Tutoriel : Prédire le prix de voitures avec le concepteurTutorial: Predict automobile price with the designer

Dans ce tutoriel en deux parties, vous découvrez comment utiliser le concepteur d’Azure Machine Learning pour entraîner et déployer un modèle Machine Learning qui prédit le prix des voitures.In this two-part tutorial, you learn how to use the Azure Machine Learning designer to train and deploy a machine learning model that predicts the price of any car. Le concepteur est un outil de type glisser-déposer avec lequel vous créez des modèles Machine Learning sans écrire une seule ligne de code.The designer is a drag-and-drop tool that lets you create machine learning models without a single line of code.

Dans la première partie du tutoriel, vous allez apprendre à :In part one of the tutorial, you'll learn how to:

  • Créer un pipelineCreate a new pipeline.
  • Importer des donnéesImport data.
  • Préparer les donnéesPrepare data.
  • Entraîner un modèle Machine LearningTrain a machine learning model.
  • Évaluer un modèle Machine LearningEvaluate a machine learning model.

Dans la deuxième partie du tutoriel, vous allez déployer votre modèle en tant que point de terminaison d’inférence en temps réel pour prédire le prix de n’importe quel véhicule en fonction des caractéristiques techniques que vous lui envoyez.In part two of the tutorial, you'll deploy your model as a real-time inferencing endpoint to predict the price of any car based on technical specifications you send it.

Notes

Une version complète de ce tutoriel est disponible en tant qu’exemple de pipeline.A completed version of this tutorial is available as a sample pipeline.

Pour le trouver, accédez au concepteur dans votre espace de travail.To find it, go to the designer in your workspace. Dans la section Nouveau pipeline, sélectionnez Exemple 1 - Régression : Prédiction du prix de véhicules automobiles (de base) .In the New pipeline section, select Sample 1 - Regression: Automobile Price Prediction(Basic).

Important

Si vous ne voyez pas les éléments graphiques mentionnés dans ce document, tels que les boutons dans Studio ou le concepteur, vous ne disposez peut-être pas du niveau d’autorisations approprié pour l’espace de travail.If you do not see graphical elements mentioned in this document, such as buttons in studio or designer, you may not have the right level of permissions to the workspace. Contactez votre administrateur d’abonnement Azure pour vérifier que le niveau d’accès est correct.Please contact your Azure subscription administrator to verify that you have been granted the correct level of access. Pour plus d’informations, consultez Gérer les utilisateurs et les rôles.For more information, see Manage users and roles.

Créer un pipelineCreate a new pipeline

Les pipelines Azure Machine Learning organisent plusieurs étapes de machine learning et de traitement de données en une même ressource.Azure Machine Learning pipelines organize multiple machine learning and data processing steps into a single resource. Les pipelines vous permettent d’organiser, de gérer et de réutiliser des workflows de Machine Learning complexes entre des projets et des utilisateurs.Pipelines let you organize, manage, and reuse complex machine learning workflows across projects and users.

Pour créer un pipeline Azure Machine Learning, vous devez disposer d’un espace de travail Azure Machine Learning.To create an Azure Machine Learning pipeline, you need an Azure Machine Learning workspace. Dans cette section, vous découvrez comment créer ces deux ressources.In this section, you learn how to create both these resources.

Créer un espace de travailCreate a new workspace

Vous devez avoir un espace de travail Azure Machine Learning pour utiliser le concepteur.You need an Azure Machine Learning workspace to use the designer. L’espace de travail est la ressource de niveau supérieur pour Azure Machine Learning. Il fournit un emplacement centralisé où vous interagissez avec tous les artefacts que vous créez dans Azure Machine Learning.The workspace is the top-level resource for Azure Machine Learning, it provides a centralized place to work with all the artifacts you create in Azure Machine Learning. Pour savoir comment créer un espace de travail, consultez Créer et gérer les espaces de travail Azure Machine Learning.For instruction on creating a workspace, see Create and manage Azure Machine Learning workspaces.

