Erstellen, Überprüfen und Bereitstellen von automatisierten Machine Learning-Modellen mit Azure Machine LearningCreate, review, and deploy automated machine learning models with Azure Machine Learning

In diesem Artikel erfahren Sie, wie Sie automatisierte Machine Learning-Modelle ohne eine einzige Codezeile in Azure Machine Learning Studio erstellen, untersuchen und bereitstellen.In this article, you learn how to create, explore, and deploy automated machine learning models without a single line of code in Azure Machine Learning studio.

Automatisiertes Machine Learning ist ein Prozess, bei dem der beste Machine Learning-Algorithmus für Ihre spezifischen Daten für Sie ausgewählt wird.Automated machine learning is a process in which the best machine learning algorithm to use for your specific data is selected for you. Dieser Prozess ermöglicht Ihnen die schnelle Erstellung von Machine Learning-Modellen.This process enables you to generate machine learning models quickly. Weitere Informationen zu automatisiertem Machine Learning.Learn more about automated machine learning.

Ein End-to-End-Beispiel finden Sie im Tutorial zum Erstellen eines Klassifizierungsmodells mit der Oberfläche für automatisiertes maschinelles Lernen von Azure Machine Learning.For an end to end example, try the tutorial for creating a classification model with Azure Machine Learning's automated ML interface.

Wenn Sie eine auf Python-Code basierende Umgebung bevorzugen, konfigurieren Sie Ihre Experimenten mit automatisiertem maschinellem Lernen mit dem Azure Machine Learning SDK.For a Python code-based experience, configure your automated machine learning experiments with the Azure Machine Learning SDK.

VoraussetzungenPrerequisites

Erste SchritteGet started

  1. Melden Sie sich unter https://ml.azure.com bei Azure Machine Learning an.Sign in to Azure Machine Learning at https://ml.azure.com.

  2. Wählen Sie Ihr Abonnement und Ihren Arbeitsbereich aus.Select your subscription and workspace.

  3. Navigieren Sie zum linken Bereich.Navigate to the left pane. Wählen Sie im Abschnitt Erstellen die Option Automatisiertes ML aus.Select Automated ML under the Author section.

Navigationsbereich von Azure Machine Learning StudioAzure Machine Learning studio navigation pane

Wenn Sie zum ersten Mal Experimente ausführen, werden eine leere Liste und Links zur Dokumentation angezeigt.If this is your first time doing any experiments, you'll see an empty list and links to documentation.

Andernfalls wird eine Liste ihrer letzten automatisierten Machine Learning-Experimente angezeigt, einschließlich derjenigen, die mit dem SDK erstellt wurden.Otherwise, you'll see a list of your recent automated machine learning experiments, including those created with the SDK.

Erstellen und Ausführen eines ExperimentsCreate and run experiment

  1. Wählen Sie + Neue Ausführung von automatisiertem ML aus, und füllen Sie das Formular aus.Select + New automated ML run and populate the form.

  2. Wählen Sie ein Dataset in Ihrem Speichercontainer aus, oder erstellen Sie ein neues Dataset.Select a dataset from your storage container, or create a new dataset. Datasets können aus lokalen Dateien, Web-URLs, Datenspeichern oder Azure Open Datasets erstellt werden.Datasets can be created from local files, web urls, datastores, or Azure open datasets. Weitere Informationen zur Erstellung von Datasets finden Sie hier.Learn more about dataset creation.

    Wichtig

    Anforderungen für Trainingsdaten:Requirements for training data:

    • Die Daten müssen in Tabellenform vorliegen.Data must be in tabular form.
    • Der Wert, den Sie vorhersagen möchten (Zielspalte), muss in den Daten vorhanden sein.The value you want to predict (target column) must be present in the data.
    1. Um ein neues Dataset aus einer Datei auf Ihrem lokalen Computer zu erstellen, wählen Sie +Dataset erstellen und anschließend Aus lokaler Datei aus.To create a new dataset from a file on your local computer, select +Create dataset and then select From local file.

    2. Geben Sie Ihrem Dataset im Formular Grundlegende Informationen einen eindeutigen Namen, und geben Sie optional eine Beschreibung an.In the Basic info form, give your dataset a unique name and provide an optional description.

    3. Wählen Sie Weiter aus, um das Formular Datenspeicher- und Dateiauswahl zu öffnen.Select Next to open the Datastore and file selection form. In diesem Formular wählen Sie aus, wo das Dataset hochgeladen werden soll. Dies kann der Standardspeichercontainer sein, der automatisch mit Ihrem Arbeitsbereich erstellt wird, oder ein Speichercontainer, den Sie für das Experiment auswählen.On this form you select where to upload your dataset; the default storage container that's automatically created with your workspace, or choose a storage container that you want to use for the experiment.

