使用 Azure Machine Learning 設計工具探索分類

注意若要完成此實驗室，您需要一個具備系統管理存取權的 Azure 訂用帳戶。

建立 Azure Machine Learning 工作區

使用您的 Microsoft 認證登入 Azure 入口網站。
選取 [+ 建立資源] **，搜尋 Machine Learning，然後使用 Azure Machine Learning 方案建立新的 **Azure Machine Learning 資源。使用下列設定：
- 訂用帳戶：您的 Azure 訂用帳戶。
- 資源群組：建立或選取資源群組**。
- 工作區名稱：為您的工作區輸入唯一名稱**。
- 區域：選取最接近的地理區域**。
- 儲存體帳戶：留意將為您的工作區建立的預設新儲存體帳戶**。
- 金鑰保存庫：留意將為您的工作區建立的預設新金鑰保存庫**。
- 應用程式見解：留意將為您的工作區建立的預設新應用程式見解資源**。
- 容器登錄：無 (在您第一次將模型部署到容器時，系統將會自動建立一個**)
選取 [檢閱 + 建立]**,然後選取 [建立]**。等候工作區建立 (可能需要幾分鐘)，然後移至已部署的資源。
選取 [啟動工作室]** (或開啟新的瀏覽器索引標籤，並瀏覽至 https://ml.azure.com，然後使用您的 Microsoft 帳戶登入 Azure Machine Learning 工作室)。
在 Azure Machine Learning 工作室中，您應該會看到新建立的工作區。如果情況並非如此，請在左側功能表中選取您的 Azure 目錄。然後，從新的左側功能表選取工作區，其中列出了與您的目錄相關的所有工作區，然後選擇您為本練習建立的工作區。

注意這是眾多利用 Azure Machine Learning 工作區的課程模組之一，包括 Microsoft Azure AI 基本概念：探索機器學習的視覺工具學習路徑中的其他課程模組。如果您使用的是自己的 Azure 訂用帳戶，請考慮建立工作區一次，然後在其他模組中重複使用該工作區。只要您的訂用帳戶中有 Azure Machine Learning 工作區，您的 Azure 訂用帳戶就會為了資料儲存空間向您收取少量的費用，因此我們建議您在不再需要 Azure Machine Learning 工作區時，將其刪除。

建立計算

在 Azure Machine Learning 工作室，選取左上方的 ≡ 圖示 (看起來像三行堆疊的功能表圖示)，以檢視介面中各個頁面 (您可能需要將畫面放到最大)。您可以使用左側窗格中的頁面來管理工作區中的資源。選取 [計算]** 頁面 (在 [管理]** 下)。
在 [計算]** 頁面上，選取 [計算叢集]** 索引標籤，然後使用下列設定新增計算叢集。您將使用此叢集來定型機器學習模型：
- 位置：選取與您的工作區相同的位置。如果未列出該位置，請選擇最接近您的位置**。
- 虛擬機器層：專用
- 虛擬機器類型：CPU
- 虛擬機器大小：
  - 選擇 [從所有選項中選取]**
  - 搜尋並選取 [Standard_DS11_v2]**
- 選取下一個
- 計算名稱：輸入唯一名稱**。
- 節點數量下限：0
- 節點數量上限：2
- 相應減少之前的閒置秒數：120
- 啟用 SSH 存取：清除
- 選取 [建立]

注意計算執行個體和叢集是以標準 Azure 虛擬機器映像為基礎。針對本課程模組，建議使用 Standard_DS11_v2 映像，以達到最佳的成本與效能平衡。如果您的訂用帳戶具有不包含此映像的配額，請選擇替代映像；但請記得，較大的映像可能會產生較高的成本，而較小的映像可能不足以完成工作。或者，請要求您的 Azure 系統管理員擴大您的配額。

