Tutoriel : Créer un modèle de classification avec le ML automatisé dans Azure Machine LearningTutorial: Create a classification model with automated ML in Azure Machine Learning

S’APPLIQUE À : nonÉdition De base ouiÉdition Entreprise                        (Mise à niveau vers l’édition Entreprise)APPLIES TO: noBasic edition yesEnterprise edition                       (Upgrade to Enterprise)

Dans ce tutoriel, vous allez découvrir comment créer un modèle de classification de base sans écrire une seule ligne de code en utilisant l’interface de machine learning automatisé d’Azure Machine Learning.In this tutorial, you learn how to create a basic classification model without writing a single line of code using Azure Machine Learning's automated machine learning interface. Ce modèle de classification prédit si un client va souscrire à un compte à terme auprès d’une institution financière.This classification model predicts if a client will subscribe to a fixed term deposit with a financial institution.

Avec le machine learning automatisé, vous pouvez automatiser des tâches fastidieuses.With automated machine learning, you can automate away time intensive tasks. Le machine learning automatisé itère rapidement sur de nombreuses combinaisons d’algorithmes et d’hyperparamètres pour vous aider à trouver le meilleur modèle basé sur une métrique de réussite de votre choix.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.

Dans ce tutoriel, vous allez apprendre à effectuer les opérations suivantes :In this tutorial, you learn how to do the following tasks:

  • Créez un espace de travail Machine Learning.Create an Azure Machine Learning workspace.
  • Exécuter une expérience de machine learning automatisé.Run an automated machine learning experiment.
  • Voir les détails de l'expérience.View experiment details.
  • Déployer le modèle.Deploy the model.

PrérequisPrerequisites

  • Un abonnement Azure.An Azure subscription. Si vous n’avez pas d’abonnement Azure, créez un compte gratuit.If you don't have an Azure subscription, create a free account.

  • Téléchargez le fichier de données bankmarketing_train.csv.Download the bankmarketing_train.csv data file. La colonne y indique si un client a souscrit à un compte à terme, qui est ensuite identifié comme colonne cible pour les prédictions de ce tutoriel.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.

Créer un espace de travailCreate a workspace

Un espace de travail Azure Machine Learning est une ressource fondamentale du cloud que vous utilisez pour expérimenter, entraîner et déployer des modèles Machine Learning.An Azure Machine Learning workspace is a foundational resource in the cloud that you use to experiment, train, and deploy machine learning models. Il lie votre abonnement Azure et votre groupe de ressources à un objet facile à consommer dans le service.It ties your Azure subscription and resource group to an easily consumed object in the service.

Vous créez un espace de travail par le biais du portail Azure, une console web pour la gestion de vos ressources Azure.You create a workspace via the Azure portal, a web-based console for managing your Azure resources.

  1. Connectez-vous au Portail Azure à l’aide des informations d’identification de votre abonnement Azure.Sign in to the Azure portal by using the credentials for your Azure subscription.

  2. En haut à gauche du portail Azure, sélectionnez +Créer une ressource.In the upper-left corner of the Azure portal, select + Create a resource.

    Créer une nouvelle ressource

  3. Utilisez la barre de recherche pour rechercher Machine Learning.Use the search bar to find Machine Learning.

  4. Sélectionnez Machine Learning.Select Machine Learning.

  5. Dans le volet Machine Learning, sélectionnez Créer pour commencer.In the Machine Learning pane, select Create to begin.

  6. Fournissez les informations suivantes pour configurer votre nouvel espace de travail :Provide the following information to configure your new workspace:

