Tutorial: Creación de un modelo de clasificación con aprendizaje automático automatizado en Azure Machine LearningTutorial: Create a classification model with automated ML in Azure Machine Learning

SE APLICA A: noBasic Edition síEnterprise Edition                       (Actualización a Enterprise Edition)APPLIES TO: noBasic edition yesEnterprise edition                       (Upgrade to Enterprise)

En este tutorial, aprenderá a crear un modelo de clasificación básico sin escribir ninguna línea de código mediante aprendizaje automático automatizado de Azure Machine Learning Studio.In this tutorial, you learn how to create a basic classification model without writing a single line of code using automated machine learning in the Azure Machine Learning studio. Este modelo de clasificación predice si un cliente suscribirá un depósito a plazo fijo con una institución financiera.This classification model predicts if a client will subscribe to a fixed term deposit with a financial institution.

Importante

La experiencia de aprendizaje automático automatizado de Azure Machine Learning Studio se encuentra en versión preliminar.The automated machine learning experience in the Azure Machine learning studio is in preview. Es posible que algunas características no se admitan o que tengan funcionalidades limitadas.Certain features may not be supported or have limited capabilities.

Con el aprendizaje automático, puede automatizar las tareas que requieren mucho tiempo.With automated machine learning, you can automate away time intensive tasks. El aprendizaje automático recorre en iteración rápidamente muchas combinaciones de algoritmos e hiperparámetros para ayudarle a encontrar el mejor modelo según una métrica de éxito de su elección.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.

Para ver un ejemplo de previsión de serie temporal, consulte Tutorial: Previsión de la demanda y aprendizaje automático automatizado.For a time-series forecasting example, see Tutorial: Demand forecasting & AutoML.

En este tutorial, aprenderá las siguientes tareas:In this tutorial, you learn how to do the following tasks:

  • Cree un área de trabajo de Azure Machine Learning.Create an Azure Machine Learning workspace.
  • Ejecución de un experimento de aprendizaje automático automatizado.Run an automated machine learning experiment.
  • Visualización de los detalles del experimento.View experiment details.
  • Se implementa el modelo.Deploy the model.

PrerrequisitosPrerequisites

  • Suscripción a Azure.An Azure subscription. Si no tiene una suscripción a Azure, cree una cuenta gratuita.If you don't have an Azure subscription, create a free account.

  • Descargue el archivo de datos bankmarketing_train.csv.Download the bankmarketing_train.csv data file. La columna y indica si un cliente se ha suscrito a un depósito a plazo fijo, que se identifica más adelante como la columna de destino para las predicciones de este tutorial.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.

Crear un área de trabajoCreate a workspace

Un área de trabajo de Azure Machine Learning es un recurso básico de la nube que se usa para experimentar, entrenar e implementar modelos de aprendizaje automático.An Azure Machine Learning workspace is a foundational resource in the cloud that you use to experiment, train, and deploy machine learning models. Vincula la suscripción y el grupo de recursos de Azure con un objeto fácilmente consumido del servicio.It ties your Azure subscription and resource group to an easily consumed object in the service.

Cree un área de trabajo de Enterprise Edition mediante Azure Portal, una consola basada en web para la administración de recursos de Azure.Create an Enterprise edition workspace via the Azure portal, a web-based console for managing your Azure resources.

  1. Inicie sesión en Azure Portal con las credenciales de la suscripción de Azure.Sign in to the Azure portal by using the credentials for your Azure subscription.

  2. En la esquina superior izquierda de Azure Portal, seleccione + Crear un recurso.In the upper-left corner of the Azure portal, select + Create a resource.

