Tutorial: Erstellen eines Klassifizierungsmodells mit automatisiertem maschinellem Lernen in Azure Machine LearningTutorial: Create a classification model with automated ML in Azure Machine Learning

In diesem Tutorial erfahren Sie, wie Sie unter Verwendung von automatisiertem maschinellem Lernen in Azure Machine Learning Studio ein einfaches Klassifizierungsmodell erstellen, ohne eine einzige Codezeile zu schreiben.In this tutorial, you learn how to create a simple classification model without writing a single line of code using automated machine learning in the Azure Machine Learning studio. Dieses Klassifizierungsmodell sagt vorher, ob ein Kunde Festgeld bei einer Bank anlegt.This classification model predicts if a client will subscribe to a fixed term deposit with a financial institution.

Mit automatisiertem maschinellen Lernen können Sie zeitintensive Aufgaben automatisieren.With automated machine learning, you can automate away time intensive tasks. Beim automatisierten maschinellen Lernen werden viele Kombinationen von Algorithmen und Hyperparametern schnell durchlaufen, um basierend auf einer von Ihnen ausgewählten Erfolgsmetrik das beste Modell zu ermitteln.Automated machine learning rapidly iterates over many combinations of algorithms and hyperparameters to help you find the best model based on a success metric of your choosing.

Ein Beispiel für eine Zeitreihenvorhersage finden Sie im Tutorial: Bedarfsvorhersage und AutoML.For a time-series forecasting example, see Tutorial: Demand forecasting & AutoML.

In diesem Tutorial lernen Sie Folgendes:In this tutorial, you learn how to do the following tasks:

  • Erstellen Sie einen Azure Machine Learning-Arbeitsbereich.Create an Azure Machine Learning workspace.
  • Ausführen eines automatisierten Machine Learning-ExperimentsRun an automated machine learning experiment.
  • Anzeigen von Details zum ExperimentView experiment details.
  • Bereitstellen des Modells.Deploy the model.

VoraussetzungenPrerequisites

  • Ein Azure-Abonnement.An Azure subscription. Wenn Sie kein Azure-Abonnement besitzen, können Sie ein kostenloses Konto erstellen.If you don't have an Azure subscription, create a free account.

  • Laden Sie die Datendatei bankmarketing_train.csv herunter.Download the bankmarketing_train.csv data file. In der Spalte y ist angegeben, ob ein Kunde Festgeld angelegt hat. Sie wird später als Zielspalte für Vorhersagen in diesem Tutorial festgelegt.The y column indicates if a customer subscribed to a fixed term deposit, which is later identified as the target column for predictions in this tutorial.

Erstellen eines ArbeitsbereichsCreate a workspace

Ein Azure Machine Learning-Arbeitsbereich ist eine grundlegende Cloudressource zum Experimentieren, Trainieren und Bereitstellen von Machine Learning-Modellen.An Azure Machine Learning workspace is a foundational resource in the cloud that you use to experiment, train, and deploy machine learning models. Er verknüpft Ihr Azure-Abonnement und Ihre Ressourcengruppe mit einem einfach nutzbaren Objekt im Dienst.It ties your Azure subscription and resource group to an easily consumed object in the service.

Es gibt viele Möglichkeiten, einen Arbeitsbereich zu erstellen.There are many ways to create a workspace. In diesem Tutorial erstellen Sie einen Arbeitsbereich über das Azure-Portal, einer webbasierten Konsole zum Verwalten Ihrer Azure-Ressourcen.In this tutorial, you create a workspace via the Azure portal, a web-based console for managing your Azure resources.

  1. Melden Sie sich mit den Anmeldeinformationen für Ihr Azure-Abonnement beim Azure-Portal an.Sign in to the Azure portal by using the credentials for your Azure subscription.

  2. Wählen Sie im Azure-Portal oben links die Option + Ressource erstellen aus.In the upper-left corner of the Azure portal, select + Create a resource.

    Screenshot: Option „Ressource erstellen“.