Notes

Si votre espace de travail utilise un réseau virtuel, vous devez effectuer des étapes de configuration supplémentaires pour utiliser le concepteur.If your workspace uses a Virtual network, there are additional configuration steps you must use to use the designer. Pour plus d’informations, consultez Utiliser le studio Azure Machine Learning dans un réseau virtuel AzureFor more information, see Use Azure Machine Learning studio in an Azure virtual network

Créer le pipelineCreate the pipeline

  1. Connectez-vous à ml.azure.com, puis sélectionnez l’espace de travail à utiliser.Sign in to ml.azure.com, and select the workspace you want to work with.

  2. Sélectionnez Concepteur.Select Designer.

    Capture d’écran de l’espace de travail visuel montrant comment accéder au concepteur

  3. Sélectionnez Modules prédéfinis faciles à utiliser.Select Easy-to-use prebuilt modules.

  4. En haut du canevas, sélectionnez le nom de pipeline par défaut Pipeline-Created-on.At the top of the canvas, select the default pipeline name Pipeline-Created-on. Renommez-le Automobile price prediction.Rename it to Automobile price prediction. Le nom n’a pas besoin d’être unique.The name doesn't need to be unique.

Définir la cible de calcul par défautSet the default compute target

Un pipeline s’exécute sur une cible de calcul, qui est une ressource de calcul attachée à votre espace de travail.A pipeline runs on a compute target, which is a compute resource that's attached to your workspace. Une fois que vous avez créé une cible de calcul, vous pouvez la réutiliser pour d’autres exécutions ultérieures.After you create a compute target, you can reuse it for future runs.

Vous pouvez définir une cible de calcul par défaut pour le pipeline entier si vous souhaitez que tous les modules utilisent la même cible de calcul par défaut.You can set a Default compute target for the entire pipeline, which will tell every module to use the same compute target by default. Toutefois, vous pouvez définir des cibles de calcul différentes selon les modules.However, you can specify compute targets on a per-module basis.

  1. À côté du nom du pipeline, sélectionnez l’icône d’engrenage Capture d’écran de l’icône d’engrenage en haut du canevas pour ouvrir le volet Paramètres.Next to the pipeline name, select the Gear icon Screenshot of the gear icon at the top of the canvas to open the Settings pane.

  2. Dans le volet Paramètres à droite du canevas, sélectionnez Sélectionner une cible de calcul.In the Settings pane to the right of the canvas, select Select compute target.

    Si vous avez déjà une cible de calcul, vous pouvez la sélectionner pour exécuter ce pipeline.If you already have an available compute target, you can select it to run this pipeline.

    Notes

    Le concepteur peut uniquement exécuter des expérimentations d’entraînement sur des instances de calcul Azure Machine Learning. Les autres cibles de calcul n’apparaîtront pas.The designer can only run training experiments on Azure Machine Learning Compute but other compute targets won't be shown.

  3. Entrez un nom pour la ressource de calcul.Enter a name for the compute resource.

  4. Sélectionnez Enregistrer.Select Save.

    Notes

    La création d’une ressource de calcul prend environ cinq minutes.It takes approximately five minutes to create a compute resource. Une fois que la ressource a été créée, vous pouvez la réutiliser pour les exécutions ultérieures, ce qui vous évite ce temps d’attente.After the resource is created, you can reuse it and skip this wait time for future runs.

    Afin de réduire vos coûts, la ressource de calcul est automatiquement mise à l’échelle à zéro nœud quand elle est inactive.The compute resource autoscales to zero nodes when it's idle to save cost. Quand vous la réutilisez après un temps d’inactivité, vous pourriez encore avoir à attendre environ cinq minutes pendant le scale-up de la ressource de calcul.When you use it again after a delay, you might experience approximately five minutes of wait time while it scales back up.