      1. Wenn sich Ihre Daten hinter einem virtuellen Netzwerk befinden, müssen Sie die Funktion zum Überspringen der Überprüfung aktivieren, um sicherzustellen, dass der Arbeitsbereich auf Ihre Daten zugreifen kann.If your data is behind a virtual network, you need to enable the skip the validation function to ensure that the workspace can access your data. Weitere Informationen finden Sie unter Verwenden von Azure Machine Learning Studio in einem virtuellen Azure-Netzwerk.For more information, see Use Azure Machine Learning studio in an Azure virtual network.
    4. Wählen Sie Durchsuchen aus, um die Datendatei für das Dataset hochzuladen.Select Browse to upload the data file for your dataset.

    5. Überprüfen Sie das Formular Einstellungen und Vorschau auf Genauigkeit.Review the Settings and preview form for accuracy. Das Formular wird ausgehend vom Dateityp intelligent aufgefüllt.The form is intelligently populated based on the file type.

      FeldField BESCHREIBUNGDescription
      DateiformatFile format Definiert das Layout und den Typ der in einer Datei gespeicherten Daten.Defines the layout and type of data stored in a file.
      TrennzeichenDelimiter Mindestens ein Zeichen zum Angeben der Grenze zwischen separaten, unabhängigen Regionen in Nur-Text- oder anderen Datenströmen.One or more characters for specifying the boundary between separate, independent regions in plain text or other data streams.
      CodierenEncoding Gibt an, welche Bit-zu-Zeichen-Schematabelle verwendet werden soll, um Ihr Dataset zu lesen.Identifies what bit to character schema table to use to read your dataset.
      SpaltenüberschriftenColumn headers Gibt an, wie die Header des Datasets, sofern vorhanden, behandelt werden.Indicates how the headers of the dataset, if any, will be treated.
      Zeilen überspringenSkip rows Gibt an, wie viele Zeilen im Dataset übersprungen werden.Indicates how many, if any, rows are skipped in the dataset.

      Wählen Sie Weiter aus.Select Next.

    6. Das Formular Schema wird auf intelligente Weise entsprechend den auf dem Formular Einstellungen und Vorschau ausgewählten Optionen aufgefüllt.The Schema form is intelligently populated based on the selections in the Settings and preview form. Konfigurieren Sie hier den Datentyp für jede Spalte, überprüfen Sie die Spaltennamen, und wählen Sie für die Spalten, die nicht in Ihr Experiment eingeschlossen werden sollen, die Option Nicht einschließen aus.Here configure the data type for each column, review the column names, and select which columns to Not include for your experiment.

      Wählen Sie Weiter aus.Select Next.

    7. Das Formular Details bestätigen ist eine Zusammenfassung der Informationen, die zuvor in die Formulare Grundlegende Infos und Einstellungen und Vorschau eingetragen wurden.The Confirm details form is a summary of the information previously populated in the Basic info and Settings and preview forms. Sie haben auch die Möglichkeit, ein Datenprofil für Ihr Dataset zu erstellen, indem Sie Compute mit aktivierter Profilerstellung verwenden.You also have the option to create a data profile for your dataset using a profiling enabled compute. Weitere Informationen zur Datenprofilerstellung.Learn more about data profiling.

      Wählen Sie Weiter aus.Select Next.

  3. Wählen Sie Ihr neu erstelltes Dataset aus, sobald es angezeigt wird.Select your newly created dataset once it appears. Sie können auch eine Vorschau des Datasets und der Stichprobenstatistiken anzeigen.You are also able to view a preview of the dataset and sample statistics.

  4. Geben Sie auf dem Formular Ausführung konfigurieren einen eindeutigen Experimentnamen ein.On the Configure run form, enter a unique experiment name.

  5. Wählen Sie eine Zielspalte aus: Dies ist die Spalte, für die Sie Vorhersagen ausführen möchten.Select a target column; this is the column that you would like to do predictions on.

  6. Wählen Sie einen Compute für den Datenprofilerstellungs- und Trainingsauftrag aus.Select a compute for the data profiling and training job. Eine Liste Ihrer vorhandenen Computes ist in der Dropdownliste verfügbar.A list of your existing computes is available in the dropdown. Folgen Sie den Anweisungen in Schritt 7, um einen neuen Compute zu erstellen.To create a new compute, follow the instructions in step 7.