    Crear un nuevo recurso

  3. Use la barra de búsqueda para encontrar Machine Learning.Use the search bar to find Machine Learning.

  4. Seleccione Machine Learning.Select Machine Learning.

  5. En el panel Machine Learning, seleccione Crear para comenzar.In the Machine Learning pane, select Create to begin.

  6. Especifique la siguiente información para configurar la nueva área de trabajo:Provide the following information to configure your new workspace:

    CampoField DescripciónDescription
    Nombre del área de trabajoWorkspace name Escriba un nombre único que identifique el área de trabajo.Enter a unique name that identifies your workspace. En este ejemplo, se usa docs-ws.In this example, we use docs-ws. Los nombres deben ser únicos en el grupo de recursos.Names must be unique across the resource group. Utilice un nombre que sea fácil de recordar y que se diferencie del de las áreas de trabajo creadas por otros.Use a name that's easy to recall and to differentiate from workspaces created by others.
    SubscriptionSubscription Seleccione la suscripción de Azure que quiera usar.Select the Azure subscription that you want to use.
    Resource groupResource group Use un grupo de recursos existente en su suscripción o escriba un nombre para crear un nuevo grupo de recursos.Use an existing resource group in your subscription, or enter a name to create a new resource group. Un grupo de recursos almacena los recursos relacionados con una solución de Azure.A resource group holds related resources for an Azure solution. En este ejemplo, se usa docs-aml.In this example, we use docs-aml.
    LocationLocation Seleccione la ubicación más cercana a los usuarios y los recursos de datos para crear el área de trabajo.Select the location closest to your users and the data resources to create your workspace.
    Edición del área de trabajoWorkspace edition Seleccione Enterprise.Select Enterprise. Este tutorial requiere el uso de la edición Enterprise.This tutorial requires the use of the Enterprise edition. La edición Enterprise está en versión preliminar y actualmente no supone ningún costo adicional.The Enterprise edition is in preview and doesn't currently add any extra costs.
  7. Cuando haya terminado de configurar el área de trabajo, seleccione Crear.After you're finished configuring the workspace, select Create.

    Advertencia

    La creación del área de trabajo en la nube puede tardar varios minutos.It can take several minutes to create your workspace in the cloud.

    Cuando finalice el proceso, aparecerá un mensaje de implementación correcta.When the process is finished, a deployment success message appears.

  8. Para ver la nueva área de trabajo, seleccione Ir al recurso.To view the new workspace, select Go to resource.

Importante

Tome nota del área de trabajo y de la suscripción.Take note of your workspace and subscription. Los necesitará para asegurarse de que crea el experimento en el lugar correcto.You'll need these to ensure you create your experiment in the right place.

Introducción a Azure Machine Learning StudioGet started in Azure Machine Learning studio

Lleve a cabo los siguientes pasos de configuración y ejecución del experimento a través de Azure Machine Learning Studio en https://ml.azure.com, una interfaz web consolidada que incluye herramientas de aprendizaje automático para llevar a la práctica escenarios de ciencia de datos para los profesionales de ciencia de datos de todos los niveles de conocimiento.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. Studio no se admite en los exploradores Internet Explorer.The studio is not supported on Internet Explorer browsers.

  1. Inicie sesión en Azure Machine Learning Studio.Sign in to Azure Machine Learning studio.

  2. Seleccione la suscripción y el área de trabajo que ha creado.Select your subscription and the workspace you created.

  3. Seleccione Comenzar.Select Get started.

  4. Seleccione ML automatizado en la sección Autor en el panel de la izquierda.In the left pane, select Automated ML under the Author section.

    Como es su primer experimento de aprendizaje automático automatizado, verá una lista vacía y vínculos a la documentación.Since this is your first automated ML experiment, you'll see an empty list and links to documentation.

    Página de introducción

  5. Seleccione +New automated ML run (+Nueva ejecución de ML automatizado).Select +New automated ML run.

Creación y carga de un conjunto de datosCreate and load dataset

Antes de configurar el experimento, cargue el archivo de datos en el área de trabajo en forma de conjunto de datos de Azure Machine Learning.Before you configure your experiment, upload your data file to your workspace in the form of an Azure Machine Learning dataset. Así podrá asegurarse de que los datos tienen el formato adecuado para el experimento.Doing so, allows you to ensure that your data is formatted appropriately for your experiment.