建立計算叢集需要一些時間。您可以在等待期間先移至下一個步驟。

建立資料集

在 Azure Machine Learning 工作室中，選取畫面左上方的功能表圖示，以展開左側窗格。選取資產底下的資料頁面。 [資料] 頁面具有您計劃在 Azure ML 中使用的特定資料檔案或資料表。您也可以從這個頁面建立資料集。
在資料頁面的資料資產索引標籤，選取 + 建立。然後使用下列設定來設定資料資產：
- 資料類型：
  - 名稱：diabetes-data
  - 描述：糖尿病資料
  - 資料集類型：表格式
- 資料來源：來自 Web 檔案
- Web URL：
  - Web URL：https://aka.ms/diabetes-data
  - 略過資料驗證：請不要選取
- 設定：
  - 檔案格式：分隔
  - 分隔符號：逗號
  - 編碼：UTF-8
  - 資料行標題：只有第一個檔案有標題
  - 跳過資料列：無
  - 資料集包含多行資料：請勿選取**
- 結構描述：
  - 包含 [路徑]** 以外的所有欄
  - 檢閱自動偵測到的類型
- 檢閱
  - 選取 [建立]
建立資料集之後，請將其開啟，並檢視 [探索]** 頁面，以查看資料的範例。此資料代表患者的詳細資料，這些患者已接受糖尿病檢測。

在設計工具建立管線並將資料載入到畫布

若要開始使用 Azure Machine Learning 設計工具，您必須先建立管線，並新增您要使用的資料集。

在 Azure Machine Learning 工作室，在左側窗格選擇設計工具項目 (在創作下)，然後選取 ** + **建立新的管線。
將草稿名稱從 ** Pipeline-Created-on-date** 變更為 ** Diabetes Training**。
在專案左側的管線名稱旁邊，選取箭號圖示以展開面板 (若尚未展開的話)。面板預設應該會開啟 [資產庫]** 窗格，以面板頂端的書籍圖示表示。請注意，有搜尋列來尋找資產。請留意兩個按鈕：[資料]** 和 [元件]**。
選取資料。搜尋 diabetes-data 資料集並將其放在畫布上。
以滑鼠右鍵按一下 (在 Mac 上則是 Ctrl + 按一下滑鼠按鍵) 畫布上的 diabetes-data 資料集，然後選取預覽資料。
在 [設定檔] ** 分頁中檢閱資料的結構描述，請注意，各種資料行的分佈會以長條圖表示。
向下捲動並選取 [Diabetic] (糖尿病) ** 資料行的資料行標頭，並注意其中有兩個值：0** 和 1。這些值代表您的模型將預測的標籤有兩個可能的類別，值為 0 時，表示患者沒有糖尿病，值為 1 則表示患者有糖尿病。
向上往回捲動並檢閱其他資料行，這些資料行代表將用來預測標籤的特徵。請注意，這些資料行大多是數值，但每個特徵都有其本身的數值範圍。例如，年齡值的範圍為 21 到 77，DiabetesPedigree 值的範圍則為 0.078 到 2.3016。在定型機器學習模型時，產生的預測函式有時可能會由較大的值主導，而減少規模較小的特徵所產生的影響。一般而言，資料科學家會透過「正規化」** 數值資料行，以緩和這種可能的偏差，使其位於近似的量表。
關閉 DataOutput 索引標籤，以便您可以在畫布上看到資料集，如下所示：

新增轉換

您通常必須先對資料套用一些前置處理轉換，才能將模型定型。

在左側的 [資產庫]** 窗格中，按一下 [元件]**，其中包含您可以用於資料轉換和模型定型的各種模組。您也可以使用搜尋列快速找到模組。
尋找 [選取資料集中的資料行]** 模組，並將其放在 **diabetes-data 資料集下方的畫布上。然後，將 diabetes-data 資料集底部的輸出連線至 [選取資料集中的資料行]** 模組頂端的輸入。
按兩下 [選取資料集的資料行]** 模組，以存取右側的設定窗格。選取 [編輯資料行]。然後在 [選取資料行]** 視窗中，選取 [依名稱]** 和 [新增全部]** 資料行。然後移除 PatientID，並按一下 [儲存]**。
尋找 [正規化資料]** 模組，並將其放在 [選取資料集中的資料行]** 模組下方的畫布上。然後，將 [選取資料集中的資料行]** 模組底部的輸出連線至 [正規化資料] ** 模組頂端的輸入，如下所示：
按兩下 [正規化資料]** 模組以檢視其設定。請注意，您必須指定轉換方法和要轉換的資料行。
將 [轉換方法]** 設定為 MinMax，並將 [檢查時常數資料行使用 0]** 設定為 True。使用 [編輯資料行]** 編輯要轉換的資料行。選取 [具規則的資料行]**，然後複製下列清單，並貼到 [包含資料行名稱] 底下：

