Recompilación de un experimento de Studio (clásico) en Azure Machine Learning

Importante

La compatibilidad con Azure Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning por esa fecha.

A partir del 1 de diciembre de 2021, no puede crear nuevos recursos de Machine Learning Studio (clásico) (área de trabajo y plan de servicio web). Hasta el 31 de agosto de 2024, puede seguir usando los experimentos y servicios web existentes de Machine Learning Studio (clásico). Para más información, vea:

• Migración a Azure Machine Learning desde Machine Learning Studio (clásico)
• ¿Qué es Azure Machine Learning?

La documentación de Machine Learning Studio (clásico) se está retirando y es posible que no se actualice en el futuro.

En este artículo aprenderá a recompilar un experimento de Machine Learning Studio (clásico) en Azure Machine Learning. Para obtener más información sobre cómo migrar desde Studio (clásico), consulte el artículo de información general sobre la migración.

Los experimentos de Studio (clásico) son similares a las canalizaciones de Azure Machine Learning. Sin embargo, en Azure Machine Learning las canalizaciones se compilan en el mismo back-end que sustenta el SDK. Esto significa que tiene dos opciones para el desarrollo del aprendizaje automático: el diseñador de arrastrar y colocar o los SDK de código primero.

Para obtener más información sobre cómo compilar canalizaciones con el SDK, consulte ¿Qué son las canalizaciones de Azure Machine Learning.

Requisitos previos

• Una cuenta de Azure con una suscripción activa. Cree una cuenta gratuita.
• Un área de trabajo de Azure Machine Learning. Creación de recursos para el área de trabajo.
• El experimento de Studio (clásico) que desea migrar.
• Cargue el conjunto de datos en Azure Machine Learning.

Recompilación de la canalización

Después de migrar el conjunto de datos a Azure Machine Learning, ya puede volver a crear el experimento.

En Azure Machine Learning, el gráfico visual se denomina borrador de la canalización. En esta sección, volverá a crear el experimento clásico como un borrador de canalización.

1. Vaya a Estudio de Azure Machine Learning en ml.azure.com.

2. En el panel de navegación izquierdo, seleccione Diseñador>Módulos creados previamente fáciles de usar

3. Recompile manualmente el experimento con los componentes del diseñador.

   Consulte la tabla de asignación de módulos para localizar los módulos de reemplazo. Muchos de los módulos más populares de Studio (clásico) tienen versiones idénticas en el diseñador.

   Importante

   Si el experimento usa el módulo Execute R Script (Ejecutar script R), debe realizar pasos adicionales para migrar el experimento. Para obtener más información, consulte Migración de módulos Execute R Script (Ejecutar script R) en Studio (clásico).

4. Ajuste los parámetros.

   Seleccione cada módulo y ajuste los parámetros en el panel de configuración del módulo a la derecha. Use los parámetros para volver a crear la funcionalidad del experimento de Studio (clásico). Para más información sobre cada módulo, consulte la página de referencia de módulos.

Envío de un trabajo y comprobación de los resultados

Después de volver a crear el experimento de Studio (clásico), es el momento de enviar un trabajo de canalización.

El trabajo de canalización se ejecuta en un destino de proceso conectado al área de trabajo. Puede establecer un destino de proceso predeterminado para toda la canalización o bien puede especificar destinos de proceso por módulo.

Una vez que se envía un trabajo desde el borrador de canalización, se convierte en un trabajo de canalización. Cada trabajo de canalización se graba y se registra en Azure Machine Learning.

Para establecer un destino de proceso predeterminado para toda la canalización, siga estos pasos:

1. Seleccione el icono de engranaje junto al nombre de la canalización.
2. Elija Seleccione un destino de proceso.
3. Seleccione un proceso existente o bien cree un nuevo proceso siguiendo las instrucciones en pantalla.

Ahora que ya ha configurado el destino de proceso, puede enviar un trabajo de canalización:

1. En la parte superior del lienzo, seleccione Enviar.

2. Seleccione Crear nuevo para crear un nuevo experimento.

   Los experimentos organizan los trabajos de canalización similares juntos. Si ejecuta una canalización varias veces, puede seleccionar el mismo experimento para trabajos sucesivos. Esto resulta útil para el registro y el seguimiento.

3. Escriba un nombre para el experimento. Seleccione Enviar.

   El primer trabajo puede tardar hasta 20 minutos. Dado que la configuración del proceso predeterminada tiene un tamaño de nodo mínimo de 0, el diseñador debe asignar recursos después de estar inactivo. Los trabajos posteriores llevan menos tiempo, puesto que los nodos ya están asignados. Para acelerar el tiempo de ejecución, puede crear recursos de proceso con un tamaño mínimo de nodo de 1 o superior.

Una vez finalizado el trabajo, puede comprobar los resultados de cada módulo:

1. Haga clic con el botón derecho en el módulo cuya salida quiere ver.

2. Seleccione Visualizar, View Output (Ver salida) o Ver registro.

   • Visualizar: muestra una vista previa del conjunto de datos de resultado.
   • View Output (Ver salida): abre un vínculo a la ubicación de almacenamiento de salida. Use esta opción para explorar o descargar la salida.
   • Ver registro: permite ver los registros del controlador y el sistema. Use 70_driver_log para ver información relacionada con el script enviado por el usuario, como errores y excepciones.

Importante

Los componentes del diseñador usan paquetes de Python de código abierto para implementar algoritmos de aprendizaje automático. Sin embargo, Studio (clásico) usa una biblioteca interna de C# de Microsoft. Por lo tanto, el resultado de la predicción puede variar ligeramente entre el diseñador y Studio (clásico).

Guardar el modelo entrenado para usarlo en otra canalización

A veces es posible que quiera guardar el modelo entrenado en una canalización, y usarlo más adelante en otra canalización. En Studio (clásico), todos los modelos entrenados se guardan en la categoría "Modelos entrenados", en la lista de módulos. En el diseñador, los modelos entrenados se registran automáticamente como conjuntos de datos de archivos, con un nombre generado por el sistema. La convención de nomenclatura sigue el patrón "MD - nombre provisional de canalización - nombre de componente - Id. del modelo entrenado".

Para dar un nombre descriptivo a un modelo entrenado, puede registrar la salida del componente Train Model (Entrenar modelo) como un conjunto de datos de archivos. Póngale el nombre que quiera, por ejemplo linear-regression-model.

Puede encontrar el modelo entrenado en la categoría "Conjunto de datos" de la lista de componentes o buscarlo por nombre. Después, conecte el modelo entrenado a un componente Score Model (Puntuar modelo) y así podrá usarlo para la predicción.

Pasos siguientes

En este artículo, ha aprendido a recompilar un experimento de Studio (clásico) en Azure Machine Learning. El siguiente paso consiste en recompilar los servicios web en Azure Machine Learning.

Consulte los demás artículos de la serie de migración de Studio (clásico):

1. Información general sobre la migración.
2. Migración de un conjunto de datos de Studio a Azure Machine Learning.
3. Recompilación de una canalización de entrenamiento de Studio (clásico).
4. Recompilación de un servicio web de Studio (clásico).
5. Integración de un servicio web de Azure Machine Learning con aplicaciones cliente.
6. Migración de los módulos Execute R Script (Ejecutar script R) de Studio (Clásico).