  7. Wählen Sie Create a new compute (Neue Computeressource erstellen) aus, um den Computekontext für dieses Experiment zu konfigurieren.Select Create a new compute to configure your compute context for this experiment.

    FeldField BESCHREIBUNGDescription
    ComputenameCompute name Geben Sie einen eindeutigen Namen ein, der Ihren Computekontext identifiziert.Enter a unique name that identifies your compute context.
    VM-PrioritätVirtual machine priority Virtuelle Computer mit niedriger Priorität sind kostengünstiger, bieten jedoch keine garantierten Computeknoten.Low priority virtual machines are cheaper but don't guarantee the compute nodes.
    Typ des virtuellen ComputersVirtual machine type Wählen Sie CPU oder GPU als VM-Typ aus.Select CPU or GPU for virtual machine type.
    Größe des virtuellen ComputersVirtual machine size Wählen Sie die Größe für Ihren Computes aus.Select the virtual machine size for your compute.
    Min/Max nodes (Min./Max. Knoten)Min / Max nodes Um ein Datenprofil zu erstellen, müssen Sie mindestens einen Knoten angeben.To profile data, you must specify 1 or more nodes. Geben Sie die maximale Anzahl von Knoten für Ihren Compute ein.Enter the maximum number of nodes for your compute. Der Standardwert ist 6 Knoten für einen AML-Compute.The default is 6 nodes for an AML Compute.
    Erweiterte EinstellungenAdvanced settings Mit diesen Einstellungen können Sie ein Benutzerkonto und ein vorhandenes virtuelles Netzwerk für Ihr Experiment konfigurieren.These settings allow you to configure a user account and existing virtual network for your experiment.

    Klicken Sie auf Erstellen.Select Create. Das Erstellen einer neuen Computeressource kann einige Minuten dauern.Creation of a new compute can take a few minutes.

    Hinweis

    Ihr Computename gibt an, ob für den von Ihnen ausgewählten/erstellten Compute Profilerstellung aktiviert ist.Your compute name will indicate if the compute you select/create is profiling enabled. (Weitere Informationen finden Sie im Abschnitt Datenprofilerstellung.)(See the section data profiling for more details).

    Wählen Sie Weiter aus.Select Next.

  8. Wählen Sie auf dem Formular Aufgabentyp und Einstellungen den Aufgabentyp aus: Klassifizierung, Regression oder Prognose (Vorhersage).On the Task type and settings form, select the task type: classification, regression, or forecasting. Weitere Informationen finden Sie unter Unterstützte Aufgabentypen.See supported task types for more information.

    1. Für die Klassifizierung können Sie auch Deep Learning aktivieren.For classification, you can also enable deep learning.

      Wenn Deep Learning aktiviert ist, ist die Überprüfung auf train_validation split beschränkt.If deep learning is enabled, validation is limited to train_validation split. Erfahren Sie mehr zu Überprüfungsoptionen.Learn more about validation options.

    2. Für Vorhersagen haben Sie folgende Möglichkeiten:For forecasting you can,

      1. Aktivieren Sie Deep Learning.Enable deep learning.

      2. Auswählen der Zeitspalte: Diese Spalte enthält die zu verwendenden Zeitdaten.Select time column: This column contains the time data to be used.

      3. Auswählen des Vorhersagehorizonts: Geben Sie an, wie viele Zeiteinheiten (Minuten/Stunden/Tage/Wochen/Monate/Jahre) das Modell die Zukunft vorhersagen können soll.Select forecast horizon: Indicate how many time units (minutes/hours/days/weeks/months/years) will the model be able to predict to the future. Je weiter das Modell die Zukunft vorhersagen muss, desto ungenauer wird es.The further the model is required to predict into the future, the less accurate it will become. Weitere Informationen zu Vorhersagen und zum Vorhersagehorizont.Learn more about forecasting and forecast horizon.

  9. (Optional:) Anzeigen weiterer Konfigurationseinstellungen: zusätzliche Einstellungen, mit denen Sie den Trainingsauftrag besser steuern können.(Optional) View addition configuration settings: additional settings you can use to better control the training job. Andernfalls werden die Standardwerte auf Basis der Experimentauswahl und -daten angewendet.Otherwise, defaults are applied based on experiment selection and data.