  1. Cree un nuevo conjunto de datos; para ello, seleccione From local files (Desde archivos locales) en la lista desplegable + Create dataset (+ Crear conjunto de datos).Create a new dataset by selecting From local files from the +Create dataset drop-down.

    1. En el formulario Basic info (Información básica), asígnele un nombre al conjunto de datos y, si lo desea, incluya una descripción.On the Basic info form, give your dataset a name and provide an optional description. Actualmente, la interfaz de aprendizaje automático automatizado solo admite TabularDatasets, por lo que el valor predeterminado del tipo de conjunto de datos es Tabular.The automated ML interface currently only supports TabularDatasets, so the dataset type should default to Tabular.

    2. Seleccione Next (Siguiente) en la parte inferior izquierda.Select Next on the bottom left

    3. En el formulario Datastore and file selection (Selección del archivo y el almacén de datos), seleccione el almacén de archivos predeterminado que se configuró automáticamente durante la creación del área de trabajo, 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). Aquí es donde se cargará el archivo de datos para que esté disponible en el área de trabajo.This is where you'll upload your data file to make it available to your workspace.

    4. Haga clic en Examinar.Select Browse.

    5. Seleccione el archivo bankmarketing_train.csv en el equipo local.Choose the bankmarketing_train.csv file on your local computer. Este es el archivo que descargó como requisito previo.This is the file you downloaded as a prerequisite.

    6. Asigne un nombre único al conjunto de datos y proporcione una descripción opcional.Give your dataset a unique name and provide an optional description.

    7. Seleccione Next (Siguiente) en la parte inferior izquierda para cargarlo en el contenedor predeterminado que se configuró automáticamente durante la creación del área de trabajo.Select Next on the bottom left, to upload it to the default container that was automatically set up during your workspace creation.

      Una vez completada la carga, el formulario de configuración y vista previa se rellena de forma inteligente en función del tipo de archivo.When the upload is complete, the Settings and preview form is pre-populated based on the file type.

    8. Compruebe que el formulario Settings y Preview (Configuración y vista previa) se rellenan como se indica a continuación y seleccione Next (Siguiente).Verify that the Settings and preview form is populated as follows and select Next.

      CampoField DescripciónDescription Valor para el tutorialValue for tutorial
      Formato de archivoFile format Define el diseño y el tipo de datos almacenados en un archivo.Defines the layout and type of data stored in a file. DelimitadoDelimited
      DelimitadorDelimiter Uno o más caracteres para especificar el límite entre  regiones independientes en texto sin formato u otros flujos de datos.One or more characters for specifying the boundary between  separate, independent regions in plain text or other data streams. ComaComma
      EncodingEncoding Identifica qué tabla de esquema de bit a carácter se va a usar para leer el conjunto de elementos.Identifies what bit to character schema table to use to read your dataset. UTF-8UTF-8
      Encabezados de columnaColumn headers Indica cómo se tratarán los encabezados del conjunto de datos, si existen.Indicates how the headers of the dataset, if any, will be treated. Todos los archivos tienen los mismos encabezadosAll files have same headers
      Omitir filasSkip rows Indica el número de filas, si hay alguna, que se omiten en el conjunto de datos.Indicates how many, if any, rows are skipped in the dataset. NoneNone
    9. El formulario Scheme (Esquema) permite una configuración adicional de los datos para este experimento.The Schema form allows for further configuration of your data for this experiment. En este ejemplo, seleccione el modificador de alternancia de la característica day_of_week, de modo que no se incluya para este experimento.For this example, select the toggle switch for the day_of_week feature, so as to not include it for this experiment. Seleccione Next (Siguiente).Select Next.

