confusão. Se você movê-lo para a esquerda até o final (0), a métrica de Recuperação se tornará 1 e, se você movê-la até o fim para a direita (1), a métrica de Recuperação se tornará 0.
-
Veja acima do controle deslizante Threshold na curva ROC e na métrica AUC listadas com as outras métricas abaixo. Para ter uma ideia de como essa área representa o desempenho do modelo, imagine uma linha diagonal reta da parte inferior esquerda para a parte superior direita do gráfico ROC. Isso representa o desempenho esperado se você acabou de adivinhar ou lançar uma moeda para cada paciente: você poderia esperar acertar metade das vezes e errar a outra metade, portanto, a área sob a linha diagonal representa um AUC de 0,5. Se o AUC de seu modelo for maior que esse para um modelo de classificação binária, o modelo terá um desempenho melhor do que uma estimativa aleatória.
- Feche a guia Evaluation_results.
O desempenho desse modelo não é tão bom, em parte porque realizamos apenas um mínimo de engenharia de recursos e pré-processamento. É possível tentar um algoritmo de classificação diferente, como a floresta de decisão de duas classes, e comparar os resultados. É possível conectar as saídas do módulo Dividir Dados a vários módulos Treinar Modelo e Pontuar Modelo e conectar um segundo módulo Pontuar Modelo ao módulo Avaliar Modelo para ver uma comparação lado a lado. O objetivo do exercício é simplesmente apresentar a você a classificação e a interface do designer do Azure Machine Learning, não treinar um modelo perfeito!
Criar um pipeline de inferência
-
Localize o menu acima da tela e selecione Criar pipeline de inferência. Talvez você precise expandir para tela cheia e clicar no ícone de três pontos … no canto superior direito para encontrar Criar pipeline de inferência no menu.
-
Na lista suspensa Criar um pipeline de inferência, clique em Pipeline de inferência em tempo real. Depois de alguns segundos, uma nova versão do seu pipeline denominada Treinamento de Diabetes – inferência em tempo real será aberta.
-
Renomeie o novo pipeline para Prever Diabetes e examine o novo pipeline. Algumas das transformações e etapas de treinamento fazem parte desse pipeline. O modelo treinado será usado para pontuar os novos dados. O pipeline também contém uma saída de serviço Web para retornar resultados.
Você fará as seguintes alterações no pipeline de inferência:
- Adicione um componente de entrada de serviço Web para que novos dados sejam enviados.
- Substitua o conjunto de dados diabetes-data por um módulo Inserir Dados Manualmente que não inclui a coluna de rótulo (Diabético).
- Edite as colunas selecionadas no módulo Selecionar Colunas no Conjunto de Dados.
- Remova o módulo Avaliar Modelo.
- Insira um módulo Executar script Python antes da saída do serviço Web para retornar apenas a ID do paciente, o valor do rótulo previsto e a probabilidade.
-
O pipeline não inclui automaticamente um componente Entrada de serviço Web para modelos criados com base em conjuntos de dados personalizados. Procure um componente Entrada de serviço Web na biblioteca de ativos e coloque-o na parte superior do pipeline. Conecte a saída do componente Entrada de serviço Web ao componente Selecionar colunas no conjunto de dados que já está na tela.
-
O pipeline de inferência assume que os novos dados corresponderão ao esquema dos dados de treinamento originais, de modo que o conjunto de dados dados de diabetes do pipeline de treinamento é incluído. No entanto, esses dados de entrada incluem o rótulo Diabético que o modelo prevê, que não está incluído em novos dados de pacientes para os quais uma previsão de diabetes ainda não foi feita. Exclua esse módulo e substitua-o por um módulo Inserir Dados Manualmente, contendo os seguintes dados CSV, o que inclui valores de recursos sem rótulos para três novas observações de pacientes:
PatientID,Pregnancies,PlasmaGlucose,DiastolicBloodPressure,TricepsThickness,SerumInsulin,BMI,DiabetesPedigree,Age 1882185,9,104,51,7,24,27.36983156,1.350472047,43 1662484,6,73,61,35,24,18.74367404,1.074147566,75 1228510,4,115,50,29,243,34.69215364,0.741159926,59
-
Conecte o novo módulo Inserir Dados Manualmente à mesma entrada de Conjunto de dados do módulo Selecionar Colunas no Conjunto de Dados como a Entrada do Serviço Web.
-
Edite o módulo Selecionar Colunas no Conjunto de Dados. Remova Diabetic das Colunas Selecionadas.
-
O pipeline de inferência inclui o módulo Avaliar Modelo, que não é útil para prever dados novos, portanto, exclua esse módulo.
- A saída do módulo Pontuar Modelo inclui todas as características de entrada, bem como o rótulo previsto e a pontuação de probabilidade. Para limitar a saída somente para a previsão e a probabilidade:
- Exclua a conexão entre o módulo Pontuar modelo e a Saída do serviço Web.