Importer des donnéesImport data

Un certain nombre d’exemples de jeux de données que vous pouvez expérimenter sont inclus dans le concepteur.There are several sample datasets included in the designer for you to experiment with. Pour les besoins de ce tutoriel, vous allez utiliser Automobile price data (Raw) (Données sur le prix des véhicules automobiles [brutes]).For this tutorial, use Automobile price data (Raw).

  1. Sur la gauche du canevas de pipeline se trouve une palette de jeux de données et de modules.To the left of the pipeline canvas is a palette of datasets and modules. Sélectionnez Exemples de jeux de données pour voir les exemples de jeux de données disponibles.Select Sample datasets to view the available sample datasets.

  2. Sélectionnez le jeu de données Automobile price data (raw) (Données sur le prix des automobiles (brut)), puis faites-le glisser vers le canevas.Select the dataset Automobile price data (Raw), and drag it onto the canvas.

    Faites glisser les données jusqu’au canevas

Visualiser les donnéesVisualize the data

Vous pouvez visualiser les données pour comprendre le jeu de données que vous allez utiliser.You can visualize the data to understand the dataset that you'll use.

  1. Cliquez avec le bouton droit sur Données sur le prix des véhicules automobiles (brutes) , puis sélectionnez Visualiser > Sortie de jeu de données.Right-click the Automobile price data (Raw) and select Visualize > Dataset output.

  2. Cliquez sur différentes colonnes dans la fenêtre de données pour visualiser des informations les concernant.Select the different columns in the data window to view information about each one.

    Chaque ligne représente un véhicule automobile et chaque colonne représente une variable associée au véhicule automobile.Each row represents an automobile, and the variables associated with each automobile appear as columns. Ce jeu de données contient 205 lignes et 26 colonnes.There are 205 rows and 26 columns in this dataset.

Préparer les donnéesPrepare data

Les jeux de données nécessitent généralement un prétraitement avant l’analyse.Datasets typically require some preprocessing before analysis. Vous avez peut-être remarqué qu’il manquait des valeurs durant l’inspection du jeu de données.You might have noticed some missing values when you inspected the dataset. Ces valeurs manquantes doivent être nettoyées pour que le modèle puisse analyser les données correctement.These missing values must be cleaned so that the model can analyze the data correctly.

Supprimer une colonneRemove a column

Quand vous entraînez un modèle, vous devez traiter le problème des données manquantes.When you train a model, you have to do something about the data that's missing. Dans ce jeu de données, la colonne normalized-losses (pertes normalisées) a de nombreuses valeurs manquantes : vous allez donc l’exclure du modèle.In this dataset, the normalized-losses column is missing many values, so you will exclude that column from the model altogether.

  1. Dans la palette des modules à gauche du canevas, développez la section Data Transformation (Transformation des données) et recherchez le module Select Columns in Dataset (Sélectionner les colonnes dans le jeu de données).In the module palette to the left of the canvas, expand the Data Transformation section and find the Select Columns in Dataset module.

  2. Faites glisser le module Select Columns in Dataset vers le canevas.Drag the Select Columns in Dataset module onto the canvas. Déposez-le sous le module de jeu de données.Drop the module below the dataset module.

  3. Connectez le jeu de données Automobile price data (Raw) (Données sur le prix des automobiles (brut)) au module Select Columns in Dataset.Connect the Automobile price data (Raw) dataset to the Select Columns in Dataset module. Faites-le glisser depuis le port de sortie du jeu de données, qui est le petit cercle situé en bas du jeu de données sur le canevas, jusqu’au port d’entrée de Select Columns in Dataset, qui est le petit cercle en haut du module.Drag from the dataset's output port, which is the small circle at the bottom of the dataset on the canvas, to the input port of Select Columns in Dataset, which is the small circle at the top of the module.

    Conseil

    Vous créez un flux de données à travers votre pipeline quand vous connectez le port de sortie d’un module au port d’entrée d’un autre module.You create a flow of data through your pipeline when you connect the output port of one module to an input port of another.

