Explorar o Machine Learning Automatizado no Azure Machine Learning

Neste exercício, você usará o recurso de machine learning automatizado no Azure Machine Learning para treinar e avaliar um modelo de machine learning. Em seguida, você implantará e testará o modelo treinado.

Este exercício deve levar aproximadamente 30 minutos para ser concluído.

Criar um workspace do Azure Machine Learning

Para usar o Azure Machine Learning, você precisa provisionar um workspace do Azure Machine Learning em sua assinatura do Azure. Em seguida, você poderá usar o Estúdio do Azure Machine Learning para trabalhar com os recursos em seu workspace.

Dica: se você já tiver um workspace do Azure Machine Learning, poderá usá-lo e pular para a próxima tarefa.

Entre no portal do Azure em https://portal.azure.com usando suas credenciais da Microsoft.
Selecione + Criar um recurso, pesquise Machine Learning e crie um recurso do Azure Machine Learning com as seguintes configurações:
- Assinatura: sua assinatura do Azure.
- Grupo de recursos: crie ou selecione um grupo de recursos.
- Nome: insira um nome exclusivo para o seu 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 (será criado um 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). Feche todas as mensagens exibidas.
No Estúdio do Azure Machine Learning, você verá o workspace recém-criado. Caso contrário, selecione Todos os workspaces no menu à esquerda e selecione o workspace que você acabou de criar.

Usar aprendizado de máquina automatizado para treinar um modelo

O aprendizado de máquina automatizado permite que você experimente vários algoritmos e parâmetros para treinar vários modelos e identificar o melhor para seus dados. Nesse caso, você usa um conjunto de dados de detalhes históricos de aluguel de bicicletas para treinar um modelo que prevê o número de aluguéis de bicicletas que deve ser esperado em um determinado dia, com base em características sazonais e meteorológicas.

Citação: os dados usados neste exercício são derivados do Capital Bikeshare e são usados de acordo com o contrato de licença de dados publicado.

No estúdio do Azure Machine Learning, veja a página ML Automatizado (em Criação).
Crie um novo trabalho de ML automatizado com as seguintes configurações, usando Avançar conforme necessário para avançar dentro da interface do usuário:

Configurações básicas:
- Nome do trabalho: mslearn-bike-automl
- Nome do novo experimento: mslearn-bike-rental
- Descrição: machine learning automatizado para previsão de aluguel de bicicletas
- Marcas: nenhuma
Tipo de tarefa e dados:
- Selecionar tipo de tarefa: regressão
- Selecionar conjunto de dados: crie um novo conjunto de dados com as seguintes configurações:
  - Tipo de dados:
    - Nome: bike-rentals
    - Descrição: Historic bike rental data
    - Tipo: Tabela (mltable)
  - Fonte de dados:
    - Selecionar Dos arquivos locais
  - Tipo de armazenamento de destino:
    - Tipo de armazenamento de dados: Armazenamento do Blobs do Azure
    - Nome: workspaceblobstore
  - Seleção de MLtable:
    - Carregar pasta: Baixe e descompacte a pasta contendo os dois arquivos necessários para carregar https://aka.ms/bike-rentals
  Selecione Criar. Após a criação do conjunto de dados, selecione o conjunto de dados de aluguel de bicicletas para continuar a enviar o trabalho do ML Automatizado.
Configurações da tarefa:
- Tipo de tarefa: regressão
- Conjunto de dados: bike-rentals
- Coluna de destino: aluguéis (inteiro)
- Definições de configuração adicionais:
  - Métrica primária: NormalizedRootMeanSquaredError
  - Explicar o melhor modelo: não selecionado
  - Habilitar empilhamento de conjunto: Não selecionado
  - Usar todos os modelos com suporte: Nãoselecionado. Você restringirá o trabalho para experimentar apenas alguns algoritmos específicos.
  - Modelos permitidos: selecione apenas RandomForest e LightGBM. O ideal seria tentar usar o máximo possível, mas cada modelo adicionado aumenta o tempo necessário para executar o trabalho.
- Limites: expanda esta seção
  - Avaliações máximas: 3
  - Máximo de avaliações simultâneas: 3
  - Máximo de nós: 3
  - Limite de pontuação da métrica: 0.085 (* de modo que se um modelo atingir uma pontuação de métrica de raiz do erro quadrático médio normalizada de até 0,085, o trabalho será encerrado.*)
  - Tempo limite de eXPERIMENT: 15
  - Tempo limite de iteração: 15
  - Habilitar encerramento antecipado: selecionado
- Validação e teste:
  - Tipo de validação: divisão de validação de treinamento
  - Percentual de dados de validação: 10
  - Conjunto de dados de teste: nenhum
Computação:
- Selecionar tipo de computação: sem servidor
- Tipo de máquina virtual: CPU
- Camada da máquina virtual: dedicada
- Tamanho da máquina virtual: Standard_DS3_V2*
- Número de instâncias: 1
* Se sua assinatura restringir os tamanhos de VM disponíveis para você, escolha qualquer tamanho disponível.
Envie o trabalho de treinamento. Ele é iniciado automaticamente.
Aguarde a conclusão do trabalho. Isso pode demorar um pouco, então agora é um bom momento para um café.