  3. Suchen Sie mithilfe der Suchleiste Machine Learning.Use the search bar to find Machine Learning.

  4. Wählen Sie Machine Learning aus.Select Machine Learning.

  5. Wählen Sie im Bereich Machine Learning die Option Erstellen aus, um zu beginnen.In the Machine Learning pane, select Create to begin.

  6. Geben Sie die folgenden Informationen an, um den neuen Arbeitsbereich zu konfigurieren:Provide the following information to configure your new workspace:

    FeldField BESCHREIBUNGDescription
    ArbeitsbereichnameWorkspace name Geben Sie einen eindeutigen Namen ein, der Ihren Arbeitsbereich identifiziert.Enter a unique name that identifies your workspace. In diesem Beispiel verwenden wir docs-ws.In this example, we use docs-ws. Namen müssen in der Ressourcengruppe eindeutig sein.Names must be unique across the resource group. Verwenden Sie einen Namen, der leicht zu merken ist und sich von den von anderen Benutzern erstellten Arbeitsbereichen unterscheidet.Use a name that's easy to recall and to differentiate from workspaces created by others.
    SubscriptionSubscription Wählen Sie das gewünschte Azure-Abonnement aus.Select the Azure subscription that you want to use.
    Resource groupResource group Verwenden Sie eine vorhandene Ressourcengruppe in Ihrem Abonnement, oder geben Sie einen Namen ein, um eine neue Ressourcengruppe zu erstellen.Use an existing resource group in your subscription, or enter a name to create a new resource group. Eine Ressourcengruppe enthält verwandte Ressourcen für eine Azure-Lösung.A resource group holds related resources for an Azure solution. In diesem Beispiel verwenden wir docs-aml.In this example, we use docs-aml.
    LocationLocation Wählen Sie den Standort aus, der Ihren Benutzern und den Datenressourcen am nächsten ist, um Ihren Arbeitsbereich zu erstellen.Select the location closest to your users and the data resources to create your workspace.
    Arbeitsbereichs-EditionWorkspace edition Wählen Sie Basic als Arbeitsbereichstyp für dieses Tutorial aus.Select Basic as the workspace type for this tutorial. Der Arbeitsbereichstyp bestimmt die Features, auf die Sie zugreifen können, sowie die entsprechenden Preise.The workspace type determines the features to which you'll have access and pricing. Alles in diesem Tutorial kann entweder mit einem Basic- oder Enterprise-Arbeitsbereich ausgeführt werden.Everything in this tutorial can be performed with either a Basic or Enterprise workspace.
  7. Wenn die Konfiguration des Arbeitsbereichs abgeschlossen ist, wählen Sie Überprüfen + erstellen aus.After you're finished configuring the workspace, select Review + Create.

    Warnung

    Die Erstellung des Arbeitsbereichs in der Cloud kann einige Minuten dauern.It can take several minutes to create your workspace in the cloud.

    Wenn der Vorgang abgeschlossen ist, wird eine Erfolgsmeldung zur Bereitstellung angezeigt.When the process is finished, a deployment success message appears.

  8. Um den neuen Arbeitsbereich anzuzeigen, wählen Sie Zu Ressource wechseln aus.To view the new workspace, select Go to resource.

Wichtig

Notieren Sie sich Ihren Arbeitsbereich und Ihr Abonnement.Take note of your workspace and subscription. Sie benötigen diese Informationen, um sicherzustellen, dass Sie Ihr Experiment an der richtigen Stelle erstellen.You'll need these to ensure you create your experiment in the right place.

Erste Schritte in Azure Machine Learning StudioGet started in Azure Machine Learning studio

Sie schließen die folgende Experimenteinrichtung ab und führen Schritte über Azure Machine Learning Studio unter https://ml.azure.com aus. Hierbei handelt es sich um eine konsolidierte Weboberfläche mit Tools für maschinelles Lernen zur Durchführung von Data Science-Szenarien für Datenwissenschaftler jeglicher Qualifikation.You complete the following experiment set-up and run steps via the Azure Machine Learning studio at https://ml.azure.com, a consolidated web interface that includes machine learning tools to perform data science scenarios for data science practitioners of all skill levels. Das Azure Machine Learning-Studio wird in Internet Explorer-Browsern nicht unterstützt.The studio is not supported on Internet Explorer browsers.