    ChampField DescriptionDescription
    Nom de l’espace de travailWorkspace name Entrez un nom unique qui identifie votre espace de travail.Enter a unique name that identifies your workspace. Dans cet exemple, nous allons utiliser docs-ws.In this example, we use docs-ws. Dans le groupe de ressources, les noms doivent être uniques.Names must be unique across the resource group. Utilisez un nom dont il est facile de se rappeler et que vous pouvez facilement différencier des autres espaces de travail.Use a name that's easy to recall and to differentiate from workspaces created by others.
    SubscriptionSubscription Sélectionnez l’abonnement Azure que vous souhaitez utiliser.Select the Azure subscription that you want to use.
    Resource groupResource group Utilisez un groupe de ressources existant dans votre abonnement, ou entrez un nom pour créer un groupe de ressources.Use an existing resource group in your subscription, or enter a name to create a new resource group. Un groupe de ressources contient les ressources associées d’une solution Azure.A resource group holds related resources for an Azure solution. Dans cet exemple, nous allons utiliser docs-aml.In this example, we use docs-aml.
    LocationLocation Sélectionnez l’emplacement le plus proche de vos utilisateurs et des ressources de données pour créer votre espace de travail.Select the location closest to your users and the data resources to create your workspace.
    Édition de l’espace de travailWorkspace edition Sélectionnez Enterprise.Select Enterprise. Ce tutoriel nécessite l’utilisation de l’édition Enterprise.This tutorial requires the use of the Enterprise edition. L’édition Enterprise est en préversion et n’implique pas de frais supplémentaires pour le moment.The Enterprise edition is in preview and doesn't currently add any extra costs.
  7. Une fois que vous avez terminé de configurer l’espace de travail, sélectionnez Créer.After you're finished configuring the workspace, select Create.

    Avertissement

    La création de votre espace de travail dans le cloud peut prendre plusieurs minutes.It can take several minutes to create your workspace in the cloud.

    Une fois le processus terminé, un message indiquant la réussite du déploiement s’affiche.When the process is finished, a deployment success message appears.

  8. Pour afficher le nouvel espace de travail, sélectionnez Accéder à la ressource.To view the new workspace, select Go to resource.

Important

Prenez note de votre espace de travail et de votre abonnement.Take note of your workspace and subscription. Vous en aurez besoin pour être sûr de créer votre expérience au bon endroit.You'll need these to ensure you create your experiment in the right place.

Créer et exécuter l’expérienceCreate and run the experiment

Vous effectuez les étapes de configuration et d’exécution d’expérience suivantes par le biais d’Azure Machine Learning, accessible à l’adresse https://ml.azure.com. Cette interface web centralisée comprend des outils de machine learning permettant de mettre en œuvre des scénarios de science des données pour les utilisateurs de science des données de tous niveaux de compétence.You complete the following experiment set-up and run steps via Azure Machine learning 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. Cette interface n’est pas prise en charge par les navigateurs Internet Explorer.This interface is not supported on Internet Explorer browsers.

  1. Connectez-vous à Azure Machine Learning.Sign in to Azure Machine Learning.

  2. Sélectionnez votre abonnement et l’espace de travail que vous avez créé.Select your subscription and the workspace you created.

  3. Sélectionnez Prise en main.Select Get started.

  4. Dans le volet gauche, sélectionnez Automated ML (ML automatisé) sous la section Author (Créer).In the left pane, select Automated ML under the Author section.

    Puisqu’il s’agit de votre première expérience de ML automatisé, vous verrez une liste vide et des liens vers la documentation.Since this is your first automated ML experiment, you'll see an empty list and links to documentation.

    Page de prise en main

  5. Sélectionnez Nouvelle exécution de ML automatisé.Select New automated ML run.

  6. Pour créer un jeu de données, sélectionnez À partir de fichiers locaux dans la liste déroulante + Créer un jeu de données.Create a new dataset by selecting From local files from the +Create dataset drop-down.

    1. Dans le formulaire Informations de base, donnez un nom unique à votre jeu de données et indiquez éventuellement une description.On the Basic info form, give your dataset a name and provide an optional description. L’interface de ML automatisé ne prend actuellement en charge que les jeux de données tabulaires. Le type de jeu de données par défaut doit donc être Tabulaire.The automated ML interface currently only supports TabularDatasets, so the dataset type should default to Tabular.

    2. Sélectionnez Suivant en bas à gauche.Select Next on the bottom left

    3. Dans le formulaire Sélection d’un magasin de données et de fichiers, sélectionnez le magasin de données par défaut qui a été automatiquement configuré durant la création de votre espace de travail : workspaceblobstore (Stockage Blob Azure) .On the Datastore and file selection form, select the default datastore that was automatically set up during your workspace creation, workspaceblobstore (Azure Blob Storage). C’est là que vous chargerez votre fichier de données pour le rendre accessible à votre espace de travail.This is where you'll upload your data file to make it available to your workspace.