      Configuración de la pestaña Preview (Versión preliminar)

    10. En el formulario Confirm details (Confirmar detalles), compruebe que la información coincide con lo rellenado anteriormente en los formularios Basic info (Información básica), Datastore and file selection (Selección del archivo y el almacén de datos) y Settings and preview (Configuración y vista previa).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. Seleccione Create (Crear) para completar la creación del conjunto de datos.Select Create to complete the creation of your dataset.

    12. Seleccione el conjunto de datos cuando aparezca en la lista.Select your dataset once it appears in the list.

    13. Revise Data preview (Vista previa de los datos) para asegurarse de que no incluyó day_of_week y seleccione OK (Aceptar).Review the Data preview to ensure you didn't include day_of_week then, select OK.

    14. Seleccione Siguiente.Select Next.

Configuración de la ejecución de un experimentoConfigure experiment run

Una vez cargados y configurados los datos, puede configurar el experimento.After you load and configure your data, you can set up your experiment. Este programa de instalación incluye tareas de diseño de experimentos, como la selección del tamaño del entorno de proceso y la especificación de la columna que se quiere predecir.This setup includes experiment design tasks such as, selecting the size of your compute environment and specifying what column you want to predict.

  1. Rellene el formulario Configure Run (Configurar ejecución) como se indica a continuación:Populate the Configure Run form as follows:

    1. Escriba el nombre del experimento: my-1st-automl-experiment.Enter this experiment name: my-1st-automl-experiment

    2. Seleccione y como la columna de destino en la que desea realizar las predicciones.Select y as the target column, what you want to predict. Esta columna indica si el cliente se suscribió a un depósito a plazo o no.This column indicates whether the client subscribed to a term deposit or not.

    3. Seleccione Create a new compute (Crear un proceso) y configure el destino de proceso.Select Create a new compute and configure your compute target. Un destino de proceso es un entorno de recursos locales o en la nube que se usa para ejecutar el script de entrenamiento o para hospedar la implementación de un servicio.A compute target is a local or cloud-based resource environment used to run your training script or host your service deployment. En este experimento se usa un proceso en la nube.For this experiment, we use a cloud-based compute.

      CampoField DescripciónDescription Valor para el tutorialValue for tutorial
      Nombre del procesoCompute name Un nombre único que identifique el contexto del proceso.A unique name that identifies your compute context. automl-computeautoml-compute
      Tipo de máquina virtualVirtual machine type Seleccione el tipo de máquina virtual del proceso.Select the virtual machine type for your compute. CPU (Unidad central de procesamiento)CPU (Central Processing Unit)
      Tamaño de la máquina virtualVirtual machine size Seleccione el tamaño de la máquina virtual para el proceso.Select the virtual machine size for your compute. Standard_DS12_V2Standard_DS12_V2
      Nodos mín./máx.Min / Max nodes Para generar perfiles de datos, debe especificar uno o más nodos.To profile data, you must specify 1 or more nodes. Número mínimo de nodos: 1Min nodes: 1
      Número máximo de nodos: 6Max nodes: 6
      Segundos de inactividad antes de la reducción verticalIdle seconds before scale down Tiempo de inactividad antes de que el clúster se escale automáticamente hasta el número mínimo de nodos.Idle time before the cluster is automatically scaled down to the minimum node count. 120 (valor predeterminado)120 (default)
      Configuración avanzadaAdvanced settings Valores para configurar y autorizar una red virtual para el experimento.Settings to configure and authorize a virtual network for your experiment. NoneNone
      1. Seleccione Create (Crear) para obtener el destino de proceso.Select Create to get the compute target.

        Tarda unos minutos en completarse.This takes a couple minutes to complete.

      2. Después de la creación, seleccione el nuevo destino de proceso en la lista desplegable.After creation, select your new compute target from the drop-down list.

    4. Seleccione Next (Siguiente).Select Next.

  2. En el formulario Task type and settings (Configuración y tipo de tarea), realice la configuración del experimento de aprendizaje automático automatizado especificando el tipo de tarea de aprendizaje automático y los valores de configuración.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. Seleccione Classification (Clasificación) como tipo de tarea de aprendizaje automático.Select Classification as the machine learning task type.