    Zusätzliche KonfigurationenAdditional configurations BESCHREIBUNGDescription
    Primary metric (Primäre Metrik)Primary metric Die wichtigste Metrik, die für die Bewertung Ihres Modells verwendet wird.Main metric used for scoring your model. Weitere Informationen zur Modellmetriken.Learn more about model metrics.
    Explain best model (Bestes Modell erläutern)Explain best model Wählen Sie diese Option aus, um die Erläuterungen für das empfohlene beste Modell anzuzeigen oder zu deaktivieren.Select to enable or disable, in order to show explanations for the recommended best model.
    Diese Funktion ist derzeit nicht für bestimmte Vorhersagealgorithmen verfügbar.This functionality is not currently available for certain forecasting algorithms.
    Blocked algorithm (Blockierter Algorithmus)Blocked algorithm Wählen Sie Algorithmen aus, die Sie aus den Trainingsauftrag ausschließen möchten.Select algorithms you want to exclude from the training job.

    Das Zulassen von Algorithmen ist nur für SDK-Experimente verfügbar.Allowing algorithms is only available for SDK experiments.
    Weitere Informationen finden Sie auf der Seite zu den unterstützten Modellen für einzelne Aufgabentypen.See the supported models for each task type.
    BeendigungskriteriumExit criterion Wenn eines dieser Kriterien erfüllt ist, wird der Trainingsauftrag beendet.When any of these criteria are met, the training job is stopped.
    Training job time (hours) Trainingsauftragszeit (Stunden): Gibt an, wie lange der Trainingsauftrag ausgeführt werden soll.Training job time (hours): How long to allow the training job to run.
    Metric score threshold (Metrischer Bewertungsschwellenwert): Die Metrikmindestbewertung für alle Pipelines.Metric score threshold: Minimum metric score for all pipelines. Auf diese Weise wird sichergestellt, dass Sie nicht mehr Zeit für den Trainingsauftrag aufwenden als nötig, wenn Sie eine definierte Zielmetrik verwenden, die Sie erreichen möchten.This ensures that if you have a defined target metric you want to reach, you do not spend more time on the training job than necessary.
    ÜberprüfenValidation Wählen Sie eine der Optionen für Kreuzvalidierung aus, die im Trainingsauftrag verwendet werden soll.Select one of the cross validation options to use in the training job.
    Weitere Informationen zur Kreuzvalidierung.Learn more about cross validation.

    Für Vorhersagen wird nur die k-fache Kreuzvalidierung unterstützt.Forecasting only supports k-fold cross validation.
    ParallelitätConcurrency Max concurrent iterations (Maximale Anzahl gleichzeitiger Iterationen): Die maximale Anzahl von Pipelines (Iterationen), die im Trainingsauftrag getestet werden.Max concurrent iterations: Maximum number of pipelines (iterations) to test in the training job. Der Auftrag wird nicht häufiger als die angegebene Anzahl von Iterationen ausgeführt.The job will not run more than the specified number of iterations. Erfahren Sie mehr darüber, wie automatisiertes ML mehrere untergeordnete Ausführungen in Clustern durchführt.Learn more about how automated ML performs multiple child runs on clusters.
  10. (Optional) Anzeigen von Featurisierungseinstellungen: Wenn Sie im Formular Additional configuration settings (Zusätzliche Konfigurationseinstellungen) die Option Automatische Featurisierung aktivieren, werden standardmäßige Featurisierungstechniken angewendet.(Optional) View featurization settings: if you choose to enable Automatic featurization in the Additional configuration settings form, default featurization techniques are applied. Diese Standardeinstellungen können unter Featurisierungseinstellungen anzeigen geändert und entsprechend angepasst werden.In the View featurization settings you can change these defaults and customize accordingly. Informationen zum Anpassen von Featurisierungen finden Sie hier.Learn how to customize featurizations.

    Der Screenshot zeigt das Dialogfeld zum Auswählen von Aufgabentypen, in dem die Einstellungen für die Anzeige der Featurisierung beschrieben sind.

Anpassen der FeaturisierungCustomize featurization

Im Formular Featurisierung können Sie die automatische Featurisierung aktivieren/deaktivieren und die Einstellungen der automatischen Featurisierung für Ihr Experiment anpassen.In the Featurization form, you can enable/disable automatic featurization and customize the automatic featurization settings for your experiment. Informationen zum Öffnen dieses Formulars finden Sie in Schritt 10 des Abschnitts Erstellen und Ausführen eines Experiments.To open this form, see step 10 in the Create and run experiment section.

In der folgenden Tabelle sind die derzeit in Studio verfügbaren Anpassungen zusammengefasst:The following table summarizes the customizations currently available via the studio.