    4. Sélectionnez Parcourir.Select Browse.

    5. Choisissez le fichier bankmarketing_train.csv sur votre ordinateur local.Choose the bankmarketing_train.csv file on your local computer. Il s’agit du fichier que vous avez téléchargé en tant que prérequis.This is the file you downloaded as a prerequisite.

    6. Donnez un nom unique à votre jeu de données et indiquez éventuellement une description.Give your dataset a unique name and provide an optional description.

    7. En bas à gauche, sélectionnez Next (Suivant) pour le charger dans le conteneur par défaut qui a été configuré automatiquement lors de la création de votre espace de travail.Select Next on the bottom left, to upload it to the default container that was automatically set up during your workspace creation.

      Une fois le chargement terminé, le formulaire Settings and preview (Paramètres et aperçu) est prérenseigné en fonction du type de fichier.When the upload is complete, the Settings and preview form is pre-populated based on the file type.

    8. Vérifiez que le formulaire Settings and preview est renseigné comme ci-dessous, puis sélectionnez Next (Suivant).Verify that the Settings and preview form is populated as follows and select Next.

      ChampField DescriptionDescription Valeur pour le tutorielValue for tutorial
      Format de fichierFile format Définit la disposition et le type des données stockées dans un fichier.Defines the layout and type of data stored in a file. DelimitedDelimited
      DélimiteurDelimiter Un ou plusieurs caractères utilisés pour spécifier la limite entre  des régions distinctes et indépendantes dans du texte brut ou d’autres flux de données.One or more characters for specifying the boundary between  separate, independent regions in plain text or other data streams. CommaComma
      EncodageEncoding Identifie la table de schéma bits/caractères à utiliser pour lire votre jeu de données.Identifies what bit to character schema table to use to read your dataset. UTF-8UTF-8
      En-têtes de colonneColumn headers Indique la façon dont les éventuels en-têtes du jeu de données sont traités.Indicates how the headers of the dataset, if any, will be treated. Tous les fichiers ont les mêmes en-têtesAll files have same headers
      Ignorer les lignesSkip rows Indique le nombre éventuel de lignes ignorées dans le jeu de données.Indicates how many, if any, rows are skipped in the dataset. NoneNone
    9. Le formulaire Schema permet de configurer davantage vos données pour cette expérience.The Schema form allows for further configuration of your data for this experiment. Pour cet exemple, sélectionnez le bouton bascule correspondant à la caractéristique day_of_week, afin de ne pas l’inclure pour cette expérience.For this example, select the toggle switch for the day_of_week feature, so as to not include it for this experiment. Sélectionnez Suivant.Select Next.

      Configuration de l’onglet Aperçu

    10. Dans le formulaire Confirmer les détails, vérifiez que les informations correspondent à celles qui ont été précédemment renseignées sur les formulaires Informations de base et Paramètres et aperçu.On the Confirm details form, verify the information matches what was previously populated on the Basic info and Settings and preview forms.

    11. Sélectionnez Créer pour terminer la création de votre jeu de données.Select Create to complete the creation of your dataset.

    12. Sélectionnez votre jeu de données une fois qu’il apparaît dans la liste.Select your dataset once it appears in the list.

    13. Passez en revue l’Aperçu des données pour vous assurer que vous n’avez pas inclus day_of_week, puis sélectionnez OK.Review the Data preview to ensure you didn't include day_of_week then, select OK.

    14. Sélectionnez Suivant.Select Next.

  7. Remplissez le formulaire Configurer l’exécution comme suit :Populate the Configure Run form as follows:

    1. Entrez le nom suivant pour l’expérience : my-1st-automl-experimentEnter this experiment name: my-1st-automl-experiment

    2. Sélectionnez y comme colonne cible, ce que vous souhaitez prédire.Select y as the target column, what you want to predict. Cette colonne indique si le client a souscrit à un compte de dépôt à terme.This column indicates whether the client subscribed to a term deposit or not.

    3. Sélectionnez Create a new compute (Créer un nouveau calcul), puis configurez la cible de calcul.Select Create a new compute and configure your compute target. Une cible de calcul est un environnement de ressources local ou informatique utilisé pour exécuter votre script d’entraînement ou pour héberger votre déploiement de service.A compute target is a local or cloud-based resource environment used to run your training script or host your service deployment. Pour cette expérience, nous utilisons un calcul informatique.For this experiment, we use a cloud-based compute.