  1. Melden Sie sich bei Azure Machine Learning Studio an.Sign in to Azure Machine Learning studio.

  2. Wählen Sie Ihr Abonnement und den erstellten Arbeitsbereich aus.Select your subscription and the workspace you created.

  3. Wählen Sie Erste Schritte aus.Select Get started.

  4. Wählen Sie im linken Bereich im Abschnitt Ersteller die Option Automatisiertes maschinelles Lernen aus.In the left pane, select Automated ML under the Author section.

    Wenn Sie zum ersten Mal ein Experiment für automatisiertes ML ausführen, werden eine leere Liste und Links zur Dokumentation angezeigt.Since this is your first automated ML experiment, you'll see an empty list and links to documentation.

    Seite für die ersten Schritte

  5. Wählen Sie + Neue Ausführung von automatisiertem ML aus.Select +New automated ML run.

Erstellen und Laden des DatasetsCreate and load dataset

Laden Sie vor dem Konfigurieren Ihres Experiments Ihre Datendatei in Form eines Azure Machine Learning-Datasets in Ihren Arbeitsbereich hoch.Before you configure your experiment, upload your data file to your workspace in the form of an Azure Machine Learning dataset. Dadurch wird die ordnungsgemäße Formatierung der Daten für Ihr Experiment sichergestellt.Doing so, allows you to ensure that your data is formatted appropriately for your experiment.

  1. Erstellen Sie ein neues Dataset, indem Sie im Dropdown + Dataset erstellen die Option Aus lokalen Dateien auswählen.Create a new dataset by selecting From local files from the +Create dataset drop-down.

    1. Geben Sie Ihrem Dataset im Formular Grundlegende Informationen einen Namen, und geben Sie optional eine Beschreibung an.On the Basic info form, give your dataset a name and provide an optional description. Die Oberfläche für automatisiertes maschinelles Lernen unterstützt derzeit nur TabularDatasets. Der Datasettyp muss daher standardmäßig auf Tabellarisch festgelegt sein.The automated ML interface currently only supports TabularDatasets, so the dataset type should default to Tabular.

    2. Wählen Sie links unten die Option Weiter aus.Select Next on the bottom left

    3. Wählen Sie im Formular Datenspeicher- und Dateiauswahl den Standarddatenspeicher aus, der im Zuge der Erstellung Ihres Arbeitsbereichs automatisch eingerichtet wurde: workspaceblobstore (Azure Blob Storage) .On the Datastore and file selection form, select the default datastore that was automatically set up during your workspace creation, workspaceblobstore (Azure Blob Storage). Hier laden Sie Ihre Datendatei hoch, um sie für Ihren Arbeitsbereich verfügbar zu machen.This is where you'll upload your data file to make it available to your workspace.

    4. Wählen Sie Durchsuchen aus.Select Browse.

    5. Wählen Sie auf dem lokalen Computer die Datei bankmarketing_train.csv aus.Choose the bankmarketing_train.csv file on your local computer. Dies ist die Datei, die Sie als Voraussetzung heruntergeladen haben.This is the file you downloaded as a prerequisite.

    6. Weisen Sie Ihrem Dataset einen eindeutigen Namen zu, und geben Sie eine optionale Beschreibung ein.Give your dataset a unique name and provide an optional description.

    7. Wählen Sie unten links Weiter aus, um das Dataset in den Standardcontainer hochzuladen, der bei der Erstellung Ihres Arbeitsbereichs automatisch eingerichtet wurde.Select Next on the bottom left, to upload it to the default container that was automatically set up during your workspace creation.

      Wenn der Upload abgeschlossen ist, wird das Formular „Einstellungen und Vorschau“ basierend auf dem Dateityp vorab aufgefüllt.When the upload is complete, the Settings and preview form is pre-populated based on the file type.