Examinar o melhor modelo

Quando o trabalho de machine learning automatizado for concluído, você poderá examinar o melhor modelo treinado.

Na guia Visão geral do trabalho de machine learning automatizado, observe o resumo do melhor modelo.

Note: você pode ver uma mensagem sob o status “Aviso: pontuação de saída especificada pelo usuário atingida…”. Essa é uma mensagem esperada. Continue na próxima etapa.
Selecione o texto em Nome do algoritmo do melhor modelo para exibir os respectivos detalhes.
Selecione a guia Métricas e selecione os gráficos residuais e predicted_true se eles ainda não estiverem selecionados.

Examine os gráficos que mostram o desempenho do modelo. O gráfico de resíduos mostra os resíduos (as diferenças entre valores previstos e reais) como um histograma. O gráfico predicted_true compara os valores previstos com os valores verdadeiros.

Implantar e testar o modelo

Na guia Modelo para obter o melhor modelo treinado pelo trabalho de machine learning automatizado, selecione Implantar e use a opção ponto de extremidade em tempo real para implantar o modelo com as seguintes configurações:
- Máquina virtual: Standard_DS3_v2
- Contagem de instâncias: 3
- Ponto de extremidade: Novo
- Nome do ponto de extremidade: Deixe o padrão ou verifique se ele é globalmente exclusivo
- Nome da implantação: Manter o padrão
- Coleta de dados de inferência: Disabled
- Empacotar modelo: Disabled
Aguarde até o início da implantação – isso pode levar alguns segundos. O Status de implantação para o ponto de extremidade predict-rentals será indicado na parte principal da página como Em execução.
Aguarde até que o Status de implantação mude para Bem-sucedida. Isso pode levar de 5 a 10 minutos.

Testar o serviço implantado

Agora você pode testar o serviço implantado.

Em Estúdio do Azure Machine Learning, no menu à esquerda, selecione Pontos de Extremidade e abra o ponto de extremidade em tempo real predict-rentals.
Na página do ponto de extremidade em tempo real de previsão de aluguel, exiba a guia Teste.

No painel Dados de entrada para testar o ponto de extremidade, substitua o modelo JSON pelos seguintes dados de entrada:

 {
   "input_data": {
     "columns": [
         {
             "day": 1,
             "mnth": 1,   
             "year": 2022,
             "season": 2,
             "holiday": 0,
             "weekday": 1,
             "workingday": 1,
             "weathersit": 2, 
             "temp": 0.3, 
             "atemp": 0.3,
             "hum": 0.3,
             "windspeed": 0.3 
         }
     ],
     "index": [],
     "data": []
   }
 }

Clique no botãoTestar.
Revise os resultados do teste, que incluem um número previsto de aluguéis com base nos recursos de entrada – semelhante ao seguinte:
```
 {
   "Results": [
     444.27799000000000
   ]
 }
```
O painel de teste pegou os dados de entrada e usou o modelo que você treinou para retornar o número previsto de locações.

Vamos revisar o que você fez. Você usou um conjunto de dados históricos de locação de bicicletas para treinar um modelo. O modelo prevê o número de locações de bicicletas esperadas em um determinado dia, com base em *recursos *sazonais e meteorológicos.

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.

No estúdio do Azure Machine Learning, na guia Pontos de extremidade, selecione o ponto de extremidade predict-rentals. Depois, selecione Excluir e confirme que você deseja excluir o ponto de extremidade.

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.

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.