    2. Seleccione View additional configuration settings (Ver opciones de configuración adicionales) y rellene los campos como se indica a continuación.Select View additional configuration settings and populate the fields as follows. Esta configuración es para controlar mejor el trabajo de entrenamiento.These settings are to better control the training job. De lo contrario, los valores predeterminados se aplican en función de la selección y los datos del experimento.Otherwise, defaults are applied based on experiment selection and data.

      Configuraciones adicionalesAdditional configurations DescripciónDescription Valor para tutorialValue for tutorial
      Métrica principalPrimary metric Métrica de evaluación por la que se medirá el algoritmo de aprendizaje automático.Evaluation metric that the machine learning algorithm will be measured by. AUC_weightedAUC_weighted
      Explicación del mejor modeloExplain best model Muestra automáticamente la posible explicación relativa al mejor modelo creado mediante ML automatizado.Automatically shows explainability on the best model created by automated ML. HabilitarEnable
      Algoritmos bloqueadosBlocked algorithms Algoritmos que desea excluir del trabajo de entrenamiento.Algorithms you want to exclude from the training job NoneNone
      Criterios de exclusiónExit criterion Si se cumplen los criterios, se detiene el trabajo de entrenamiento.If a criteria is met, the training job is stopped. Tiempo del trabajo de entrenamiento (en horas): 1Training job time (hours): 1
      Umbral de puntuación de métrica: NoneMetric score threshold: None
      ValidaciónValidation Elija un tipo de validación cruzada y un número de pruebas.Choose a cross-validation type and number of tests. Tipo de validación:Validation type:
      validación cruzada de k iteraciones  k-fold cross-validation

      Número de validaciones: 2Number of validations: 2
      SimultaneidadConcurrency Número máximo de iteraciones paralelas ejecutadas por iteraciónThe maximum number of parallel iterations executed per iteration Máximo de iteraciones simultáneas : 5Max concurrent iterations: 5

      Seleccione Guardar.Select Save.

  3. Para ejecutar el experimento, seleccione Finalizar.Select Finish to run the experiment. La pantalla Run Details (Detalles de ejecución) se abrirá con Run status (Estado de ejecución) al comenzar la preparación del experimento.The Run Detail screen opens with the Run status at the top as the experiment preparation begins.

Importante

La preparación necesita de 10 a 15 minutos en preparar la ejecución del experimento.Preparation takes 10-15 minutes to prepare the experiment run. Una vez que se ejecuta, se tarda de 2 a 3 minutos más para cada iteración.Once running, it takes 2-3 minutes more for each iteration.
Seleccione Refresh (Actualizar) periódicamente para ver el estado de la ejecución a medida que progresa el experimento.Select Refresh periodically to see the status of the run as the experiment progresses.

En producción, probablemente puede descansar un poco.In production, you'd likely walk away for a bit. Pero para este tutorial se recomienda empezar por explorar los algoritmos probados de la pestaña Models (Modelos) que se completan mientras los demás siguen en ejecución.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.

Exploración de modelosExplore models

Vaya a la pestaña Models (Modelos) para ver los algoritmos (modelos) probados.Navigate to the Models tab to see the algorithms (models) tested. De forma predeterminada, los modelos se ordenan por puntuación de las métricas a medida que se completan.By default, the models are ordered by metric score as they complete. De manera predeterminada, el modelo con la mayor puntuación según la métrica AUC_weighted elegida aparece en la parte superior de la lista.For this tutorial, the model that scores the highest based on the chosen AUC_weighted metric is at the top of the list.

Mientras espera a que terminen todos los modelos del experimento, seleccione Algorithm name (Nombre de algoritmo) de un modelo completado para explorar los detalles de rendimiento.While you wait for all of the experiment models to finish, select the Algorithm name of a completed model to explore its performance details.