    8. Überprüfen Sie, ob das Formular Einstellungen und Vorschau wie folgt ausgefüllt ist, und klicken Sie auf Weiter.Verify that the Settings and preview form is populated as follows and select Next.

      FeldField BESCHREIBUNGDescription Wert für das TutorialValue for tutorial
      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. Durch Trennzeichen getrenntDelimited
      TrennzeichenDelimiter Mindestens ein Zeichen zum Angeben der Grenze zwischen separaten, unabhängigen Regionen in Nur-Text-Datenströmen oder anderen Datenströmen.One or more characters for specifying the boundary between  separate, independent regions in plain text or other data streams. KommaComma
      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. UTF-8UTF-8
      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. Alle Dateien weisen dieselben Header auf.All files have same headers
      Zeilen überspringenSkip rows Gibt an, wie viele Zeilen im Dataset übersprungen werden.Indicates how many, if any, rows are skipped in the dataset. KeineNone
    9. Das Formular Schema ermöglicht eine weitere Konfiguration der Daten für dieses Experiment.The Schema form allows for further configuration of your data for this experiment. Wählen Sie für dieses Beispiel den Umschalter für das Feature day_of_week aus, um es für dieses Experiment nicht einzuschließen.For this example, select the toggle switch for the day_of_week feature, so as to not include it for this experiment. Wählen Sie Weiter aus.Select Next.

      Konfiguration der Registerkarte „Preview“ (Vorschau)

    10. Überprüfen Sie im Formular Details bestätigen die zuvor in die Formulare Grundlegende Infos, Datenspeicher- und Dateiauswahl und Einstellungen und Vorschau eingetragenen Informationen.On the Confirm details form, verify the information matches what was previously populated on the Basic info, Datastore and file selection and Settings and preview forms.

    11. Wählen Sie Erstellen aus, um die Erstellung Ihres Datasets abzuschließen.Select Create to complete the creation of your dataset.

    12. Wählen Sie Ihr Dataset aus, sobald es in der Liste angezeigt wird.Select your dataset once it appears in the list.

    13. Überprüfen Sie die Datenvorschau , um sicherzustellen, dass Sie nicht day_of_week einbezogen haben. Klicken Sie dann auf OK.Review the Data preview to ensure you didn't include day_of_week then, select OK.

    14. Klicken Sie auf Weiter.Select Next.

Konfigurieren der ExperimentausführungConfigure experiment run

Nach dem Laden und Konfigurieren Ihrer Daten können Sie Ihr Experiment einrichten.After you load and configure your data, you can set up your experiment. Dieses Setup umfasst Experimententwurfsaufgaben, etwa das Auswählen der Größe Ihrer Compute-Umgebung und das Angeben der Spalte, die Sie vorhersagen möchten.This setup includes experiment design tasks such as, selecting the size of your compute environment and specifying what column you want to predict.

  1. Füllen Sie das Formular Ausführung konfigurieren folgendermaßen aus:Populate the Configure Run form as follows:

    1. Geben Sie den folgenden Experimentnamen ein: my-1st-automl-experimentEnter this experiment name: my-1st-automl-experiment

    2. Wählen Sie y als Zielspalte aus, in der Sie Vorhersagen ausführen möchten.Select y as the target column, what you want to predict. Diese Spalte gibt an, ob der Kunde eine Termineinlage bei der Bank gezeichnet hat.This column indicates whether the client subscribed to a term deposit or not.

    3. Wählen Sie Create a new compute (Neuen Compute erstellen) aus, und konfigurieren Sie Ihr Computeziel.Select Create a new compute and configure your compute target. Ein Computeziel ist eine lokale oder cloudbasierte Ressourcenumgebung, in der Ihr Trainingsskript ausgeführt oder Ihre Dienstbereitstellung gehostet wird.A compute target is a local or cloud-based resource environment used to run your training script or host your service deployment. Für dieses Experiment verwenden wir eine cloudbasierte Computeumgebung.For this experiment, we use a cloud-based compute.

