Изучение автоматизированных Машинное обучение в Машинное обучение Azure

В этом упражнении вы будете использовать функцию автоматического машинного обучения в Машинном обучении Azure для обучения и оценки модели машинного обучения. Затем вы развернете и протестируете обученную модель.

Выполнение этого упражнения занимает примерно 30 минут.

Создание рабочей области машинного обучения Azure

Чтобы использовать Машинное обучение Azure, необходимо подготовить рабочую область Машинного обучения Azure в подписке Azure. Затем вы сможете использовать Студию машинного обучения Azure для работы с ресурсами в вашей рабочей области.

Совет: Если у вас уже есть рабочая область Машинного обучения Azure, вы можете использовать ее и перейти к следующему заданию.

Войдите на портал Azure на https://portal.azure.com с помощью вашей учетной записи Майкрософт.
Выберите ＋Создать ресурс, выполните поиск по критерию Машинное обучение и создайте новый ресурс Машинное обучение Azure со следующими параметрами:
- Подписка: ваша подписка Azure.
- Группа ресурсов: создайте или выберите группу ресурсов.
- Имя: Введите уникальное имя для рабочей области.
- Регион: выберите ближайший к вам географический регион.
- Учетная запись хранения: обратите внимание на новую учетную запись хранения по умолчанию, которая будет создана для рабочей области.
- Хранилище ключей: обратите внимание на новое хранилище ключей по умолчанию, которое будет создано для рабочей области.
- Application Insights: обратите внимание на новый ресурс Application Insights по умолчанию, который будет создан для рабочей области.
- Реестр контейнеров: нет (один будет создан автоматически при первом развертывании модели в контейнере).
Выберите Проверить и создать, а затем выберите Создать. Дождитесь создания рабочей области (это может занять несколько минут), а затем перейдите к развернутому ресурсу.
Выберите Запустить Студию (или откройте новую вкладку браузера и перейдите по адресу https://ml.azure.com), а затем войдите в Студию машинного обучения Azure, используя свою учетную запись Майкрософт. Закройте все отображаемые сообщения.
В Студии машинного обучения Azure вы увидите только что созданную рабочую область. Если нет, выберите Все рабочие области в меню слева и выберите только что созданную рабочую область.

Используйте автоматизированное машинное обучение для обучения модели

Автоматизированное машинное обучение позволяет попробовать несколько алгоритмов и параметров для обучения нескольких моделей и определить наиболее подходящий для ваших данных. В этом упражнении вы воспользуетесь набором данных из сведений о прокате велосипедов за прошлые периоды, чтобы обучить модель, прогнозирующую ожидаемое число клиентов, берущих напрокат велосипед, в определенный день в зависимости от времени года и погодных условий.

Ссылка: Данные, используемые в этом упражнении получены от Capital Bikeshare и используются в соответствии с лицензионным соглашением в отношении опубликованных данных.

В Студии Машинного обучения Azure перейдите на страницу Автоматизированное ML (раздел Разработка).
Создайте новое задание автоматизированного машинного обучения со следующими параметрами, используя кнопку Далее по мере необходимости для продвижения по пользовательскому интерфейсу:

Основные параметры:
- Имя задания: mslearn-bike-automl
- Имя нового эксперимента: mslearn-bike-rental
- Описание: Автоматизированное машинное обучение для прогнозирования аренды велосипедов
- Теги: нет
Тип задания и данные:
- Выбор типа задания: Регрессия
- Выберите набор данных: Создать новый набор данных со следующими параметрами:
  - Тип данных:
    - Имя: bike-rentals
    - Описание: Исторические данные об аренде велосипедов
    - Тип: Табличный
  - Источник данных:
    - Выбор Из веб-файлов
  - URL-адрес веб-сайта:
    - URL веб-узла: https://aka.ms/bike-rentals
    - Пропустить проверку данных: не выбирайте.
  - Параметры:
    - Формат файла: С разделителями
    - Разделитель: Запятая
    - Кодировка: UTF-8
    - Заголовки столбцов: заголовки содержит только первый файл.
    - Пропуск строк: Нет
    - Набор данных содержит несколько строк: не выбирайте этот параметр.
  - Схема:
    - включить все столбцы, кроме столбца Путь
    - Проверка автоматически обнаруженных типов
  Нажмите кнопку создания. После создания набора данных выберите набор данных для проката велосипедов, чтобы продолжить отправку задания автоматизированного машинного обучения.
Настройки задания:
- Тип задания: Регрессия
- Набор данных: bike-rentals
- Целевой столбец: Прокат (целое число)
- Дополнительные параметры конфигурации:
  - Основная метрика: Нормализованная среднеквадратическая погрешность
  - Объяснить лучшую модель: Невыбранные
  - Использовать все поддерживаемые модели: не выбрано. Вы ограничите задание, чтобы опробовать только несколько конкретных алгоритмов.
  - Допустимые модели: выберите только RandomForest и LightGBM. Обычно следует испробовать как можно больше моделей, но каждая добавленная модель увеличивает время, затрачиваемое на выполнение задание.
- Ограничения. Разверните этот раздел
  - Максимальное количество проб: 3
  - Максимальное число параллельных проб: 3
  - Максимальное число узлов: 3
  - Пороговая оценка метрик: 0,085 (поэтому если модель достигает нормализованной среднеквадратической оценки метрик с квадратной площадью 0,085 или меньше, задание заканчивается.)
  - Время ожидания: 15
  - Время ожидания итерации: 15
  - Включение досрочного завершения: Выбрано
- Проверка и тест:
  - Тип проверки: Разделение обучение-проверка
  - Процент данных проверки: 10
  - Тестовый набор данных: Нет
Вычисления.
- Выбор типа вычислений: Бессерверный
- Тип виртуальной машины: ЦП
- Уровень виртуальной машины: Выделенный.
- Размер виртуальной машины: Standard_DS3_V2*
- Количество экземпляров: 1
*Если подписка ограничивает доступные размеры виртуальных машин, выберите любой доступный размер.
Отправьте задание обучения. Запускается автоматически.
Дождитесь остановки задания. Это может занять некоторое время, так что можете побаловать себя чашечкой кофе!