      ChampField DescriptionDescription Valeur pour le tutorielValue for tutorial
      Nom du calculCompute name Nom unique qui identifie votre contexte de calcul.A unique name that identifies your compute context. automl-computeautoml-compute
      Taille de la machine virtuelleVirtual machine size Sélectionnez la taille de la machine virtuelle pour votre calcul.Select the virtual machine size for your compute. Standard_DS12_V2Standard_DS12_V2
      Nœuds min./max. (dans les paramètres avancés)Min / Max nodes (in Advanced Settings) Pour profiler des données, vous devez spécifier un ou plusieurs nœuds.To profile data, you must specify 1 or more nodes. Nœuds min. : 1Min nodes: 1
      Nœuds max. : 6Max nodes: 6
      1. Sélectionnez Créer pour accéder à la cible de calcul.Select Create to get the compute target.

        Quelques minutes sont nécessaires pour achever l’opération.This takes a couple minutes to complete.

      2. Une fois la création terminée, sélectionnez votre nouvelle cible de calcul dans la liste déroulante.After creation, select your new compute target from the drop-down list.

    4. Sélectionnez Suivant.Select Next.

  8. Dans le formulaire Type de tâche et paramètres, sélectionnez Classification comme type de tâche d’apprentissage automatique.On the Task type and settings form, select Classification as the machine learning task type.

    1. Sélectionnez Afficher des paramètres de configuration supplémentaires et renseignez les champs comme suit.Select View additional configuration settings and populate the fields as follows. Ces paramètres permettent de mieux contrôler le travail d’entraînement.These settings are to better control the training job. Sinon, les valeurs par défaut sont appliquées en fonction de la sélection de l’expérience et des données.Otherwise, defaults are applied based on experiment selection and data.

      Notes

      Dans ce tutoriel, vous n’allez pas définir un score de métrique ni un nombre de cœurs maximal par itération.In this tutorial, you won't set a metric score or max cores per iterations threshold. Vous n’allez pas non plus bloquer le test des algorithmes.Nor will you block algorithms from being tested.

      Configurations supplémentairesAdditional configurations DescriptionDescription Valeur pour le tutorielValue for tutorial
      Métrique principalePrimary metric Métrique d’évaluation selon laquelle l’algorithme de Machine Learning sera mesuré.Evaluation metric that the machine learning algorithm will be measured by. AUC_weightedAUC_weighted
      Caractérisation automatiqueAutomatic featurization Active le prétraitement.Enables preprocessing. Cela comprend le nettoyage automatique des données, la préparation et la transformation pour générer des caractéristiques synthétiques.This includes automatic data cleansing, preparing, and transformation to generate synthetic features. ActiverEnable
      Algorithmes bloquésBlocked algorithms Algorithmes que vous souhaitez exclure du travail de formationAlgorithms you want to exclude from the training job NoneNone
      Critère de sortieExit criterion Lorsqu’une condition est remplie, la tâche d’entraînement est arrêtée.If a criteria is met, the training job is stopped. Durée de la tâche de formation : 1Training job time (hours): 1
      Seuil de score de métrique : NoneMetric score threshold: None
      ValidationValidation Choisissez un type de validation croisée et un nombre de tests.Choose a cross-validation type and number of tests. Type de validation :Validation type:
       validation croisée k-fold k-fold cross-validation

      Nombre de validations : 2Number of validations: 2
      Accès concurrentielConcurrency Nombre maximal d’itérations parallèles exécutées par itérationThe maximum number of parallel iterations executed per iteration Nombre maximal d’itérations simultanées : 5Max concurrent iterations: 5

      Sélectionnez Enregistrer.Select Save.

  9. Sélectionnez Terminer pour exécuter l’expérience.Select Finish to run the experiment. L’écran Détails de l’exécution s’ouvre et affiche l’État de l’exécution dans la partie supérieure au début de la préparation de l’expérience.The Run Detail screen opens with the Run status at the top as the experiment preparation begins.