    Connecter des modules

  4. Sélectionnez le module Select Columns in Dataset.Select the Select Columns in Dataset module.

  5. Dans le volet d’informations du module à droite du canevas, sélectionnez Edit column (Modifier une colonne).In the module details pane to the right of the canvas, select Edit column.

  6. Développez la liste déroulante Column names (Noms des colonnes) à côté de Include (Inclure), puis sélectionnez All columns (Toutes les colonnes).Expand the Column names drop down next to Include, and select All columns.

  7. Sélectionnez le signe + pour ajouter une règle.Select the + to add a new rule.

  8. Dans les menus déroulants, sélectionnez Exclude (Exclure) et Column names (Noms des colonnes).From the drop-down menus, select Exclude and Column names.

  9. Entrez normalized-losses (pertes normalisées) dans la zone de texte.Enter normalized-losses in the text box.

  10. En bas à droite, sélectionnez Enregistrer pour fermer le sélecteur de colonne.In the lower right, select Save to close the column selector.

    Exclure une colonne

  11. Sélectionnez le module Select Columns in Dataset.Select the Select Columns in Dataset module.

  12. Dans le volet d’informations du module à droite du canevas, sélectionnez la zone de texte Comment (Commentaire) et entrez Exclure les pertes normalisées.In the module details pane to the right of the canvas, select the Comment text box and enter Exclude normalized losses.

    Les commentaires sont affichés sur le graphe pour vous aider à organiser votre pipeline.Comments will appear on the graph to help you organize your pipeline.

Nettoyage des données manquantesClean missing data

Il manque encore des valeurs dans votre jeu de données après la suppression de la colonne normalized-losses.Your dataset still has missing values after you remove the normalized-losses column. Vous pouvez supprimer les données manquantes restantes à l’aide du module Clean Missing Data (Nettoyer les données manquantes).You can remove the remaining missing data by using the Clean Missing Data module.

Conseil

Le nettoyage des valeurs manquantes dans les données d’entrée est un prérequis pour l’utilisation de la plupart des modules dans le concepteur.Cleaning the missing values from input data is a prerequisite for using most of the modules in the designer.

  1. Dans la palette des modules à gauche du canevas, développez la section Data Transformation (Transformation des données) et recherchez le module Clean Missing Data.In the module palette to the left of the canvas, expand the section Data Transformation, and find the Clean Missing Data module.

  2. Faites glisser le module Clean Missing Data vers le canevas du pipeline.Drag the Clean Missing Data module to the pipeline canvas. Connectez-le au module Select Columns in Dataset.Connect it to the Select Columns in Dataset module.

  3. Sélectionnez le module Clean Missing Data.Select the Clean Missing Data module.

  4. Dans le volet d’informations du module à droite du canevas, sélectionnez Edit Column (Modifier une colonne).In the module details pane to the right of the canvas, select Edit Column.

  5. Dans la fenêtre Columns to be cleaned (Colonnes à nettoyer) qui s’affiche, développez le menu déroulant en regard d’Include (inclure).In the Columns to be cleaned window that appears, expand the drop-down menu next to Include. Sélectionnez All columns (Toutes les colonnes).Select, All columns

  6. Sélectionnez Enregistrer.Select Save

  7. Dans le volet d’informations du module à droite du canevas, sélectionnez Remove entire row (Supprimer la ligne entière) sous Cleaning mode (Mode de nettoyage).In the module details pane to the right of the canvas, select Remove entire row under Cleaning mode.

  8. Dans le volet d’informations du module à droite du canevas, sélectionnez la zone de texte Comment (Commentaire) et entrez Supprimer les lignes avec des valeurs manquantes.In the module details pane to the right of the canvas, select the Comment box, and enter Remove missing value rows.

