探索 Azure 机器学习中的自动化机器学习
在本练习中，你将使用 Azure 机器学习中的自动化机器学习功能来训练和评估机器学习模型。 然后，你将部署并测试已训练的模型。
完成此练习大约需要 30 分钟。
创建 Azure 机器学习工作区
若要使用 Azure 机器学习，需要在 Azure 订阅中预配 Azure 机器学习工作区。 然后，你就可以使用 Azure 机器学习工作室来处理工作区中的资源。
提示：如果已有 Azure 机器学习工作区，可以使用该工作区并跳至下一个任务。
-
在
https://portal.azure.com使用 Microsoft 凭据登录Azure 门户。 - 选择“+创建资源”，搜索“机器学习”，然后通过以下设置创建新“Azure 机器学习”资源：
- 订阅：Azure 订阅。
- 资源组：创建或选择资源组。
- 名称：输入工作区的唯一名称。
- 区域：选择离你最近的地理区域。
- 存储帐户：记下要为工作区创建的默认新存储帐户。
- 密钥保管库：记下要为工作区创建的默认新密钥保管库。
- Application Insightss：记下要为工作区创建的默认新 Application Insights 资源。
- 容器注册表：无（第一次将模型部署到容器时，将自动创建一个）。
-
依次选择“查看 + 创建”、“创建”。 等待工作区创建完成（可能需要几分钟时间），然后转到部署的资源。
-
选择“启动工作室”（或打开新的浏览器标签页并导航到 https://ml.azure.com，然后使用 Microsoft 帐户登录 Azure 机器学习工作室）。 关闭显示的任何消息。
- 在 Azure 机器学习工作室中，应会看到新创建的工作区。 如果没有，请在左侧菜单中选择“所有工作区”**，然后选择刚创建的工作区。
使用自动化机器学习来训练模型
借助自动化机器学习，可以尝试多种算法和参数来训练多个模型，并确定最适合你的数据的模型。 在本练习中，你将使用历史自行车租赁详细信息数据集来训练一个模型，该模型根据季节和气象特征预测给定日期应预期的自行车租赁数。
引文：本练习中使用的数据派生自 Capital Bikeshare，并根据已发布数据许可协议使用。
-
在 Azure 机器学习工作室中，查看“自动化 ML”页（位于“创作”下） 。
-
通过以下设置创建新自动化 ML 作业，并根据需要使用“下一步”来逐步完成用户界面：
基本设置：
- 作业名称：
mslearn-bike-automl - 新试验名称：
mslearn-bike-rental - 说明：用于预测自行车租赁的自动化机器学习
- 标签：无
任务类型与数据：
- 选择任务类型：回归
- 选择数据集：使用以下设置创建新数据集：
- 数据类型：
- 名称：
bike-rentals - 说明：
Historic bike rental data - 类型：表（mltable）
- 名称：
- 数据源：
- 选择“从本地文件”**
- 目标存储类型：
- 数据存储类型：Azure Blob 存储
- 名称：workspaceblobstore
- MLtable 选择：
- 上传文件夹：下载并解压包含需要上传的两个文件的文件夹
https://aka.ms/bike-rentals
- 上传文件夹：下载并解压包含需要上传的两个文件的文件夹
选择创建。 创建数据集后，选择 bike-rentals 数据集以继续提交自动化 ML 作业。**
- 数据类型：
任务设置：
- 任务类型：回归
- 数据集：bike-rentals
- 目标列：租赁数（整数）
- 其他配置设置：
- 主要指标：NormalizedRootMeanSquaredError
- 说明最佳模型：未选择
- 启用整体堆叠：未选定**
- 使用所有受支持的模型：未选择。 你将限制作业，仅尝试一些特定的算法。
- 允许的模型：仅选择 RandomForest 和 LightGBM - 通常，你想尽可能多地尝试，但添加的每个模型都会增加运行作业所需的时间。* *
