luishdantas/machinelearningazure

Repository dedicated to my Microsoft Azure Machine Learning studies

Instruções para criação do projeto

Treinar modelo

1. No Microsoft Azure, acessar ML Automatizado.

2. 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

       • 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

3. Envie o trabalho de treinamento. Começa automaticamente.

4. Aguarde o trabalho terminar.

Análise do melhor modelo

1. No Visão geral guia do trabalho automatizado de aprendizado de máquina, observe o melhor resumo do modelo.

2. Selecione o texto em Nome do algoritmo para o melhor modelo para ver seus detalhes.

3. Selecione Métricas e selecione o residuals e predicted_true gráficos se ainda não estiverem selecionados.

Implante e teste o modelo

1. 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

2. Aguarde o início da implantação

3. Aguarde o status Implante mudar para Sucesso. Isso pode levar de 5 a 10 minutos.

Teste o serviço implantado

1. No estúdio Azure Machine Learning, no menu à esquerda, selecione Endpoints e abra o predicted-rentals ponto de extremidade em tempo real.

2. Visualize a aba Teste.

3. 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
}

4. Clique Teste.

5. Revise os resultados do teste, que incluem um número previsto de aluguéis com base nos recursos de entrada - semelhante a este:

{
   "Resultados": [ 356.6528307218089]
}