ColumnColumn AnpassungCustomization
EnthaltenIncluded Gibt an, welche Spalten in das Training einbezogen werden sollen.Specifies which columns to include for training.
FeaturetypFeature type Dient zum Ändern des Werttyps für die ausgewählte Spalte.Change the value type for the selected column.
Imputation mitImpute with Dient zum Auswählen des Werts, mit dem fehlende Werte in Ihren Daten imputiert werden sollen.Select what value to impute missing values with in your data.

Benutzerdefinierte Featurisierung für Azure Machine Learning Studio

Ausführen des Experiments und Anzeigen der ErgebnisseRun experiment and view results

Wählen Sie Fertig stellen aus, um das Experiment auszuführen.Select Finish to run your experiment. Der Vorgang zum Vorbereiten eines Experiments kann bis zu 10 Minuten dauern.The experiment preparing process can take up to 10 minutes. Ein Ausführen von Trainingsaufträgen kann für jede Pipeline weitere 2 bis 3 Minuten beanspruchen.Training jobs can take an additional 2-3 minutes more for each pipeline to finish running.

Hinweis

Die Algorithmen, die beim automatisierten maschinellen Lernen eingesetzt werden, weisen eine inhärente Zufälligkeit auf, die zu geringfügigen Abweichungen in der abschließenden metrischen Bewertung eines empfohlenen Modells führen kann, z. B. bei der Genauigkeit.The algorithms automated ML employs have inherent randomness that can cause slight variation in a recommended models final metrics score, like accuracy. Automatisiertes maschinelles Lernen führt bei Bedarf auch Vorgänge an Daten wie Training-Test-Aufteilung, Training-Validierung-Aufteilung oder Kreuzvalidierung durch.Automated ML also performs operations on data such as train-test split, train-validation split or cross-validation when necessary. Wenn Sie also ein Experiment mit denselben Konfigurationseinstellungen und derselben primären Metrik mehrmals durchführen, werden Sie aufgrund dieser Faktoren wahrscheinlich bei jedem Experiment eine Abweichung in der abschließenden metrischen Bewertung sehen.So if you run an experiment with the same configuration settings and primary metric multiple times, you'll likely see variation in each experiments final metrics score due to these factors.

Anzeigen von Details zum ExperimentView experiment details

Die Anzeige für Ausführungsdetails wird mit der Registerkarte Details geöffnet. In dieser Anzeige wird eine Zusammenfassung der Experimentausführung einschließlich einer Statusleiste oben neben der Ausführungsnummer angezeigt.The Run Detail screen opens to the Details tab. This screen shows you a summary of the experiment run including a status bar at the top next to the run number.

Die Registerkarte Modelle enthält eine Liste der erstellten Modelle, wobei diese nach der Metrikbewertung (Metrikscore) geordnet sind.The Models tab contains a list of the models created ordered by the metric score. Standardmäßig steht das Modell, das anhand der ausgewählten Metrik die höchste Bewertung erhält, in der Liste ganz oben.By default, the model that scores the highest based on the chosen metric is at the top of the list. Während der Trainingsauftrag weitere Modelle testet, werden diese zur Liste hinzugefügt.As the training job tries out more models, they are added to the list. Verwenden Sie diese Liste, um einen schnellen Vergleich der Metriken für die bisher generierten Modelle zu erhalten.Use this to get a quick comparison of the metrics for the models produced so far.

Dashboard mit den AusführungsdetailsRun details dashboard

Anzeigen der Details der TrainingsausführungView training run details

Führen Sie einen Drilldown für eines der abgeschlossenen Modelle aus, um Details zur Trainingsausführung anzuzeigen, z. B. eine Modellzusammenfassung auf der Registerkarte Modell oder Leistungsmetrikdiagramme auf der Registerkarte Metriken. Weitere Informationen zu Diagrammen.Drill down on any of the completed models to see training run details, like a model summary on the Model tab or performance metric charts on the Metrics tab. Learn more about charts.

Details zur IterationIteration details

Bereitstellen Ihres ModellsDeploy your model

Sobald Ihnen das beste Modell vorliegt, ist es an der Zeit, das Modell als Webdienst bereitzustellen, um Vorhersagen für neue Daten zu erstellen.Once you have the best model at hand, it is time to deploy it as a web service to predict on new data.