    Votre pipeline doit maintenant se présenter comme ceci :Your pipeline should now look something like this:

    Select-column

Entraîner un modèle Machine LearningTrain a machine learning model

Une fois les modules en place pour traiter les données, vous pouvez configurer les modules d’entraînement.Now that you have the modules in place to process the data, you can set up the training modules.

Comme vous voulez prédire un prix, à savoir un nombre, vous pouvez utiliser un algorithme de régression.Because you want to predict price, which is a number, you can use a regression algorithm. Pour cet exemple, vous utilisez un modèle de régression linéaire.For this example, you use a linear regression model.

Fractionner les donnéesSplit the data

Le fractionnement des données est une tâche courante de Machine Learning.Splitting data is a common task in machine learning. Vous allez diviser vos données en deux jeux de données distincts.You will split your data into two separate datasets. Un jeu de données entraîne le modèle et l’autre teste les performances du modèle.One dataset will train the model and the other will test how well the model performed.

  1. Dans la palette de modules, développez la section Data Transformation et recherchez le module Split Data (Fractionner les données).In the module palette, expand the section Data Transformation and find the Split Data module.

  2. Faites glisser le module Split Data vers le canevas du pipeline.Drag the Split Data module to the pipeline canvas.

  3. Connectez le port de gauche du module Clean Missing Data au module Split Data.Connect the left port of the Clean Missing Data module to the Split Data module.

    Important

    Vérifiez que le port de sortie de gauche de Clean Missing Data est connecté à Split Data.Be sure that the left output ports of Clean Missing Data connects to Split Data. Le port de gauche contient les données nettoyées.The left port contains the the cleaned data. Le port de droite contient les données ignorées.The right port contains the discarted data.

  4. Sélectionnez le module Fractionner les données.Select the Split Data module.

  5. Dans le volet d’informations du module à droite du canevas, définissez l’option Fraction of rows in the first output dataset (Fraction de lignes dans le premier jeu de données de sortie) à la valeur 0,7.In the module details pane to the right of the canvas, set the Fraction of rows in the first output dataset to 0.7.

    Cette option permet de diviser les données afin d’en utiliser 70 % pour entraîner le modèle et 30 % pour tester ce dernier.This option splits 70 percent of the data to train the model and 30 percent for testing it. Le jeu de données comprenant 70 % des données est accessible par le biais du port de sortie de gauche.The 70 percent dataset will be accessible through the left output port. Les données restantes sont disponibles par le biais du port de sortie de droite.The remaining data will be available through the right output port.

  6. Dans le volet d’informations du module à droite du canevas, sélectionnez la zone de texte Comment (Commentaire) et entrez Diviser le jeu de données en un jeu d’entraînement (0,7) et un jeu de test (0,3) .In the module details pane to the right of the canvas, select the Comment box, and enter Split the dataset into training set (0.7) and test set (0.3).

Effectuer l’apprentissage du modèleTrain the model

Entraînez le modèle en lui fournissant un jeu de données incluant le prix.Train the model by giving it a dataset that includes the price. L’algorithme construit un modèle qui explique la relation entre les caractéristiques et le prix dans les données d’entraînement.The algorithm constructs a model that explains the relationship between the features and the price as presented by the training data.

  1. Dans la palette des modules, développez Machine Learning Algorithms (Algorithmes Machine Learning).In the module palette, expand Machine Learning Algorithms.

    Cette option affiche plusieurs catégories de module qui vous permettent d’initialiser les algorithmes d’apprentissage.This option displays several categories of modules that you can use to initialize learning algorithms.

  2. Sélectionnez Regression > Linear Regression (Régression > Régression linéaire), puis faites glisser le module vers le canevas du pipeline.Select Regression > Linear Regression, and drag it to the pipeline canvas.

  3. Dans la palette des modules, développez la section Module training (Entraînement de module), puis faites glisser le module Train Model (Entraîner le modèle) vers le canevas.In the module palette, expand the section Module training, and drag the Train Model module to the canvas.