A continuación, se desplazará a las pestañas Details (Detalles) y Metrics (Métricas) para ver las propiedades, las métricas y los gráficos de rendimiento del modelo seleccionado.The following navigates through the Details and the Metrics tabs to view the selected model's properties, metrics, and performance charts.

Detalles de la ejecución de iteración

Implementación del mejor modeloDeploy the best model

La interfaz del aprendizaje automático automatizado permite implementar el mejor modelo como un servicio web en pocos pasos.The automated machine learning interface allows you to deploy the best model as a web service in a few steps. La implementación es la integración del modelo para que pueda predecir datos nuevos e identificar posibles áreas de oportunidad.Deployment is the integration of the model so it can predict on new data and identify potential areas of opportunity.

En este experimento, la implementación em un servicio web significa que la institución financiera tiene ahora una solución web iterativa y escalable para identificar posibles clientes de depósitos a plazo fijo.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.

Compruebe si la ejecución del experimento ha finalizado.Check to see if your experiment run is complete. Para ello, seleccione Run 1 (Ejecución 1) en la parte superior de la pantalla para volver a la página de ejecución primaria.To do so, navigate back to the parent run page by selecting Run 1 at the top of your screen. Se muestra un estado Completed (Completado) en la esquina superior izquierda de la pantalla.A Completed status is shown on the top left of the screen.

Una vez completada la ejecución del experimento, la página Details (Detalles) se rellena con una sección Best model summary (Mejor resumen del modelo).Once the experiment run is complete, the Details page is populated with a Best model summary section. En el contexto de este experimento, VotingEnsemble se considera el mejor modelo, según la métrica AUC_weighted.In this experiment context, VotingEnsemble is considered the best model, based on the AUC_weighted metric.

Se implementa este modelo, pero se recomienda que la implementación tarda unos 20 minutos en completarse.We deploy this model, but be advised, deployment takes about 20 minutes to complete. El proceso de implementación conlleva varios pasos, como el registro del modelo, la generación de recursos y su configuración para el servicio web.The deployment process entails several steps including registering the model, generating resources, and configuring them for the web service.

  1. Seleccione VotingEnsemble para abrir la página específica del modelo.Select VotingEnsemble to open the model-specific page.

  2. Seleccione el botón Deploy (Implementar) en la parte superior izquierda.Select the Deploy button in the top-left.

  3. Rellene el panel Deploy Model (Implementar modelo) como se indica a continuación:Populate the Deploy a model pane as follows:

    CampoField ValueValue
    Nombre de implementaciónDeployment name my-automl-deploymy-automl-deploy
    Descripción de implementaciónDeployment description Implementación de mi primer experimento de aprendizaje automático automatizadoMy first automated machine learning experiment deployment
    Compute type (Tipo de proceso)Compute type Seleccione Azure Compute Instance (ACI) (Instancia de proceso de Azure [ACI])Select Azure Compute Instance (ACI)
    Enable authentication (Habilitar autenticación)Enable authentication Deshabilitar.Disable.
    Use custom deployments (Usar implementaciones personalizadas)Use custom deployments Deshabilitar.Disable. Permite que se generen automáticamente el archivo de controlador predeterminado (script de puntuación) y el archivo de entorno.Allows for the default driver file (scoring script) and environment file to be autogenerated.

    En este ejemplo, usamos los valores predeterminados que se proporcionan en el menú Advanced (Avanzada).For this example, we use the defaults provided in the Advanced menu.

  4. Seleccione Implementar.Select Deploy.

    En la parte superior de la pantalla Run (Ejecutar) aparece un mensaje verde que indica que la operación se ha realizado correctamente y, en el panel Model summary (Resumen de modelo), aparece un mensaje de estado bajo Deploy status (Estado de implementación).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. Seleccione Refresh (Actualizar) periódicamente para comprobar el estado de la implementación.Select Refresh periodically to check the deployment status.