      FeldField BESCHREIBUNGDescription Wert für das TutorialValue for tutorial
      ComputenameCompute name Ein eindeutiger Name, der Ihren Computekontext identifiziert.A unique name that identifies your compute context. automl-computeautoml-compute
      VM-Typ  Virtual machine type Wählen Sie den VM-Typ für Ihre Compute-Umgebung aus.Select the virtual machine type for your compute. CPU (Zentralprozessor)CPU (Central Processing Unit)
      Größe des virtuellen Computers Virtual machine size Wählen Sie die Größe für Ihren Computes aus.Select the virtual machine size for your compute. Standard_DS12_V2Standard_DS12_V2
      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. Min. Knoten: 1Min nodes: 1
      Max. Knoten: 6Max nodes: 6
      Leerlauf in Sekunden vor dem HerunterskalierenIdle seconds before scale down Leerlaufzeit vor dem automatischen Herunterskalieren des Clusters auf die minimale KnotenanzahlIdle time before the cluster is automatically scaled down to the minimum node count. 120 (Standardwert)120 (default)
      Erweiterte EinstellungenAdvanced settings Einstellungen zum Konfigurieren und Autorisieren eines virtuellen Netzwerks für Ihr ExperimentSettings to configure and authorize a virtual network for your experiment. KeineNone
      1. Wählen Sie Erstellen aus, um das Computeziel abzurufen.Select Create to get the compute target.

        Dieser Vorgang nimmt einige Minuten in Anspruch.This takes a couple minutes to complete.

      2. Wählen Sie nach der Erstellung in der Dropdownliste Ihr neues Computeziel aus.After creation, select your new compute target from the drop-down list.

    4. Wählen Sie Weiter aus.Select Next.

  2. Schließen Sie im Formular Aufgabentyp und -einstellungen die Einrichtung Ihres Experiments mit automatisiertem maschinellem Lernen ab, indem Sie den ML-Aufgabentyp und die Konfigurationseinstellungen angeben.On the Task type and settings form, complete the setup for your automated ML experiment by specifying the machine learning task type and configuration settings.

    1. Wählen Sie als ML-Aufgabentyp Klassifizierung aus.Select Classification as the machine learning task type.

    2. Klicken Sie auf Zusätzliche Konfigurationseinstellungen anzeigen , und füllen Sie die Felder wie folgt aus.Select View additional configuration settings and populate the fields as follows. Mit diesen Einstellungen können Sie den Trainingsauftrag besser steuern.These settings are 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 Wert für das TutorialValue for tutorial
      Primary metric (Primäre Metrik)Primary metric Auswertungsmetrik, die zur Messung des Machine Learning-Algorithmus verwendet wird.Evaluation metric that the machine learning algorithm will be measured by. AUC_weightedAUC_weighted
      Explain best model (Bestes Modell erläutern)Explain best model Zeigt automatisch die Erklärbarkeit für das beste Modell an, das durch automatisiertes ML erstellt wurde.Automatically shows explainability on the best model created by automated ML. AktivierenEnable
      Blockierte AlgorithmenBlocked algorithms Algorithmen, die Sie aus den Trainingsauftrag ausschließen möchten.Algorithms you want to exclude from the training job KeineNone
      BeendigungskriteriumExit criterion Wenn ein Kriterium erfüllt ist, wird der Trainingsauftrag angehalten.If a criteria is met, the training job is stopped. Dauer des Trainingsauftrags (Stunden): 1Training job time (hours): 1
      Metrikschwellenwert  : KeineMetric score threshold: None
      ÜberprüfenValidation Wählen Sie einen Kreuzvalidierungstyp und die Anzahl von Tests aus.Choose a cross-validation type and number of tests. Überprüfungstyp:Validation type:
       k-fold cross-validation k-fold cross-validation

      Anzahl von Überprüfungen: 2Number of validations: 2
      ParallelitätConcurrency Die maximale Anzahl paralleler Iterationen pro IterationThe maximum number of parallel iterations executed per iteration Max. parallele Iterationen: 5Max concurrent iterations: 5

      Wählen Sie Speichern aus.Select Save.