- Adicione um módulo Executar Script Python, substituindo todo o script Python padrão pelo seguinte código (que seleciona apenas as colunas PatientID, Rótulos Pontuados e Probabilidades Pontuadas e as renomeia corretamente):
import pandas as pd def azureml_main(dataframe1 = None, dataframe2 = None): scored_results = dataframe1[['Scored Labels', 'Scored Probabilities']] scored_results.rename(columns={'Scored Labels':'DiabetesPrediction', 'Scored Probabilities':'Probability'}, inplace=True) return scored_results
-
Conecte a saída do módulo Modelo de Pontuação à entrada Dataset1 (mais à esquerda) do Executar Script Python e conecte a saída do Conjunto de dados de resultados (esquerda) do módulo Executar Script Python à Saída do Serviço Web.
-
Verifique se o pipeline se assemelha à seguinte imagem:
-
Execute o pipeline como um novo experimento denominado inferência de diabetes mslearn no cluster de cálculo. O experimento pode demorar um pouco para ser executado.
-
Retorne à guia Trabalhos. A partir daí, selecione o experimento mslearn-diabetes-inference e, em seguida, selecione o trabalho Prever Diabetes.
- Quando o pipeline for concluído, selecione o módulo Executar Script Python. Selecione Visualizar dados e o Conjunto de dados de resultado para ver os rótulos e as probabilidades previstos para as três observações de pacientes nos dados de entrada.
Seu pipeline de inferência prevê se os pacientes correm ou não risco de ter diabetes com base nas características dele. Agora você está pronto para publicar o pipeline para que os aplicativos cliente possam usá-lo.
Depois de criar e testar um pipeline de inferência para inferência em tempo real, é possível publicá-lo como um serviço para uso por aplicativos cliente.
Observação Neste exercício, você implantará o serviço Web em uma ACI (Instância de Contêiner do Azure). Esse tipo de computação é criado dinamicamente e é útil para desenvolvimento e teste. Para produção, você deve criar um cluster de inferência, que gera um cluster AKS (Serviço de Kubernetes do Azure), o qual, por sua vez, fornece melhor escalabilidade e segurança.
Implantar um serviço
-
Na parte superior da janela do trabalho Prever Diabetes, selecione Implantar.
- Na seção Configurar ponto de extremidade em tempo real, selecione Implantar novo ponto de extremidade em tempo real e use as seguintes configurações:
- Nome: prever diabetes
- Descrição: Classificar diabetes
- Tipo de computação: instância de Contêiner do Azure
- Selecione Implantar e aguarde a implantação do serviço Web, o que pode levar vários minutos.
Teste o serviço
-
Na página Pontos de extremidade, abra o ponto de extremidade em tempo real prever diabetes.
-
Quando o ponto de extremidade prever diabetes for aberto, selecione a guia Testar. Vamos usá-la para testar nosso modelo com novos dados. Exclua os dados atuais em Inserir dados para testar o ponto de extremidade em tempo real. Copie e cole os dados abaixo na seção de dados:
{ "Inputs": { "input1": [ { "PatientID": 1882185, "Pregnancies": 9, "PlasmaGlucose": 104, "DiastolicBloodPressure": 51, "TricepsThickness": 7, "SerumInsulin": 24, "BMI": 27.36983156, "DiabetesPedigree": 1.3504720469999998, "Age": 43 } ] }, "GlobalParameters": {} }
Observação O JSON acima define as características de um paciente e usa o serviço predict-diabetes que você criou para prever um diagnóstico de diabetes.
-
Selecione Testar. No lado direito da tela, você deverá ver a saída ‘DiabetesPrediction’. A saída será 1 se a previsão for de que o paciente tem diabetes e 0 se for de que ele não tem.
Você acabou de testar um serviço que está pronto para ser conectado a um aplicativo cliente usando as credenciais na guia Consumir. Vamos encerrar o laboratório aqui. Fique à vontade para continuar experimentando o serviço que você acabou de implantar.
Limpar
O serviço Web que você criou está hospedado em uma Instância de Contêiner do Azure. Se você não pretender experimentá-lo ainda mais, exclua o ponto de extremidade para evitar o acúmulo de uso desnecessário do Azure. Você também deve excluir o cluster de cálculo.
-
No estúdio do Azure Machine Learning, na guia Pontos de extremidade, selecione o ponto de extremidade prever diabetes. Depois, selecione Excluir e confirme que deseja excluir o ponto de extremidade.
-
Na página Computação, na guia Clusters de cálculo, selecione a instância de computação e escolha Excluir.
Observação Excluir sua computação garante que a assinatura não seja cobrada pelos recursos de computação. No entanto, você receberá a cobrança de uma pequena quantidade de armazenamento de dados, desde que o workspace do Azure Machine Learning exista em sua assinatura. Se tiver terminado de explorar o Azure Machine Learning, exclua o workspace do Azure Machine Learning e os recursos associados. No entanto, se você planeja concluir qualquer outro laboratório desta série, será necessário recriá-lo.
Para excluir seu workspace:
- No portal do Azure, na página Grupos de recursos, abra o grupo de recursos que você especificou ao criar seu Workspace do Azure Machine Learning.
- Clique em Excluir grupo de recursos, digite o nome do grupo de recursos para confirmar que deseja excluí-lo e selecione Excluir.