Ya tiene un servicio web operativo para generar predicciones.Now you have an operational web service to generate predictions.

Continúe con Pasos siguientes para aprender a consumir el nuevo servicio web y probar las predicciones con la compatibilidad con Azure Machine Learning incorporada en 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.

Limpieza de recursosClean up resources

Los archivos de implementación son mayores que los archivos de datos y del experimento, por lo que cuesta más almacenarlos.Deployment files are larger than data and experiment files, so they cost more to store. Elimine solo los archivos de implementación para minimizar costos en su cuenta y si desea conservar el área de trabajo y los archivos del experimento.Delete only the deployment files to minimize costs to your account, or if you want to keep your workspace and experiment files. Elimine todo el grupo de recursos completo si no planea usar ninguno de los archivos.Otherwise, delete the entire resource group, if you don't plan to use any of the files.

Eliminación de la instancia de implementaciónDelete the deployment instance

Elimine solo la instancia de implementación de Azure Machine Learning de //ml.azure.com/ si desea mantener el área de trabajo y el grupo de recursos para otros tutoriales y para su exploración.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. Vaya a Azure Machine Learning.Go to Azure Machine Learning. Vaya al área de trabajo y, a la izquierda, en el panel Assets (Recursos), seleccione Endpoints (Puntos de conexión).Navigate to your workspace and on the left under the Assets pane, select Endpoints.

  2. Seleccione la implementación que desea eliminar y seleccione Eliminar.Select the deployment you want to delete and select Delete.

  3. Seleccione Continuar.Select Proceed.

Eliminar el grupo de recursosDelete the resource group

Importante

Los recursos que creó pueden usarse como requisitos previos para otros tutoriales y artículos de procedimientos de Azure Machine Learning.The resources you created can be used as prerequisites to other Azure Machine Learning tutorials and how-to articles.

Si no va a usar los recursos creados, elimínelos para no incurrir en cargos:If you don't plan to use the resources you created, delete them, so you don't incur any charges:

  1. En Azure Portal, seleccione Grupos de recursos a la izquierda del todo.In the Azure portal, select Resource groups on the far left.

    Eliminación en Azure PortalDelete in the Azure portal

  2. En la lista, seleccione el grupo de recursos que creó.From the list, select the resource group you created.

  3. Seleccione Eliminar grupo de recursos.Select Delete resource group.

  4. Escriba el nombre del grupo de recursos.Enter the resource group name. A continuación, seleccione Eliminar.Then select Delete.

Pasos siguientesNext steps

En este tutorial ha usado la interfaz de aprendizaje automático automatizado de Azure Machine Learning para crear e implementar un modelo de clasificación.In this automated machine learning tutorial, you used Azure Machine Learning's automated ML interface to create and deploy a classification model. Para más información y ver los pasos siguientes, consulte estos artículos:See these articles for more information and next steps:

Nota

Este conjunto de conjuntos de marketing bancario está disponible bajo licencia de Creative Commons (CCO: dominio público).This Bank Marketing dataset is made available under the Creative Commons (CCO: Public Domain) License. Todos los derechos de los contenidos individuales de la base de datos tienen la licencia Database Contents License y están disponibles en Kaggle.Any rights in individual contents of the database are licensed under the Database Contents License and available on Kaggle. Este conjunto de datos estaba disponible originalmente en la base de datos de aprendizaje automático de UCI.This dataset was originally available within the UCI Machine Learning Database.

[Moro et al., 2014] S. Moro, P. Cortez y P. Rita.[Moro et al., 2014] S. Moro, P. Cortez and P. Rita. A Data-Driven Approach to Predict the Success of Bank Telemarketing.A Data-Driven Approach to Predict the Success of Bank Telemarketing. Decision Support Systems, Elsevier, 62:22-31, June 2014.Decision Support Systems, Elsevier, 62:22-31, June 2014.