  3. Wählen Sie Fertig stellen aus, um das Experiment auszuführen.Select Finish to run the experiment. Wenn die Vorbereitung des Experiments beginnt, wird der Bildschirm Ausführungsdetails geöffnet, auf dem am oberen Rand der Ausführungsstatus angezeigt wird.The Run Detail screen opens with the Run status at the top as the experiment preparation begins.

Wichtig

Die Vorbereitung des Experiments nimmt 10 –15 Minuten in Anspruch.Preparation takes 10-15 minutes to prepare the experiment run. Sobald es ausgeführt wird, dauert jede Iteration mindestens zwei bis drei Minuten.Once running, it takes 2-3 minutes more for each iteration.
Klicken Sie von Zeit zu Zeit auf Aktualisieren , um den Status der Ausführung während der Experimentausführung anzuzeigen.Select Refresh periodically to see the status of the run as the experiment progresses.

In einer Produktionsumgebung würden Sie in dieser Zeit wahrscheinlich eine kurze Pause machen.In production, you'd likely walk away for a bit. Für dieses Tutorial empfehlen wir jedoch, schon während der Ausführung der weiteren Iterationen mit der Untersuchung der getesteten Algorithmen auf der Registerkarte Modelle zu beginnen.But for this tutorial, we suggest you start exploring the tested algorithms on the Models tab as they complete while the others are still running.

Untersuchen von ModellenExplore models

Navigieren Sie zur Registerkarte Modelle , um die getesteten Algorithmen (Modelle) anzuzeigen.Navigate to the Models tab to see the algorithms (models) tested. Standardmäßig werden die Modelle nach ihrem Abschluss nach der Metrikbewertung sortiert.By default, the models are ordered by metric score as they complete. In diesem Tutorial steht das Modell, das für die ausgewählte AUC_weighted -Metrik die höchste Bewertung erhält, ganz oben in der Liste.For this tutorial, the model that scores the highest based on the chosen AUC_weighted metric is at the top of the list.

Während Sie auf den Abschluss aller Experimentmodelle warten, können Sie den Algorithmusnamen eines abgeschlossenen Modells auswählen und sich die zugehörigen Leistungsdetails ansehen.While you wait for all of the experiment models to finish, select the Algorithm name of a completed model to explore its performance details.

Nachfolgend werden die Registerkarten Details und Metriken durchlaufen, um die Eigenschaften, Metriken und Leistungsdiagramme des ausgewählten Modells anzuzeigen.The following navigates through the Details and the Metrics tabs to view the selected model's properties, metrics, and performance charts.

Details zur Iterationsausführung

Bereitstellen des besten ModellsDeploy the best model

Über die Oberfläche für automatisiertes maschinelles Lernen können Sie in wenigen Schritten das beste Modell als Webdienst bereitstellen.The automated machine learning interface allows you to deploy the best model as a web service in a few steps. Bei der Bereitstellung handelt es sich um die Integration des Modells, sodass neue Daten vorhergesagt und potenzielle Verkaufschancen identifiziert werden können.Deployment is the integration of the model so it can predict on new data and identify potential areas of opportunity.

In diesem Experiment bedeutet Bereitstellung in einem Webdienst, dass das Finanzinstitut nun über eine iterative und skalierbare Weblösung zur Identifizierung potenzieller Festgeldkunden verfügt.For this experiment, deployment to a web service means that the financial institution now has an iterative and scalable web solution for identifying potential fixed term deposit customers.

Überprüfen Sie, ob die Ausführung des Experiments beendet ist.Check to see if your experiment run is complete. Navigieren Sie dazu zurück zur Seite mit der übergeordneten Ausführung, indem Sie oben auf dem Bildschirm Ausführung 1 auswählen.To do so, navigate back to the parent run page by selecting Run 1 at the top of your screen. Oben links auf dem Bildschirm wird der Status Abgeschlossen angezeigt.A Completed status is shown on the top left of the screen.