Pregnancies, PlasmaGlucose, DiastolicBloodPressure, TricepsThickness, SerumInsulin, BMI, DiabetesPedigree, Age

針對正規化選取的資料行螢幕擷取畫面。

按一下 [儲存]** 並關閉選取方塊。

資料轉換會將數值資料行正規化，使其處於相同的規模，這應該有助於防止具有大數值的資料行主導模型定型。您通常會套用如同此作業一般的一系列前置處理轉換，為您的資料進行定型的準備，但在本練習中，我們會將內容簡化。

執行管線

若要套用資料轉換，您必須以實驗形式執行管線。

選取頁面頂端的 [設定及提交]**，開啟 [設定管線作業]** 對話方塊。
在 [基本]** 頁面，選取 [新建]，並設定實驗名稱為 **mslearn-diabetes-training，然後選取 [下一步]**。
在 [輸入與輸出]** 頁面，選取 [下一步]**，而不進行任何變更。
[執行時間設定]** 頁面會出現錯誤，因為您無執行管線的預設計算。在 [選取計算類型]** 下拉式清單選取 [計算叢集]，然後在 [選取 Azure ML 計算叢集]** 下拉式清單選取您最近建立的計算叢集。
選取 [檢閱 + 提交]** 即可檢閱管線作業，然後選取 [提交]** 以便執行訓練管線。
請等候幾分鐘，讓流程執行完成。您可選取 [資產]** 下的 [作業]** 來檢查作業狀態。選取 [mslearn-diabetes-training]** 實驗，然後選取 [Diabetes Training]** 作業。

檢視轉換的資料

當執行完成時，資料集現在已準備好進行模型定型。

以滑鼠右鍵按一下 (在 Mac 上是 Ctrl + 按一下) 畫布上的 [正規化資料]** 模組，然後選取 [預覽資料]。選取 [轉換的資料集]**。
檢視資料，並請注意，您選取的數值資料行已正規化為一般規模。
關閉正規化資料的結果視覺效果。返回上一個索引標籤。

使用資料轉換準備資料之後，即可使用此資料來定型機器學習模型。

新增定型模組

常見做法是使用資料的子集來定型模型，同時保留一些資料用以測試定型的模型。這可讓您比較模型所預測的標籤，與原始資料集中實際的已知標籤。

在此練習中，您將遵循步驟來擴充 Diabetes Training 管線，如下所示：

螢幕擷取畫面顯示如何分割資料，然後使用羅吉斯迴歸和分數定型

請遵循以下的步驟，在新增及設定必要的模組時參考上文中的影像。

返回 [設計工具]** 頁面，選取 [Diabetes Training]** 管線。
在左側 [資產庫]** 窗格的 [元件] ** 中，搜尋分割資料模組，並放在畫布上的 [正規化資料]** 模組下方。然後，將 [正規化資料]** 模組的 [已轉換的資料集]** 輸出 (左側) 連線至 [分割資料]** 模組的輸入。

提示使用搜尋列來快速找到模組。
選取 [分割資料]** 模組，然後設定其設定，如下所示：
- 分割模式：分割資料列
- 第一個輸出資料集中的資料列比例：0.7
- 隨機分割：True
- 隨機種子：123
- 分層的分割：否
在 [資產庫]** 中，搜尋定型模型模組，並放在畫布上的 [分割資料]** 模組下方。然後，將 [分割資料]** 模組的 [結果資料集 1] (左側) 輸出，連線至 [定型模型]** 模組的 [資料集] (右側) 輸入。
我們要定型的模型會預測 [糖尿病] ** 值，因此請選取 [定型模型] ** 模組並修改其設定，將 [標籤資料行] ** 設為 [糖尿病] **。