Important

La préparation nécessaire à l’exécution de l’expérience prend 10 à 15 minutes.Preparation takes 10-15 minutes to prepare the experiment run. Une fois que l’exécution a commencé, 2-3 minutes supplémentaires sont nécessaires pour chaque itération.Once running, it takes 2-3 minutes more for each iteration.
Sélectionnez Actualiser périodiquement pour voir l’état de l’exécution à mesure que l’expérience progresse.Select Refresh periodically to see the status of the run as the experiment progresses.

Dans un environnement de production, cette durée est un peu plus longue.In production, you'd likely walk away for a bit. Toutefois, dans le cadre de ce tutoriel, nous vous suggérons de commencer à explorer les algorithmes testés dans l’onglet Modèles à mesure qu’ils se terminent, pendant que les autres sont encore en cours d’exécution.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.

Explorer les modèlesExplore models

Accédez à l’onglet Modèles pour voir les algorithmes (modèles) testés.Navigate to the Models tab to see the algorithms (models) tested. Par défaut, les modèles sont classés par score de métrique à mesure qu’ils se terminent.By default, the models are ordered by metric score as they complete. Pour ce tutoriel, le modèle qui obtient le score le plus élevé d’après la métrique AUC_weighted choisie figure en haut de la liste.For this tutorial, the model that scores the highest based on the chosen AUC_weighted metric is at the top of the list.

En attendant que toutes les modèles d’expérience se terminent, sélectionnez le Nom de l’algorithme d’un modèle terminé pour explorer ses performances en détail.While you wait for all of the experiment models to finish, select the Algorithm name of a completed model to explore its performance details.

L’exemple suivant parcourt les onglets Détails du modèle et Visualisations pour voir les propriétés, les métriques et les graphiques de performances du modèle sélectionné.The following navigates through the Model details and the Visualizations tabs to view the selected model's properties, metrics, and performance charts.

Détails sur l’exécution de l’itération

Déployer le meilleur modèleDeploy the best model

L’interface de machine learning automatisé vous permet de déployer le meilleur modèle comme service web en quelques étapes.The automated machine learning interface allows you to deploy the best model as a web service in a few steps. Le déploiement consiste à intégrer le modèle pour qu’il puisse prédire de nouvelles données et identifier les domaines potentiels d’opportunités.Deployment is the integration of the model so it can predict on new data and identify potential areas of opportunity.

Dans le cadre de cette expérience, le déploiement sur un service web signifie que l’établissement financier dispose désormais d’une solution web itérative et scalable pour identifier les clients potentiels d’un compte à terme.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.

Une fois l’exécution terminée, revenez à la page Détails de l’exécution et sélectionnez l’onglet Modèles.Once the run is complete, navigate back to the Run Detail page and select the Models tab.

Dans ce contexte d’expérience, VotingEnsemble est considéré comme le meilleur modèle d’après la métrique AUC_weighted.In this experiment context, VotingEnsemble is considered the best model, based on the AUC_weighted metric. Nous déployons ce modèle, mais nous vous informons que le déploiement prend 20 minutes environ.We deploy this model, but be advised, deployment takes about 20 minutes to complete. Le processus de déploiement comporte plusieurs étapes, notamment l’inscription du modèle, la génération de ressources et leur configuration pour le service web.The deployment process entails several steps including registering the model, generating resources, and configuring them for the web service.

  1. Sélectionnez le bouton Déployer le meilleur modèle en bas à gauche.Select the Deploy best model button in the bottom-left corner.

  2. Renseignez le volet Déployer un modèle de la façon suivante :Populate the Deploy a model pane as follows:

    ChampField ValeurValue
    Nom du déploiementDeployment name my-automl-deploymy-automl-deploy
    Description du déploiementDeployment description Déploiement de ma première expérience de Machine Learning automatiséMy first automated machine learning experiment deployment
    Type de capacité de calculCompute type Sélectionnez une instance de calcul Azure (ACI)Select Azure Compute Instance (ACI)
    Activer l’authentificationEnable authentication Désactivez.Disable.
    Utiliser des déploiements personnalisésUse custom deployments Désactivez.Disable. Permet de générer automatiquement le fichier de pilote par défaut (script de score) et le fichier d’environnement.Allows for the default driver file (scoring script) and environment file to be autogenerated.

    Pour cet exemple, nous utilisons les valeurs par défaut fournies dans le menu Avancé.For this example, we use the defaults provided in the Advanced menu.