Wenn die Ausführung des Experiments abgeschlossen ist, wird die Seite Details mit dem Abschnitt Zusammenfassung des besten Modells aufgefüllt.Once the experiment run is complete, the Details page is populated with a Best model summary section. Aus diesem Experimentkontext geht VotingEnsemble basierend auf der AUC_weighted -Metrik als bestes Modell hervor.In this experiment context, VotingEnsemble is considered the best model, based on the AUC_weighted metric.

Wir stellen dieses Modell bereit. Die Bereitstellung dauert jedoch etwa 20 Minuten.We deploy this model, but be advised, deployment takes about 20 minutes to complete. Der Bereitstellungsprozess umfasst mehrere Schritte, einschließlich der Registrierung des Modells, der Erstellung von Ressourcen und der Konfiguration dieser Ressourcen für den Webdienst.The deployment process entails several steps including registering the model, generating resources, and configuring them for the web service.

  1. Wählen Sie VotingEnsemble aus, um die modellspezifische Seite zu öffnen.Select VotingEnsemble to open the model-specific page.

  2. Wählen Sie oben links die Schaltfläche Bereitstellen aus.Select the Deploy button in the top-left.

  3. Füllen Sie den Bereich Modell bereitstellen wie folgt aus:Populate the Deploy a model pane as follows:

    FeldField WertValue
    „Deployment name“ (Bereitstellungsname)Deployment name my-automl-deploymy-automl-deploy
    „Deployment description“ (Bereitstellungsbeschreibung)Deployment description „Meine erste Bereitstellung eines automatisierten Machine Learning-Experiments“My first automated machine learning experiment deployment
    ComputetypCompute type Azure-Compute-Instanz (ACI) auswählenSelect Azure Compute Instance (ACI)
    Authentifizierung aktivierenEnable authentication Deaktivieren Sie diese Option.Disable.
    Use custom deployments (Benutzerdefinierte Bereitstellungen verwenden)Use custom deployments Deaktivieren Sie diese Option.Disable. Dadurch wird die automatische Erstellung der Standardtreiberdatei (Bewertungsskript) und der Umgebungsdatei ermöglicht.Allows for the default driver file (scoring script) and environment file to be autogenerated.

    In diesem Beispiel werden die im Menü Erweitert angegebenen Standardwerte verwendet.For this example, we use the defaults provided in the Advanced menu.

  4. Klicken Sie auf Bereitstellen.Select Deploy.

    Oben auf dem Bildschirm Ausführen wird eine grüne Erfolgsmeldung und im Bereich Modellzusammenfassung unter Bereitstellungsstatus eine Statusmeldung angezeigt.A green success message appears at the top of the Run screen, and in the Model summary pane, a status message appears under Deploy status. Wählen Sie von Zeit zu Zeit die Option Aktualisieren , um den Status der Bereitstellung zu überprüfen.Select Refresh periodically to check the deployment status.

Nun haben Sie einen einsatzfähigen Webdienst, mit dem Vorhersagen generiert werden können.Now you have an operational web service to generate predictions.

Fahren Sie mit Nächste Schritte fort, um weitere Informationen zur Nutzung Ihres neuen Webdiensts zu erhalten, und testen Sie Ihre Vorhersagen mithilfe der integrierten Azure Machine Learning-Unterstützung von Power BI.Proceed to the Next Steps to learn more about how to consume your new web service, and test your predictions using Power BI's built in Azure Machine Learning support.

Bereinigen von RessourcenClean up resources

Bereitstellungsdateien sind größer als Daten- und Experimentdateien, sodass ihre Speicherung teurer ist.Deployment files are larger than data and experiment files, so they cost more to store. Löschen Sie nur die Bereitstellungsdateien, um die Kosten für Ihr Konto zu minimieren, oder wenn Sie den Arbeitsbereich und die Experimentdateien beibehalten möchten.Delete only the deployment files to minimize costs to your account, or if you want to keep your workspace and experiment files. Löschen Sie andernfalls die gesamte Ressourcengruppe, wenn Sie keine der Dateien verwenden möchten.Otherwise, delete the entire resource group, if you don't plan to use any of the files.