模型將預測的 [糖尿病]** 標籤是類別 (0 或 1)，因此我們必須使用分類演算法來定型模型。具體而言，有兩種可能的類別，因此我們需要使用二元分類演算法。
在 [資產庫]** 中，搜尋二元羅吉斯迴歸模組，並放在畫布上的 [分割資料]** 模組左側和 [定型模型]** 模組上方。然後將其輸出連線至 **Train Model (定型模型) 模組的未定型的模型 (左側) 輸入。

若要測試定型的模型，則必須用此模型來「評分」** 分割原始資料時所保留的驗證資料集，也就是預測驗證資料集中的特徵標籤。
在 [資產庫]** 中，搜尋評分模型模組並置在畫布上的 [定型模組]** 模組下方。然後，將 [定型模型] ** 模組的輸出連線至 [評分模型] ** 模組的 [定型模型] ** (左側) 輸入，並將 [分割資料] ** 模組的 [結果資料集 2] ** (右側) 輸出連線至 [評分模型] ** 模組的 [資料集] ** (右側) 輸入。

執行訓練管線

現在您已準備就緒，可執行訓練管線並定型模型。

選取 [設定及提交]**，然後使用名為 **mslearn-diabetes-training 的現有實驗執行管線。
等待實驗執行完畢。這可能需要 5 分鐘或更久的時間。
選取 [資產] ** 底下的 [作業]，以檢查作業狀態。接下來，選取 [mslearn-diabetes-training]** 實驗，然後選取最新的 [Diabetes Training]** 作業。
在新索引標籤，以滑鼠右鍵按一下 (在 Mac 為 Ctrl + 按一下) [評分模型]** 模組，選取 [預覽資料]，然後選取 [評分的資料集]** 以檢視結果。
向右捲動，並注意 [糖尿病] ** 資料行 (其中包含已知的實際標籤值) 旁有一個名為 [評分標籤] ** 的新資料行 (包含預測的標籤值)，和一個 [評分機率] ** 資料行 (其中包含 0 與 1 之間的機率值)。這表示陽性預測的機率，因此，大於 0.5 的機率會產生預測標籤 **1 (糖尿病)，而 0 與 0.5 之間的機率則會產生預測標籤 0 (非糖尿病)。
關閉 [Scored_dataset]** 索引標籤。

模型正在預測 [糖尿病] ** 標籤的值，但預測的可靠性如何？您必須評估模型才能評估可靠性。

您保留並用於對模型進行評分的驗證資料，包含標籤的已知值。因此，若要驗證模型，您可以比較標籤的實際值與您為驗證資料集評分時所預測的標籤值。根據這項比較，您可以計算各種計量，其中說明模型的執行效能。

新增評估模型模組

返回 [設計工具]**，然後開啟您建立的 [Diabetes Training]** 管線。
在 [資產庫]** 中，搜尋評估模型模組並放在畫布上的 [評分模型]** 模組下方，然後將 [評分模型]** 模組的輸出連線至 [評估模型]** 模組的 [評分的資料集]** (左側) 輸入。
請確定您的管線看起來像這樣：
選取 [設定及提交]**，然後使用名為 **mslearn-diabetes-training 的現有實驗執行管線。
等待實驗執行完畢。
選取 [資產] ** 底下的 [作業]，以檢查作業狀態。接下來，選取 [mslearn-diabetes-training]** 實驗，然後選取最新的 [Diabetes Training]** 作業。
在新索引標籤上，以滑鼠右鍵按一下 (在 Mac 為 Ctrl + 按一下) 畫布上的 [評估模型] ** 模組，選取 [預覽資料]，然後選取 [評估結果]** 以檢視效能計量。這些計量可協助資料科學家評估模型根據驗證資料進行預測的效能。
向下捲動以檢視該模型的混淆矩陣。觀察每個可能類別的預測和實際值計數。
檢閱混淆矩陣左側的計量，包括：
- 正確性：換句話說，模型正確預測糖尿病的比例為何？
- 精確度：換句話說，從模型預測為患有糖尿病的所有病患中，模型預測正確次數的百分比。
- 召回率：換句話說，在「實際有」** 糖尿病的所有患者中，模型識別出幾個糖尿病案例？
- F1 分數
使用位於計量清單上方的 [閾值] ** 滑桿。嘗試移動閾值滑桿，觀察對混淆矩陣有何影響。如果您將其往左移到底 (0)，[召回率] 計量將會變成 1，如果將其往右移到底 (1)，則 [召回率] 計量會變成 0。
查看 ROC 曲線 的閾值滑桿和與下方其他計量一起列出的 AUC 計量。若要了解此區域如何表示模型的效能，請設想從 ROC 圖表左下方到右上方的對角直線。這條對角直線表示您憑藉猜測或擲硬幣來決定患者數時的預期效能 - 您可以預期大約一半正確，一半錯誤，因此，對角線下方的區域表示 AUC 為 0.5。如果模型的 AUC 高於二元分類模型，則表示該模型的執行效能優於隨機猜測。
關閉 [Evaluation_results]** 索引標籤。

