-
No Microsoft Azure, acessar ML Automatizado.
-
Crie um novo ML Automatizado usando as seguintes configurações:
-
Configurações básicas:
- Nome do trabalho: mslearn-bike-automl
- Novo nome do experimento: mslearn-bike-rental
- Descrição: Aprendizado automatizado de máquina para previsão de aluguel de bicicletas
- Tags: nenhum
-
Tipo de tarefa e dados:
- Selecione o tipo de tarefa: Regressão
- Selecione o conjunto de dados: Crie um novo conjunto de dados com as seguintes configurações :
-
Tipo de dados:
- Nome: aluguel de bicicletas
- Descrição: Dados históricos de aluguel de bicicletas
- Tipo: Tabular
-
Fonte de dados:
- Selecionar De arquivos da web
-
URL da Web:
- URL da Web:
https://aka.ms/bike-rentals
- Ignore a validação de dados: não selecione
- URL da Web:
-
Configurações:
- Formato de arquivo: Delimitado
- Delimitador: Vírgula
- Codificação: UTF-8
- Cabeçalhos de colunas: Somente o primeiro arquivo possui cabeçalhos
- Ignore linhas: Nenhum
- O conjunto de dados contém dados de várias linhas: não selecione
-
Esquema:
- Inclua todas as colunas que não sejam Caminho
- Revise os tipos detectados automaticamente
Selecionar Criar. Após a criação do conjunto de dados, selecione o conjunto de dados aluguéis de bicicleta para continuar enviando o trabalho de ML automatizado.
-
-
Configurações de tarefas:
- Tipo de tarefa: Regressão
- Conjunto de dados: aluguel de bicicletas
- Coluna alvo: Aluguéis (inteiro)
- Configurações de configuração adicionais:
- Métrica primária: Erro quadrado médio da raiz normalizado
- Explique o melhor modelo: Não selecionado
- Use todos os modelos suportados: Não selecionado.
- Modelos permitidos: Selecione apenas RandomForest e LightGBM
- Limites:
- Testes máximos: 3
- Max ensaios simultâneos: 3
- Nós máximos: 3
- Limite de pontuação métrica: 0,085
- Tempo esgotado: 15
- Tempo limite de iteração: 15
- Habilite a rescisão antecipada: Selecionado
- Validação e teste:
- Tipo de validação: Divisão de validação de trem
- Porcentagem de dados de validação: 10
- Teste o conjunto de dados: Nenhum
-
Computar:
- Selecione o tipo de computação: Sem servidor
- Tipo de máquina virtual: CPU
- Camada de máquina virtual: Dedicado
- Tamanho da máquina virtual: Standard_DS3_V2 *
- Número de instâncias: 1
-
-
Envie o trabalho de treinamento. Começa automaticamente.
-
Aguarde o trabalho terminar.
-
No Visão geral guia do trabalho automatizado de aprendizado de máquina, observe o melhor resumo do modelo.
-
Selecione o texto em Nome do algoritmo para o melhor modelo para ver seus detalhes.
-
Selecione Métricas e selecione o residuals e predicted_true gráficos se ainda não estiverem selecionados.
-
Na aba Modelo do melhor modelo treinado pelo seu trabalho automatizado de aprendizado de máquina, selecione Implantar e use o Serviço da Web para implantar o modelo com as seguintes configurações:
- Nome: previsões de aluguel
- Descrição: Prever aluguel de ciclo
- Tipo de computação: Instância do contêiner do Azure
- Habilite a autenticação: Selecionado
-
Aguarde o início da implantação
-
Aguarde o status Implante mudar para Sucesso. Isso pode levar de 5 a 10 minutos.
-
No estúdio Azure Machine Learning, no menu à esquerda, selecione Endpoints e abra o predicted-rentals ponto de extremidade em tempo real.
-
Visualize a aba Teste.
-
No Dados de entrada para testar o ponto final painel, substitua o modelo JSON pelos seguintes dados de entrada:
{
"Entradas": { "dados": [{ "dia": 1,
"mnth": 1,
"ano": 2022,
"estação": 2,
"feriado": 0,
"dia da semana": 1,
"dia de trabalho": 1,
"weathersit": 2,
"temp": 0.3,
"atempo": 0.3,
"hum": 0.3,
"velocidade do vento": 0.3 }]} "Parameters globais": 1.0
}
-
Clique Teste.
-
Revise os resultados do teste, que incluem um número previsto de aluguéis com base nos recursos de entrada - semelhante a este:
{
"Resultados": [ 356.6528307218089]
}