Treinar um modelo com o designer do Azure Machine Learning

O designer do Azure Machine Learning fornece uma interface de arrastar e soltar com a qual você pode definir um fluxo de trabalho. Você pode criar um fluxo de trabalho para treinar um modelo, testar e comparar vários algoritmos com facilidade.

Neste exercício, você usará o Designer para treinar e comparar rapidamente dois algoritmos de classificação.

Antes de começar

É necessário ter uma assinatura do Azure com acesso de nível administrativo.

Provisionar um workspace do Azure Machine Learning

Um workspace do Azure Machine Learning fornece um local central para gerenciar todos os recursos e ativos necessários para treinar e gerenciar seus modelos. Você pode interagir com o workspace do Azure Machine Learning por meio do estúdio, do SDK do Python e da CLI do Azure.

Você usará um script do Shell que usa a CLI do Azure para provisionar o workspace e os recursos necessários. Em seguida, você usará o Designer no estúdio do Azure Machine Learning para treinar e comparar modelos.

Criar o workspace e o cluster de computação

Você usará a CLI do Azure para criar o workspace do Azure Machine Learning e um cluster de computação. Todos os comandos necessários são agrupados em um script do Shell para você executar.

Na guia do navegador, abra o portal do Azure em https://portal.azure.com/ e entre com sua conta Microsoft.
Selecione o botão [>_] (Cloud Shell) na parte superior da página à direita da caixa de pesquisa. Isso abre um painel do Cloud Shell na parte inferior do Portal.
Selecione Bash se solicitado. Na primeira vez que abrir o Cloud Shell, será solicitado que você escolha o tipo de shell que quer usar (Bash ou PowerShell).
Verifique se a assinatura correta está especificada e se Nenhuma conta de armazenamento necessária está selecionada. Escolha Aplicar.
No terminal, execute os seguintes comandos para clonar este repositório:
```
 rm -r azure-ml-labs -f
 git clone https://github.com/MicrosoftLearning/mslearn-azure-ml.git azure-ml-labs
```
Use SHIFT + INSERT para colar o código copiado no Cloud Shell.
Depois que o repositório tiver sido clonado, insira os seguintes comandos para alterar para a pasta deste laboratório e execute o script setup.sh contido nela:
```
 cd azure-ml-labs/Labs/05
 ./setup.sh
```
Ignore todas as mensagens de (erro) que dizem que as extensões não foram instaladas.
Aguarde a conclusão do script - isso normalmente leva cerca de 5 a 10 minutos.

Configurar um novo pipeline

Depois de criar o workspace e o cluster de computação necessário, você pode abrir o estúdio do Azure Machine Learning e criar um pipeline de treinamento com o Designer.

No portal do Azure, navegue até o workspace do Azure Machine Learning chamado mlw-dp100-….
Selecione o workspace do Azure Machine Learning e, em sua página Visão geral, selecione Iniciar estúdio. Outra guia será aberta em seu navegador para abrir o estúdio do Azure Machine Learning.
Feche todos os pop-ups que aparecem no estúdio.
No estúdio do Azure Machine Learning, navegue até a página Computação e verifique se o cluster de computação criado na seção anterior existe. O cluster deve estar ocioso e ter 0 nós em execução.
Navegue até a página Designer.
Selecione a guia Personalizado na parte superior da página.
Crie um novo pipeline vazio usando componentes personalizados.
Altere o nome padrão do pipeline (Pipeline-Created-on-* date*) para Train-Diabetes-Classifier selecionando o ícone de lápis à direita.

Criar um novo pipeline

Para treinar um modelo, você precisará de dados. Você pode usar quaisquer dados armazenados em um armazenamento de dados ou usar uma URL acessível publicamente.

No menu à esquerda, selecione a guia Dados.
Arraste o componente diabetes-folder para a tela.

Agora que você tem seus dados, pode continuar criando um pipeline usando componentes personalizados que já existem no workspace (criados durante a instalação).
No menu esquerdo, selecione a guia Componentes.
Arraste o componente Remover linhas vazias para a tela, abaixo de diabetes-folder.
Conecte a saída dos dados à entrada do novo componente.
Arraste o componente Normalizar colunas numéricas para a tela, abaixo de Remover linhas vazias.
Conecte a saída do componente anterior à entrada do novo componente.
Arraste o componente Treinar um modelo classificador de árvore de decisão para a tela, abaixo de Normalizar colunas numéricas.
Conecte a saída do componente anterior à entrada do novo componente.
Selecione Configurar e Enviar e, na página Configurar trabalho de pipeline, crie um novo experimento, dê o nome de diabetes-designer-pipeline e selecione Avançar.
Em Entradas e saídas, não faça alterações e selecione Avançar.
Em Configurações do runtime, selecione Cluster de computação e, em Selecionar cluster de computação do Azure ML, selecione seu aml-cluster.
Selecione Revisar + Enviar e selecione Enviar para iniciar a execução do pipeline.
Você pode verificar o status da execução acessando a página Pipelines e selecionando o pipeline Train-Diabetes-Classifier.
Aguarde até que todos os componentes tenham sido concluídos com êxito.

O envio do trabalho inicializará o cluster de computação. Como o cluster de computação estava ocioso até agora, pode levar algum tempo para que o cluster seja redimensionado para mais de 0 nós. Depois que o cluster for redimensionado, ele começará a executar automaticamente o pipeline.

Você poderá acompanhar a execução de cada componente. Quando o pipeline falhar, você poderá explorar qual componente falhou e por que falhou. As mensagens de erro serão exibidas na guia Saídas + logs da visão geral do trabalho.

Treinar um segundo modelo para comparação

Para comparar entre algoritmos e avaliar qual tem melhor desempenho, você pode treinar dois modelos dentro de um pipeline e fazer a comparação.

Retorne ao Designer e selecione o rascunho de pipeline Train-Diabetes-Classifier.
Adicione o componente Treinar um Modelo Classificador de Regressão Logística à tela, ao lado do outro componente de treinamento.
Conecte a saída do componente Normalizar Colunas Numéricas à entrada do novo componente de treinamento.
Na parte superior, selecione Configurar e Enviar.
Na página Básico, crie um novo experimento chamado designer-compare-classification e execute-o.
Selecione Revisar + Enviar e selecione Enviar para iniciar a execução do pipeline.
Você pode verificar o status da execução acessando a página Pipelines e selecionando o pipeline Train-Diabetes-Classifier com o experimento designer-compare-classification.
Aguarde até que todos os componentes tenham sido concluídos com êxito.
Selecione Visão geral do trabalho e selecione a guia Métricas para revisar os resultados de ambos os componentes de treinamento.
Tente determinar qual modelo teve melhor desempenho.

Excluir recursos do Azure

Se você terminou de explorar o Azure Machine Learning, exclua os recursos que criou para evitar custos desnecessários do Azure.

Feche a guia do estúdio do Azure Machine Learning e retorne ao portal do Azure.
No portal do Azure, na Página Inicial, selecione Grupos de recursos.
Selecione o grupo de recursos rg-dp100-….
Na parte superior da página de Visão Geral do grupo de recursos, selecione Excluir o grupo de recursos.
Digite o nome do grupo de recursos para confirmar que deseja excluí-lo e selecione Excluir.