此模型的效能不盡理想，部分原因是我們僅執行了最低限度的特徵工程和前置處理。您可以嘗試不同的分類演算法 (例如二級決策樹系)，並比較該結果。您可以將 [分割資料] ** 模組的輸出連線至多個 [定型模型] ** 和 [評分模型] ** 模組，也可以再將另一個 [評分模型] ** 模組連線至 [評估模型] ** 模組，以兩相比較。本練習的重點是為您介紹分類和 Azure Machine Learning 設計工具介面，而不是訓練完美的模型！

建立推斷管線

找出畫布上方的功能表，然後選取 [建立推斷管線]**。您可能需要將畫面展開為全螢幕，並按一下畫面右上角的三個點圖示 […] **，以在功能表中找到 [建立推斷管線]**。
在 [建立推斷管線] ** 下拉式清單，選取 [即時推斷管線]。幾秒鐘後，就會開啟名為 **Diabetes Training-real time inference 的新版管線。
將新管線重新命名為 Predict Diabetes，然後檢閱新的管線。某些轉換和定型步驟是此管線的一部分。定型的模型將用於評分新的資料。管線也包含 Web 服務輸出來傳回結果。

您要對推斷管線進行下列變更：
- 針對要提交的新資料，新增 Web 服務輸入元件。
- 將 diabetes-data 資料集取代為 [手動輸入資料]** 模組，其中未包含標籤資料行 (糖尿病**)。
- 編輯 [選取資料集中的資料行]** 模組中選取的資料行。
- 移除 Evaluate Model (評估模型) 模組。
- 在 Web 服務輸出前面插入 [執行 Python 指令碼] ** 模組，而僅傳回患者識別碼、預測的標籤值及機率。
針對從自訂資料集建立的模型，管線不會自動包含 Web 服務輸入元件。從資產庫搜尋 Web 服務輸入元件，並放在管線頂端。連線 [Web 服務輸入]** 元件的輸出至已在畫布上的 [選取資料集的資料行]** 元件。
推斷管線假設新資料會符合原始定型資料的結構描述，因此會包含來自訓練管線的 diabetes-data 資料集。不過，此輸入資料包含模型所預測的 [糖尿病] ** 標籤，而不會納入尚未進行糖尿病預測的新患者資料。請刪除此模組，並取代為 [手動輸入資料] ** 模組，其中下列 CSV 資料所含的三個新患者觀測值特徵值未附有標籤：
```
 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
```
將新的 [手動輸入資料]** 模組連線到相同 [選取資料集的資料行]** 模組的 [資料集]** 輸入，作為 [Web 服務輸入]**。
編輯 [選取資料集中的資料行]** 模組。從「選取的資料行」中移除糖尿病。
推斷管線納入的 [評估模型] ** 模組並不適用於新資料預測，因此請刪除此模組。
[評分模型] ** 模組的輸出包含所有輸入特徵，以及預測的標籤和機率分數。若要將輸出限定於預測和機率：
- 刪除 [評分模型]** 模組與 [Web 服務輸出]** 之間的連線。
- 新增 [執行 Python 指令碼] ** 模組，使用下列程式碼取代所有預設 Python 指令碼 (這只會選取 [PatientID]、[評分標籤] ** 及 [評分機率] ** 資料行，並加以適當重新命名)：
```
 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
```
將 [評分模型] ** 模組的輸出連線到 [執行 Python 指令碼]** 的 [Dataset1]** (最左邊) 輸入，並將 [執行 Python 指令碼]** 模組的 [結果資料集] (左邊) 輸出連線到 [Web 服務輸出]**。
確認您的管線看起來類似下列影像：
以名為 mslearn-diabetes-inference 的全新實驗，對您的計算叢集執行管線。該實驗可能需要一段時間執行。
返回 [作業]** 索引標籤。從該處選取 **mslearn-diabetes-inference 實驗，然後選取 [預測糖尿病]** 作業。
當管線完成時，請選取 [執行 Python 指令碼]** 模組。選取 [預覽資料]，並選取 [結果資料集]**，以查看輸入資料中三個病患觀察值的預測標籤和機率。

