Pelajari cara menggunakan model Azure Machine Learning di Power BI

Tutorial ini memandu Anda membuat laporan Power BI berdasarkan model pembelajaran mesin. Pada akhir tutorial ini, Anda akan dapat:

• Menilai model pembelajaran mesin (disebarkan menggunakan Azure Machine Learning) di Power BI.
• Tersambung ke model Azure Machine Learning di Editor Power Query.
• Membuat laporan dengan visualisasi berdasarkan model tersebut.
• Menerbitkan laporan tersebut ke layanan Power BI.
• Menyiapkan refresh terjadwal untuk laporan.

Prasyarat

Sebelum memulai tutorial ini, Anda perlu:

• Melatih dan menyebarkan model pembelajaran mesin di Azure Machine Learning. Gunakan salah satu dari tiga tutorial Azure Machine Learning ini:

  • Opsi A: Kode
  • Opsi B: Desainer
  • Opsi C: ML otomatis

• Mendaftar untuk uji coba Power BI gratis.

• Menginstal Power BI Desktop di komputer lokal.

Membuat model data

Buka aplikasi Power BI Desktop dan pilih Dapatkan Data. Dalam kotak dialog Dapatkan Data, cari web. Pilih sumber Web>Sambungkan.

Dalam kotak dialog Dari Web, salin dan tempel URL berikut ini dalam kotak:

https://www4.stat.ncsu.edu/~boos/var.select/diabetes.tab.txt

PilihOK.

Di Konten Akses Web, pilih Anonim>Sambungkan.

Pilih Transformasi data untuk membuka jendela Editor Power Query.

Di pita Beranda Editor Power Query, pilih tombol Azure Machine Learning.

Setelah masuk ke akun Azure menggunakan akses menyeluruh, Anda akan melihat daftar layanan yang tersedia. Pilih my-sklearn-service yang Anda buat dari Latih dan sebarkan tutorial model pembelajaran mesin.

Power Query mengisi kolom secara otomatis untuk Anda. Anda ingat bahwa dalam skema kami untuk layanan, kami memiliki dekorator Python yang menentukan input. PilihOK.

Catatan

Untuk model rangkaian waktu, Power BI mungkin tidak secara otomatis mendeteksi format tanggal untuk kolom waktu. Untuk melanjutkan, konversikan kolom waktu menjadi jenis Tanggal/Waktu di Power BI sebelum memanggil Azure Machine Learning.

Memilih OK memanggil layanan Azure Machine Learning. Ini memicu peringatan tentang privasi data untuk data dan titik akhir.

Pilih Lanjutkan. Di layar berikutnya, pilih Abaikan pemeriksaan Tingkat Privasi untuk file ini>Simpan.

Setelah data dinilai, Power Query membuat kolom tambahan bernama AzureML.my-diabetes-model.

Data yang dikembalikan layanan adalah daftar.

Catatan

Jika Anda menyebarkan model desainer, Anda akan melihat rekaman.

Untuk mendapatkan prediksi, pilih panah berkepala ganda di header kolom AzureML.my-diabetes-model>Perluas ke Baris Baru.

Setelah ekspansi, Anda akan melihat prediksi di kolom AzureML.my-diabetes-model.

Ikuti langkah berikut ini untuk menyelesaikan pembersihan model data Anda.

1. Ganti nama kolom AzureML.my-diabetes-model menjadi diprediksi.
2. Ganti nama kolom Y menjadi aktual.
3. Ubah jenis kolom aktual: Pilih kolom, lalu pada pita Transformasi pilih Jenis Data>Angka Desimal.
4. Ubah jenis kolom yang diprediksi: Pilih kolom tersebut, lalu pada pita Transformasi pilih Jenis Data>Angka Desimal.
5. Pada pita Beranda, pilih Tutup & Terapkan.

Membuat laporan dengan visualisasi

Sekarang Anda dapat membuat beberapa visualisasi untuk menampilkan data Anda.

1. Di panel Visualisasi, pilih Bagan garis.
2. Dengan visual bagan garis dipilih:
3. Seret bidang USIA ke Sumbu.
4. Seret bidang aktual ke Nilai.
5. Seret bidang yang diprediksi ke Nilai.

Mengubah ukuran bagan garis untuk mengisi halaman. Laporan Anda sekarang memiliki satu bagan garis dengan dua garis, satu untuk prediksi dan satu untuk nilai sebenarnya, yang didistribusikan menurut usia.

Menerbitkan laporan

Anda dapat menambahkan lebih banyak visualisasi jika berkenan. satu untuk prediksi dan satu untuk nilai sebenarnya, yang didistribusikan menurut usia.

1. Simpan laporannya.

2. Pilih File>Terbitkan>Terbitkan ke Power BI.

3. Masuk ke layanan Power BI.

4. Pilih Ruang Kerja Saya.

5. Saat laporan berhasil diterbitkan, pilih tautan Buka <MY_PBIX_FILE.pbix> di Power BI. Laporan tersebut membuka laporan di Power BI di browser Anda.

   

Mengaktifkan himpunan data untuk di-refresh

Dalam skenario di mana sumber data di-refresh dengan data baru untuk dinilai, Anda perlu memperbarui kredensial Anda sehingga data dapat dinilai.

Di Ruang Kerja Saya di layanan Power BI, di bilah header hitam, pilih Opsi lainnya (...)>Pengaturan>Pengaturan.

Pilih Himpunan data, perluas Kredensial sumber data, lalu pilih Edit Kredensial.

Ikuti petunjuk untuk azureMLFunctions dan Web. Pastikan Anda memilih tingkat privasi. Sekarang Anda dapat mengatur Refresh terjadwal untuk data. Pilih Frekuensi refresh dan Zona waktu. Anda juga dapat memilih alamat email tempat Power BI dapat mengirim pemberitahuan kegagalan refresh.

Pilih Terapkan.

Catatan

Saat di-refresh, data juga mengirim data ke titik akhir Azure Machine Learning Anda untuk dinilai.

Membersihkan sumber daya

Penting

Anda dapat menggunakan sumber daya yang Anda buat sebagai prasyarat untuk tutorial dan artikel cara penggunaan Azure Machine Learning lainnya.

Jika Anda tidak berencana menggunakan sumber daya yang sudah Anda buat, hapus sumber daya tersebut sehingga Anda tidak dikenakan biaya apa pun.

1. Dari portal Microsoft Azure, pilih Grup sumber daya dari sisi sebelah kiri.

2. Dari daftar, pilih grup sumber daya yang Anda buat.

3. Pilih Hapus grup sumber daya.

   

4. Masukkan nama grup sumber daya. Kemudian pilih Hapus.

5. Di Ruang Kerja Saya di layanan Power BI, hapus laporan dan himpunan data terkait. Anda tidak perlu menghapus Power BI Desktop atau laporan di komputer Anda. Power BI Desktop gratis.

Langkah berikutnya

Dalam seri tutorial ini, Anda mempelajari cara menyiapkan jadwal di Power BI sehingga data baru dapat dinilai oleh titik akhir penilaian Anda di Azure Machine Learning.