  3. Sélectionnez Déployer.Select Deploy.

    Un message vert de réussite apparaît en haut de l’écran Exécuter, et dans le volet Modèle recommandé, un message d’état s’affiche sous État du déploiement.A green success message appears at the top of the Run screen, and in the Recommended model pane, a status message appears under Deploy status. Cliquez régulièrement sur Actualiser pour vérifier l’état du déploiement.Select Refresh periodically to check the deployment status.

Vous disposez maintenant d’un service web opérationnel pour générer des prédictions.Now you have an operational web service to generate predictions.

Passez aux Étapes suivantes pour en savoir plus sur l’utilisation de votre nouveau service web et tester vos prédictions à l’aide de la prise en charge d’Azure Machine Learning intégrée dans 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.

Nettoyer les ressourcesClean up resources

Les fichiers de déploiement sont plus volumineux que les fichiers de données et d’expérimentation. Le coût de leur stockage est donc plus élevé.Deployment files are larger than data and experiment files, so they cost more to store. Supprimez uniquement les fichiers de déploiement pour réduire les coûts associés à votre compte, ou si vous souhaitez conserver vos fichiers d’expérience et d’espace de travail.Delete only the deployment files to minimize costs to your account, or if you want to keep your workspace and experiment files. Dans le cas contraire, supprimez l’intégralité du groupe de ressources, si vous n’envisagez pas d’utiliser les fichiers.Otherwise, delete the entire resource group, if you don't plan to use any of the files.

Supprimer l’instance de déploiementDelete the deployment instance

Supprimez uniquement l’instance de déploiement d’Azure Machine Learning (accessible sur https://ml.azure.com/) si vous souhaitez conserver le groupe de ressources et l’espace de travail pour d’autres tutoriels et à des fins d’exploration.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. Accéder à Azure Machine Learning.Go to Azure Machine Learning. Accédez à votre espace de travail et, à gauche dans le volet Ressources, sélectionnez Points de terminaison.Navigate to your workspace and on the left under the Assets pane, select Endpoints.

  2. Sélectionnez le déploiement à supprimer et sélectionnez Supprimer.Select the deployment you want to delete and select Delete.

  3. Sélectionnez Continuer.Select Proceed.

Supprimer le groupe de ressourcesDelete the resource group

Important

Les ressources que vous avez créées peuvent être utilisées comme conditions préalables pour d’autres didacticiels de Azure Machine Learning et des articles de procédure.The resources you created can be used as prerequisites to other Azure Machine Learning tutorials and how-to articles.

Si vous n’avez pas l’intention d’utiliser les ressources que vous avez créées, supprimez-les pour éviter des frais :If you don't plan to use the resources you created, delete them, so you don't incur any charges:

  1. Dans le portail Azure, sélectionnez Groupes de ressources tout à gauche.In the Azure portal, select Resource groups on the far left.

    Supprimer dans le portail AzureDelete in the Azure portal

  2. À partir de la liste, sélectionnez le groupe de ressources créé.From the list, select the resource group you created.

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

  4. Entrez le nom du groupe de ressources.Enter the resource group name. Puis sélectionnez Supprimer.Then select Delete.

Étapes suivantesNext steps

Dans ce tutoriel sur le machine learning automatisé, vous avez utilisé l’interface de ML automatisé d’Azure Machine Learning pour créer et déployer un modèle de classification.In this automated machine learning tutorial, you used Azure Machine Learning's automated ML interface to create and deploy a classification model. Pour plus d’informations et pour connaître les étapes suivantes, consultez ces articles :See these articles for more information and next steps:

Notes

Ce jeu de données Bank Marketing est disponible sous licence Creative Commons (CCO : domaine public).This Bank Marketing dataset is made available under the Creative Commons (CCO: Public Domain) License. Tous les droits du contenu individuel de la base de données sont concédés sous licence du contenu de base de données et sont disponibles sur Kaggle.Any rights in individual contents of the database are licensed under the Database Contents License and available on Kaggle. Ce jeu de données était initialement disponible dans la base de données Machine Learning UCI.This dataset was originally available within the UCI Machine Learning Database.

[Moro et al., 2014] S. Moro, P. Cortez et 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, Juin 2014.Decision Support Systems, Elsevier, 62:22-31, June 2014.