您的推斷管線會根據患者的特徵，預測患者是否有罹患糖尿病的風險。現在您已可發佈管線，供用戶端應用程式使用。

在您建立並測試用於即時推斷得推斷管線之後，您可以將其發佈為服務，供用戶端應用程式使用。

注意在此練習中，您會將 Web 服務部署至 Azure 容器執行個體 (ACI)。此類型的計算是動態建立的，而且適用於開發及測試。針對生產環境，您應該建立推斷叢集，該叢集可提供更佳可擴縮性與安全性的 Azure Kubernetes Service (AKS) 叢集。

部署服務

在 [預測糖尿病]** 作業視窗頂端，選取 [部署]**。
在 [設定即時端點]**，選取 [部署新即時端點]**，並使用下列設定：
- 名稱：predict-diabetes
- 描述：糖尿病分類
- 計算類型：Azure 容器執行個體
選取 [部署]**，然後等待系統部署 Web 服務 - 這可能需要幾分鐘。

測試服務

在 [端點]** 頁面中，開啟 **predict-diabetes 即時端點。

predict-diabetes 端點開啟時，請選取 [測試] ** 索引標籤，我們稍後將用於測試模型與新資料。刪除 [輸入資料以測試即時端點]** 下的目前資料。複製下列資料並貼至資料區段：

 {
   "Inputs": {
     "input1":
       [
         { "PatientID": 1882185,
           "Pregnancies": 9,
           "PlasmaGlucose": 104,
           "DiastolicBloodPressure": 51,
           "TricepsThickness": 7,
           "SerumInsulin": 24,
           "BMI": 27.36983156,
           "DiabetesPedigree": 1.3504720469999998,
           "Age": 43 }
         ]
       },
   "GlobalParameters":  {}
 }

注意上述 JSON 定義患者的特徵，並使用您所建立的 predict-diabetes 服務來預測糖尿病診斷。

選取 [測試]。在畫面右側，應可看到下列輸出 ‘DiabetesPrediction’。若預測患者患有糖尿病，輸出為 1；若預測患者沒有糖尿病，則為 0。

您剛剛測試了準備好使用 [取用]** 索引標籤中的認證連線至用戶端應用程式的服務。我們將到此結束實驗室。歡迎繼續使用您剛才部署的服務進行實驗。

清理

您建立的 Web 服務會裝載在 Azure 容器執行個體中。如果您不打算進一步試驗此服務，則應刪除端點，以避免產生不必要的 Azure 使用量。您也應該刪除計算叢集。

在 Azure Machine Learning Studio 的 [端點]** 索引標籤上，選取 **predict-diabetes 端點。然後，選取 [刪除] **，並確認您想要刪除該端點。
在 [計算]** 頁面的 [計算叢集] ** 索引標籤上，選取計算叢集，然後選取 [刪除]**。

注意刪除您的計算可確保您的訂用帳戶不需支付計算資源的費用。不過，只要您的訂用帳戶中有 Azure Machine Learning 工作區，您就必須為了資料儲存空間支付少量的費用。如果您已完成探索 Azure Machine Learning，則可刪除 Azure Machine Learning 工作區及其相關的資源。但是，如果您打算完成本系列中的任何其他實驗室，您將需要重新建立 Azure Machine Learning 工作區。

若要刪除您的工作區：

在 Azure 入口網站的 [資源群組]** 頁面中，開啟在建立 Azure Machine Learning 工作區時所指定的資源群組。

按一下 [刪除資源群組]**、輸入資源群組名稱以確認要刪除，然後選取 [刪除]**。