Automatisiertes maschinelles Lernen unterstützt Sie dabei, das Modell bereitzustellen, ohne Code zu schreiben:Automated ML helps you with deploying the model without writing code:

  1. Sie haben einige Optionen für die Bereitstellung.You have a couple options for deployment.

    • Option 1: Stellen Sie das beste Modell gemäß den von Ihnen definierten Metrikkriterien bereit.Option 1: Deploy the best model, according to the metric criteria you defined.

      1. Navigieren Sie nach Abschluss des Experiments zur Seite mit der übergeordneten Ausführung, indem Sie oben auf dem Bildschirm Ausführung 1 auswählen.After the experiment is complete, navigate to the parent run page by selecting Run 1 at the top of the screen.
      2. Wählen Sie das Modell aus, das im Abschnitt Zusammenfassung des besten Modells aufgeführt ist.Select the model listed in the Best model summary section.
      3. Wählen Sie oben links im Fenster Bereitstellen aus.Select Deploy on the top left of the window.
    • Option 2: Stellen Sie eine bestimmte Modelliteration aus diesem Experiment bereit.Option 2: To deploy a specific model iteration from this experiment.

      1. Wählen Sie das gewünschte Modell auf der Registerkarte Modelle aus.Select the desired model from the Models tab
      2. Wählen Sie oben links im Fenster Bereitstellen aus.Select Deploy on the top left of the window.
  2. Füllen Sie den Bereich Modell bereitstellen aus.Populate the Deploy model pane.

    FeldField WertValue
    NameName Geben Sie einen eindeutigen Namen für die Bereitstellung ein.Enter a unique name for your deployment.
    BESCHREIBUNGDescription Geben Sie eine Beschreibung ein, um den Zweck dieser Bereitstellung genauer anzugeben.Enter a description to better identify what this deployment is for.
    ComputetypCompute type Wählen Sie die Art des bereitzustellenden Endpunkts aus: Azure Kubernetes Service (AKS) oder Azure-Containerinstanz (ACI) .Select the type of endpoint you want to deploy: Azure Kubernetes Service (AKS) or Azure Container Instance (ACI).
    ComputenameCompute name Nur für AKS: Wählen Sie den Namen des AKS-Clusters aus, der als Ziel für die Bereitstellung verwendet werden soll.Applies to AKS only: Select the name of the AKS cluster you wish to deploy to.
    Authentifizierung aktivierenEnable authentication Wählen Sie diese Option aus, um eine token- oder schlüsselbasierte Authentifizierung zu ermöglichen.Select to allow for token-based or key-based authentication.
    Use custom deployment assets (Benutzerdefinierte Bereitstellungsressourcen verwenden)Use custom deployment assets Aktivieren Sie dieses Feature, wenn Sie Ihr eigenes Bewertungsskript und Ihre eigene Umgebungsdatei hochladen möchten.Enable this feature if you want to upload your own scoring script and environment file. Weitere Informationen zu Bewertungsskripts finden Sie hier.Learn more about scoring scripts.

    Wichtig

    Ein Dateiname muss weniger als 32 Zeichen haben und muss mit einem alphanumerischen Zeichen beginnen und enden.File names must be under 32 characters and must begin and end with alphanumerics. Dazwischen darf ein Name Bindestriche, Unterstriche, Punkte und alphanumerische Zeichen enthalten.May include dashes, underscores, dots, and alphanumerics between. Leerzeichen sind nicht zulässig.Spaces are not allowed.

    Das Menü Erweitert enthält Standard-Bereitstellungsfeatures wie Datensammlung und Einstellungen für die Ressourcenauslastung.The Advanced menu offers default deployment features such as data collection and resource utilization settings. Wenn Sie diese Standardeinstellungen überschreiben möchten, verwenden Sie dafür dieses Menü.If you wish to override these defaults do so in this menu.

  3. Klicken Sie auf Bereitstellen.Select Deploy. Die Bereitstellung kann bis zu 20 Minuten dauern.Deployment can take about 20 minutes to complete. Sobald die Bereitstellung beginnt, wird die Registerkarte Modellzusammenfassung angezeigt.Once deployment begins, the Model summary tab appears. Der Status der Bereitstellung wird im Abschnitt Bereitstellungsstatus angezeigt.See the deployment progress under the Deploy status section.

Nun haben Sie einen einsatzfähigen Webdienst, mit dem Vorhersagen generiert werden können!Now you have an operational web service to generate predictions! Sie können die Vorhersagen testen, indem Sie den Dienst über die in Power BI integrierte Azure Machine Learning-Unterstützung abfragen.You can test the predictions by querying the service from Power BI's built in Azure Machine Learning support.

Nächste SchritteNext steps