- 限制：展开此节
- 最大试用数：
3 - 最大并发试用数：
3 - 最大节点数：
3 - 指标分数阈值：
0.085（如果模型的标准均方根误差指标分数为0.085 或更低，则作业会结束。） - eXPERIMENT 超时：
15 - 迭代超时：
15 - 启用提前终止：已选择
- 最大试用数：
- 验证和测试：
- 验证类型：训练验证拆分
- 验证数据百分比：10
- 测试数据集：无
计算：
- 选择计算类型：无服务器
- 虚拟机类型：CPU
- 虚拟机层：专用
- 虚拟机大小：*Standard_DS3_V2
- 实例数：1
* 如果订阅限制了你可用的 VM 大小，请选择任何可用的大小。**
- 作业名称：
-
提交训练作业。 它会自动启动。
-
请等待作业完成。 这可能需要一段时间 - 这段时间正好可以喝杯咖啡休息一下！
查看最佳模型
自动化机器学习作业完成后，可以查看它训练的最佳模型。
-
在自动化机器学习作业的“概述”选项卡上，记下最佳模型摘要。
注意：你可能会在状态下看到消息“警告: 已达到用户指定的退出分数…”。 这是预期的消息。 请继续执行下一步。
-
选择最佳模型的“算法名称”下的文本，以查看其详细信息。
-
选择“指标”选项卡，然后选择“残差”和“predicted_true”图标（如果尚未选择）。
查看显示模型性能的图表。 “残差”图表以直方图显示残差(预测值与实际值之间的差异)。 predicted_true 图表将预测值与 true 值进行比较。
部署并测试模型
- 在自动化机器学习作业训练的最佳模型的“模型”选项卡上，选择“部署”并使用“实时终结点”选项通过以下设置来部署模型：****
- 虚拟机：Standard_DS3_v2
- 实例计数：3
- 终结点：新建
- 终结点名称：保留默认值或确保其全局唯一
- 部署名称：保留默认值**
- 推理数据收集**：已禁用
- 包模型：已禁用
- 等待部署开始 - 这可能需要几秒钟。 在页面的主要部分，“predict-rentals”终结点的“部署状态”将显示为“正在运行”。
- 等待“部署状态”更改为“已成功”。 这可能需要 5-10 分钟。
测试已部署的服务
现在，可以测试已部署的服务。
-
在 Azure 机器学习工作室的左侧菜单中，选择“终结点”，然后打开“predict-rentals”实时终结点。
-
在“predict-rentals”实时终结点页上，查看“测试”选项卡。
-
在“输入数据以测试终结点”窗格中，将模板 JSON 替换为以下输入数据：
{ "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": [] } } -
单击“测试”按钮**。
-
查看测试结果，其中包括根据输入特征预测的租赁次数，与此类似：
{ "Results": [ 444.27799000000000 ] }测试窗格采用输入数据，然后使用训练的模型返回预测的租赁次数。
我们来回顾一下你的操作。 使用历史自行车租赁数据的数据集来训练模型。 该模型基于季节和气象特征预测给定日的自行车租赁数。
清理
你创建的 Web 服务托管于“Azure 容器实例”中。 如果不打算进一步试验它，应删除终结点以避免产生不必要的 Azure 使用量。
-
在 Azure 机器学习工作室的“终结点”选项卡上，选择“predict-rentals”终结点。 然后选择“删除”，并确认是否要删除该终结点。
删除计算可确保不会向你的订阅收取计算资源的费用。 但是，只要订阅中存在 Azure 机器学习工作区，就会向你收取少量数据存储费用。 如果已完成对 Azure 机器学习的探索，可以删除 Azure 机器学习工作区和关联的资源。
删除工作区的步骤：
- 在 Azure 门户的“资源组”页中，打开在创建 Azure 机器学习工作区时指定的资源组。
- 单击“删除资源组”，键入资源组名称以确认要删除资源组，然后选择“删除”。