  4. Connectez la sortie du module Linear Regression (Régression linéaire) à l’entrée gauche du module Train model (Entraîner le modèle).Connect the output of the Linear Regression module to the left input of the Train Model module.

  5. Connectez la sortie des données d’entraînement (port de gauche) du module Fractionner les données à l’entrée droite du module Entraîner le modèle.Connect the training data output (left port) of the Split Data module to the right input of the Train Model module.

    Important

    Vérifiez que le port de sortie de gauche de Split Data est connecté à Train Model.Be sure that the left output ports of Split Data connects to Train Model. Le port de gauche contient le jeu d’entraînement.The left port contains the the training set. Le port de droite contient le jeu de test.The right port contains the test set.

    Capture d’écran montrant la configuration correcte du module Entraîner le modèle. Le module Régression linéaire se connecte au port gauche du module Entraîner le modèle et le module Fractionner les données se connecte au port droit du module Entraîner le modèle.

  6. Sélectionnez le module Entraîner le modèle.Select the Train Model module.

  7. Dans le volet d’informations du module à droite du canevas, sélectionnez Edit column (Modifier une colonne).In the module details pane to the right of the canvas, select Edit column selector.

  8. Dans la boîte de dialogue Label column (Étiqueter une colonne), développez le menu déroulant, puis sélectionnez Column names (Noms de colonnes).In the Label column dialog box, expand the drop-down menu and select Column names.

  9. Dans la zone de texte, entrez price pour spécifier la valeur que votre modèle va prédire.In the text box, enter price to specify the value that your model is going to predict.

    Important

    Veillez à entrer le nom de colonne tel qu’indiqué.Make sure you enter the column name exactly. Ne mettez pas price en majuscules.Do not capitalize price.

    Votre pipeline doit se présenter comme suit :Your pipeline should look like this:

    Capture d’écran montrant la configuration correcte du pipeline après l’ajout du module Entraîner le modèle.

Ajoutez le module Score Model (Noter le modèle)Add the Score Model module

Une fois que vous avez entraîné votre modèle à l’aide de 70 % des données, vous pouvez l’utiliser pour attribuer un score aux 30 % de données restants, et vérifier ainsi son bon fonctionnement.After you train your model by using 70 percent of the data, you can use it to score the other 30 percent to see how well your model functions.

  1. Entrez score model (score du modèle) dans la zone de recherche pour trouver le module Score Model.Enter score model in the search box to find the Score Model module. Faites glisser le module vers le canevas du pipeline.Drag the module to the pipeline canvas.

  2. Connectez la sortie du module Entraîner le modèle au port d’entrée de gauche du module Scorer le modèle.Connect the output of the Train Model module to the left input port of Score Model. Connectez la sortie des données de test (port de droite) du module Fractionner les données au port d’entrée de droite du module Scorer le modèle.Connect the test data output (right port) of the Split Data module to the right input port of Score Model.

Ajouter le module Évaluer le modèleAdd the Evaluate Model module

Utilisez le module Evaluate Model (Évaluer le modèle) pour évaluer le score attribué par votre modèle au jeu de données de test.Use the Evaluate Model module to evaluate how well your model scored the test dataset.

  1. Entrez evaluate (évaluer) dans la zone de recherche pour trouver le module Evaluate Model (Évaluer le modèle).Enter evaluate in the search box to find the Evaluate Model module. Faites glisser le module vers le canevas du pipeline.Drag the module to the pipeline canvas.

  2. Connectez la sortie du module Scorer le modèle à l’entrée de gauche du module Évaluer le modèle.Connect the output of the Score Model module to the left input of Evaluate Model.

    Le pipeline final doit maintenant se présenter comme ceci :The final pipeline should look something like this:

    Capture d’écran montrant la configuration correcte du pipeline.