Проверка наилучшей модели

После завершения задачи автоматизированного машинного обучения вы можете просмотреть лучшую модель, которую она обучила.

На вкладке Обзор задания автоматизированного машинного обучения изучите сводку по самой лучшей модели.

Примечание Может появиться сообщение с текстом “Warning: User specified exit score reached…” (Предупреждение! Достигнута оценка выхода, указанная пользователем…). Это ожидаемое сообщение. После этого перейдите к следующему шагу.
Выберите текст в разделе Имя алгоритма для лучшей модели, чтобы просмотреть сведения о ней.
Перейдите на вкладку Метрики и выберите диаграммы residuals и predicted_true, если они еще не выбраны.

Изучите диаграммы, показывающие производительность модели. На диаграмме остатков отображаются остатки (различия между прогнозируемыми и фактическими значениями) в виде гистограммы. Диаграмма predicted_true сравнивает прогнозируемые значения с истинными значениями.

Развертывание и тестирование модели

На вкладке Модель для лучшей модели, обученной вашим автоматизированным машинным обучением, нажмите на кнопку Развернуть и используйте параметр Развернуть в веб-службе, чтобы развернуть модель со следующими параметрами:
- Имя: predict-rentals
- Описание: Прогнозирование аренды велосипедов
- Тип вычислений: Экземпляр контейнера Azure
- Включить проверку подлинности: Выбрано
Подождите, пока начнется развертывание. Это может занять несколько секунд. Состояние развертывания для конечной точки predict-rentals будет указано в главной части страницы как Выполнение.
Дождитесь пока Состояние развертывание изменится на Успешно. Этот может занять 5-10 минут.

Тестирование развернутой службы

Теперь можно протестировать развернутую службу.

В студии Машинного обучения Azure в меню слева выберите Конечные точки и откройте конечную в реальном времени predict-rentals.
На странице конечной точки в реальном времени predict-rentals откройте вкладку Тест.

В области Входные данные для тестирования конечной точки замените шаблон JSON указанными ниже входными данными:

 {
   "Inputs": { 
     "data": [
       {
         "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 
       }
     ]    
   },   
   "GlobalParameters": 1.0
 }

Нажмите кнопку Проверить.
Проверьте результаты теста, которые включают прогнозируемое количество прокатов на основе входных функций — примерно так:
```
 {
   "Results": [
     444.27799000000000
   ]
 }
```
На панели тестирования были введены входные данные и использована модель, обученная для возврата прогнозируемого числа прокатов.

Давайте посмотрим, что у вас получилось. Для обучения модели использовался набор данных об аренде велосипедов за прошедшие периоды. Модель прогнозирует ожидаемого количество велосипедов, взятых напрокат в течение определенного дня, на основе сезонных и метеорологических признаков.

Очистка

Созданная веб-служба размещается в экземпляре контейнера Azure. Если вы не планируете экспериментировать с ним и дальше, следует удалить конечную точку, чтобы избежать лишнего использования ресурсов Azure.

В студии машинного обучения Azure на вкладке Конечные точки выберите конечную точку predict-rentals. Затем щелкните Удалить и подтвердите удаление конечной точки.

Удаление вычислений гарантирует, что в вашей подписке не будет начисляться плата за вычислительные ресурсы. Однако с вас будет взиматься небольшая плата за хранение данных, так как в вашей подписке существует рабочая область Машинного обучения Azure. Если вы завершили изучение возможностей Машинного обучения Azure, можно удалить рабочую область Машинного обучения Azure и связанные с ней ресурсы.

Чтобы удалить рабочую область:

На портале Microsoft Azure (страница Группы ресурсов) откройте группу ресурсов, указанную при создании рабочей области машинного обучения Azure.
Щелкните Удалить группу ресурсов, введите имя группы ресурсов, чтобы подтвердить ее удаление, и выберите Удалить.