Tip
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 passo a passo, você usará um conjunto de dados de detalhes históricos de aluguel de bicicletas para treinar um modelo que prevê o número de aluguel de bicicletas esperado em um determinado dia, com base em características sazonais e meteorológicas.
Warning
O processo de treinamento do modelo costuma demorar em média 15 minutos, mas pode se estender. Caso demore mais que 1 hora para concluir é recomendável refazer o processo.
Criar um novo trabalho automatizado, treinar, criar modelo, implantar, testar o modelo e o serviço implantado.
Crie um espaço de trabalho do Azure Machine Learning
-
Entre no portal do Azure com suas credenciais da Microsoft;
-
Selecione + Criar um recurso, pesquise Machine Learning e crie um novo 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 seu espaço de trabalho;
- Região: Selecione a região geográfica mais próxima;
- Conta de armazenamento: observe a nova conta de armazenamento padrão que será criada para seu espaço de trabalho;
- Cofre de chaves: Observe o novo cofre de chaves padrão que será criado para seu espaço de trabalho;
- Insights de aplicativos: observe o novo recurso padrão de insights de aplicativos que será criado para seu espaço de trabalho;
- Registro de contêiner: Nenhum ( um será criado automaticamente na primeira vez que você implantar um modelo em um contêiner);
- Selecione Revisar + criar e selecione Criar. Aguarde a criação do seu espaço de trabalho (pode demorar alguns minutos) e, em seguida, vá para o recurso implantado;
- Selecione Launch Studio (ou abra uma nova guia do navegador e navegue até Azure Machine Learning Studio usando sua conta da Microsoft).
- Feche todas as mensagens exibidas;
-
No estúdio Azure Machine Learning, você deverá ver seu espaço de trabalho recém-criado. Caso contrário, selecione Todos os espaços de trabalho no menu à esquerda e selecione o espaço de trabalho que você acabou de criar.
Use aprendizado de máquina automatizado para treinar um modelo
-
No Azure Machine Learning Studio, veja a página Automated ML (em Authoring).
-
Crie um novo trabalho de ML automatizado com as seguintes configurações, usando Next conforme necessário para avançar pela interface do usuário:
-
Nome do trabalho: mslearn-bike-automl;
-
Novo nome do experimento: mslearn-bike-rental;
-
Descrição: Aprendizado de máquina automatizado para previsão de aluguel de bicicletas;
-
Marcadores: nenhum;
- Selecione o tipo de tarefa: Regressão;
- Selecionar conjunto de dados: crie um novo conjunto de dados com as seguintes configurações:
- Nome : aluguel de bicicletas;
- Descrição : dados históricos de aluguel de bicicletas;
- Tipo : Tabular;
- Selecione "Dos arquivos da web";
- URL da Web: https://aka.ms/bike-rentals;
- Ignorar validação de dados: não selecionar;
- Formato de arquivo : Delimitado;
- Delimitador : Vírgula;
- Codificação : UTF-8;
- Cabeçalhos de coluna : apenas o primeiro arquivo possui cabeçalhos;
- Pular linhas : Nenhum;
- O conjunto de dados contém dados multilinhas : não selecione;
- Incluir todas as colunas exceto Caminho;
- Revise os tipos detectados automaticamente;
- Selecione Criar. Após a criação do conjunto de dados, selecione o conjunto de dados de aluguel de bicicletas para continuar a enviar o trabalho de ML automatizado;
- Tipo de tarefa: Regressão;
- Conjunto de dados: aluguel de bicicletas;
- Coluna de destino: Aluguéis (inteiro);
- Métrica primária: raiz do erro quadrático médio normalizado;
- Explique o melhor modelo: Não selecionado;
- Usar todos os modelos suportados: Desmarcado. Você restringirá o trabalho para tentar apenas alguns algoritmos específicos;
- Modelos permitidos: Selecione apenas RandomForest e LightGBM — normalmente você gostaria de tentar o máximo possível, mas cada modelo adicionado aumenta o tempo necessário para executar o trabalho;
- Máximo de testes: 3;
- Máximo de testes simultâneos: 3;
- Máximo de nós: 3;
- Limite de pontuação da métrica: 0,085 ( para que, se um modelo atingir uma pontuação da métrica de erro quadrático médio normalizado de 0,085 ou menos, o trabalho termina;
- Tempo limite: 15;
- Tempo limite de iteração: 15;
- Habilitar rescisão antecipada: selecionado;
- Tipo de validação: divisão de validação de treinamento;
- Porcentagem de dados de validação: 10;
- Conjunto de dados de teste: Nenhum;
- Selecione o tipo de computação: sem servidor;
- Tipo de máquina virtual: CPU;
- Camada de máquina virtual: Dedicada;
- Tamanho da máquina virtual: Standard_DS3_V2*;
- Número de instâncias: 1;
-
-
Envie o trabalho para treinamento e espere concluir.
Avalie o melhor modelo
- Na guia Visão geral do trabalho automatizado de aprendizado de máquina, observe o melhor resumo do modelo.
- Selecione o texto em Nome do algoritmo do melhor modelo para visualizar seus detalhes.
- Selecione a guia Métricas e selecione os gráficos residuais e predito_true se eles ainda não estiverem selecionados.
- Revise os gráficos que mostram o desempenho do modelo. O gráfico de resíduos mostra os resíduos (as diferenças entre os valores previstos e reais) como um histograma. O gráfico predito_true compara os valores previstos com os valores verdadeiros.
Implantar e testar o modelo
- Na guia melhor modelo treinado pelo seu trabalho automatizado de machine learning, selecione Implantar e use a opção de serviço Web para implantar o modelo com as seguintes configurações: Nome : prever-aluguéis; Descrição : Prever aluguel de bicicletas; Tipo de computação : Instância de Contêiner do Azure; Habilitar autenticação : selecionado;
- Aguarde o início da implantação – isso pode levar alguns segundos. O status de implantação do endpoint de previsão de aluguel será indicado na parte principal da página como Running.
- Aguarde até que o status da implantação mude para Succeeded. Isso pode levar de 5 a 10 minutos.
Testar o serviço implantado
Agora você pode testar seu serviço implantado.
-
No estúdio Azure Machine Learning, no menu esquerdo, selecione Endpoints e abra o ponto final em tempo real de previsão de aluguel.
-
Na página do endpoint em tempo real de previsão de aluguel, visualize a guia Teste.
-
No painel Dados de entrada para testar o endpoint, substitua o modelo JSON pelos seguintes dados de entrada:
{ "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 }
-
Clique no botão Testar.
-
Revise os resultados do teste, que incluem um número previsto de aluguéis com base nos recursos de entrada - semelhante a este:
{ "Results": [ 444.27799000000000 ] }
Excluir
O serviço web que você criou está hospedado em uma instância de contêiner do Azure. Se não pretender experimentá-lo ainda mais, deverá excluir para evitar cobrança desnecessária de recursos do Azure.
- No Studio Azure Machine Learning, na guia Endpoints, selecione o ponto de extremidade de previsão de aluguel. Em seguida, selecione Excluir e confirme que deseja excluir o endpoint.
- Excluir sua computação garante que sua assinatura não será cobrada por recursos de computação. No entanto, será cobrada uma pequena quantia pelo armazenamento de dados, desde que o espaço de trabalho do Azure Machine Learning exista na sua assinatura. Se tiver terminado de explorar o Azure Machine Learning, poderá eliminar o espaço de trabalho Azure Machine Learning e os recursos associados.
Para excluir seu espaço de trabalho:
- No portal Azure, na página Grupos de recursos, abra o grupo de recursos que especificou ao criar o seu espaço de trabalho 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.