Envoyer le pipelineSubmit the pipeline

Quand vous avez terminé la configuration de votre pipeline, vous pouvez lancer son exécution pour entraîner le modèle Machine Learning.Now that your pipeline is all setup, you can submit a pipeline run to train your machine learning model. Vous pouvez à tout moment envoyer une exécution de pipeline valide qui peut être utilisée pour examiner les modifications apportées à votre pipeline pendant le développement.You can submit a valid pipeline run at any point, which can be used to review changes to your pipeline during development.

  1. En haut du canevas, sélectionnez Envoyer.At the top of the canvas, select Submit.

  2. Dans la boîte de dialogue Configurer une exécution de pipeline, sélectionnez Créer.In the Set up pipeline run dialog box, select Create new.

    Notes

    Les expériences regroupent les exécutions de pipeline similaires.Experiments group similar pipeline runs together. Si vous exécutez un pipeline plusieurs fois, vous pouvez sélectionner la même expérience pour les exécutions successives.If you run a pipeline multiple times, you can select the same experiment for successive runs.

    1. Pour Nom de la nouvelle expérience, entrez Tutorial-CarPrices.For New experiment Name, enter Tutorial-CarPrices.

    2. Sélectionnez Envoyer.Select Submit.

    Vous pouvez voir l’état et les détails de l’exécution en haut à droite du canevas.You can view run status and details at the top right of the canvas.

    Si c’est la première fois, l’exécution de votre pipeline peut prendre jusqu’à 20 minutes.If this is the first run, it may take up to 20 minutes for your pipeline to finish running. Les paramètres de calcul par défaut ont une taille de nœud minimale de 0, ce qui signifie que le concepteur doit allouer des ressources après une période d’inactivité.The default compute settings have a minimum node size of 0, which means that the designer must allocate resources after being idle. Les exécutions de pipeline répétées prennent moins de temps dans la mesure où les ressources de calcul sont déjà allouées.Repeated pipeline runs will take less time since the compute resources are already allocated. Par ailleurs, le concepteur utilise les résultats mis en cache pour chaque module afin d’améliorer l’efficacité.Additionally, the designer uses cached results for each module to further improve efficiency.

Afficher les étiquettes de scoreView scored labels

Une fois l’exécution terminée, vous pouvez voir les résultats de l’exécution du pipeline.After the run completes, you can view the results of the pipeline run. Tout d’abord, examinez les prédictions générées par le modèle de régression.First, look at the predictions generated by the regression model.

  1. Cliquez avec le bouton droit sur le module Score Model et sélectionnez Visualiser > Jeu de données scoré pour afficher sa sortie.Right-click the Score Model module, and select Visualize > Scored dataset to view its output.

    Vous pouvez voir ici les prix prédits et les prix réels des données à partir des données de test.Here you can see the predicted prices and the actual prices from the testing data.

    Capture d’écran de la visualisation de la sortie mettant en évidence la colonne d’étiquettes notées

Évaluer les modèlesEvaluate models

Utilisez Evaluate Model pour voir ce que donne le modèle entraîné sur le jeu de données de test.Use the Evaluate Model to see how well the trained model performed on the test dataset.

  1. Cliquez avec le bouton droit sur le module Evaluate Model et sélectionnez Visualiser > Résultats de l’évaluation pour afficher sa sortie.Right-click the Evaluate Model module and select Visualize > Evaluation results to view its output.

Les statistiques suivantes s’affichent pour votre modèle :The following statistics are shown for your model:

  • Erreur absolue moyenne : Moyenne des erreurs absolues.Mean Absolute Error (MAE): The average of absolute errors. Une erreur est la différence entre la valeur prédite et la valeur réelle.An error is the difference between the predicted value and the actual value.
  • Racine carrée de l’erreur quadratique moyenne : la racine carrée de la moyenne des erreurs carrées des prévisions effectuées sur le jeu de données de test.Root Mean Squared Error (RMSE): The square root of the average of squared errors of predictions made on the test dataset.
  • Erreur absolue relative: la moyenne des erreurs absolues relative à la différence absolue entre les valeurs réelles et la moyenne de toutes les valeurs réelles.Relative Absolute Error: The average of absolute errors relative to the absolute difference between actual values and the average of all actual values.
  • Erreur carrée relative : la moyenne des erreurs carrées relative à la différence carrée entre les valeurs réelles et la moyenne de toutes les valeurs réelles.Relative Squared Error: The average of squared errors relative to the squared difference between the actual values and the average of all actual values.
  • Coefficient de détermination : Également connue sous le nom de valeur R au carré, cette métrique statistique indique dans quelle mesure un modèle correspond aux données.Coefficient of Determination: Also known as the R squared value, this statistical metric indicates how well a model fits the data.

Pour chacune des statistiques liées aux erreurs, les valeurs les plus petites sont privilégiées.For each of the error statistics, smaller is better. En effet, une valeur plus petite indique que les prédictions sont plus près des valeurs réelles.A smaller value indicates that the predictions are closer to the actual values. Plus la valeur du coefficient de détermination est proche de un (1,0), plus les prévisions sont correctes.For the coefficient of determination, the closer its value is to one (1.0), the better the predictions.

Nettoyer les ressourcesClean up resources

Ignorez cette section si vous souhaitez passer à la deuxième partie du tutoriel sur le déploiement de modèles.Skip this section if you want to continue on with part 2 of the tutorial, deploying models.

Important

Vous pouvez utiliser les ressources que vous avez créées comme prérequis pour d’autres didacticiels et articles de guides pratiques Azure Machine Learning.You can use the resources that you created as prerequisites for other Azure Machine Learning tutorials and how-to articles.

Tout supprimerDelete everything

Si vous n’avez pas l’intention d’utiliser les éléments que vous avez créés, supprimez l’intégralité du groupe de ressources pour éviter des frais.If you don't plan to use anything that you created, delete the entire resource group so you don't incur any charges.

  1. Dans le portail Azure, sélectionnez Groupes de ressources sur le côté gauche de la fenêtre.In the Azure portal, select Resource groups on the left side of the window.

    Supprimer un groupe de ressources dans le portail Azure

  2. Dans la liste, sélectionnez le groupe de ressources créé.In the list, select the resource group that you created.

  3. Sélectionnez Supprimer le groupe de ressources.Select Delete resource group.

La suppression du groupe de ressources supprime également toutes les ressources créées dans le concepteur.Deleting the resource group also deletes all resources that you created in the designer.

Supprimer des ressources individuellesDelete individual assets

Dans le concepteur où vous avez créé votre expérience, supprimez des ressources individuelles en les sélectionnant, puis en sélectionnant le bouton Supprimer.In the designer where you created your experiment, delete individual assets by selecting them and then selecting the Delete button.

La cible de calcul que vous avez créée ici est automatiquement mise à l’échelle sur zéro nœud quand elle n’est pas utilisée.The compute target that you created here automatically autoscales to zero nodes when it's not being used. Cette action est effectuée pour réduire les frais.This action is taken to minimize charges. Si vous souhaitez supprimer la cible de calcul, procédez comme suit :If you want to delete the compute target, take these steps:

Supprimer des ressources

Vous pouvez désinscrire des jeux de données de votre espace de travail en sélectionnant chaque jeu de données, puis Annuler l’enregistrement.You can unregister datasets from your workspace by selecting each dataset and selecting Unregister.

Désinscrire le jeu de données

Pour supprimer un jeu de données, accédez au compte de stockage à l’aide du portail Azure ou de l’Explorateur Stockage Azure et supprimez manuellement ces ressources.To delete a dataset, go to the storage account by using the Azure portal or Azure Storage Explorer and manually delete those assets.

Étapes suivantesNext steps

Dans la deuxième partie, vous allez découvrir comment déployer votre modèle en tant que point de terminaison en temps réel.In part two, you'll learn how to deploy your model as a real-time endpoint.