Löschen der BereitstellungsinstanzDelete the deployment instance

Löschen Sie nur die Bereitstellungsinstanz aus Azure Machine Learning unter https://ml.azure.com/, wenn Sie die Ressourcengruppe und den Arbeitsbereich für andere Tutorials und Untersuchungen behalten möchten.Delete just the deployment instance from Azure Machine Learning at https://ml.azure.com/, if you want to keep the resource group and workspace for other tutorials and exploration.

  1. Wechseln Sie zu Azure Machine Learning.Go to Azure Machine Learning. Navigieren Sie zu Ihrem Arbeitsbereich, und wählen Sie links unter dem Bereich Ressourcen die Option Endpunkte aus.Navigate to your workspace and on the left under the Assets pane, select Endpoints.

  2. Wählen Sie die zu löschende Bereitstellung aus, und klicken Sie auf Delete (Löschen).Select the deployment you want to delete and select Delete.

  3. Wählen Sie Proceed (Fortfahren) aus.Select Proceed.

Löschen der RessourcengruppeDelete the resource group

Wichtig

Die von Ihnen erstellten Ressourcen können ggf. auch in anderen Azure Machine Learning-Tutorials und -Anleitungen verwendet werden.The resources that you created can be used as prerequisites to other Azure Machine Learning tutorials and how-to articles.

Wenn Sie die erstellten Ressourcen nicht mehr benötigen, löschen Sie sie, damit Ihnen keine Kosten entstehen:If you don't plan to use the resources that you created, delete them so you don't incur any charges:

  1. Wählen Sie ganz links im Azure-Portal Ressourcengruppen aus.In the Azure portal, select Resource groups on the far left.

  2. Wählen Sie in der Liste die Ressourcengruppe aus, die Sie erstellt haben.From the list, select the resource group that you created.

  3. Wählen Sie die Option Ressourcengruppe löschen.Select Delete resource group.

    Screenshot der Auswahlmöglichkeiten zum Löschen einer Ressourcengruppe im Azure-Portal.

  4. Geben Sie den Ressourcengruppennamen ein.Enter the resource group name. Wählen Sie anschließend die Option Löschen.Then select Delete.

Nächste SchritteNext steps

In diesem Tutorial zum automatisierten maschinellen Lernen haben Sie über die Oberfläche für automatisiertes maschinelles Lernen von Azure Machine Learning ein Klassifizierungsmodell erstellt und bereitgestellt.In this automated machine learning tutorial, you used Azure Machine Learning's automated ML interface to create and deploy a classification model. Weitere Informationen und nächste Schritte finden Sie in diesen Artikeln:See these articles for more information and next steps:

Hinweis

Dieses Bank Marketing-Dataset wird unter der Creative Commons (CCO: Public Domain)-Lizenz zur Verfügung gestellt.This Bank Marketing dataset is made available under the Creative Commons (CCO: Public Domain) License. Alle Rechte in den einzelnen Inhalten der Datenbank sind gemäß der Database Contents License lizenziert und auf Kaggle verfügbar.Any rights in individual contents of the database are licensed under the Database Contents License and available on Kaggle. Dieses Dataset war ursprünglich in der UCI Machine Learning Database verfügbar.This dataset was originally available within the UCI Machine Learning Database.

[Moro et al., 2014] S. Moro, P. Cortez und P. Rita.[Moro et al., 2014] S. Moro, P. Cortez and P. Rita. A Data-Driven Approach to Predict the Success of Bank Telemarketing. (Ein datengesteuerter Ansatz zur Prognose des Erfolgs im Bank-Telemarketing.)A Data-Driven Approach to Predict the Success of Bank Telemarketing. Decision Support Systems, Elsevier, 62:22-31, Juni 2014.Decision Support Systems, Elsevier, 62:22-31, June 2014.