Novembre 2017

Volume 33 Numero 11

Il presente articolo è stato tradotto automaticamente.

Artificially Intelligent - Esposizione dei modelli di Machine Learning da Azure Machine Learning Studio

Da Frank La La | 2017 novembre

Frank La Vigne

Uno dei principali driver dell'innovazione di machine learning (ML) e spazio intelligenza artificiale (AI) è stato il fatto che la maggior parte dei risultati della ricerca all'avanguardia ha "lasciato il lab" e disponibile al pubblico. I servizi, ad esempio Cortana e tradurre Skype che si basano su anni di lavoro nel riconoscimento vocale e l'analisi linguistica sono in mani di utenti in tutto il mondo.

La colonna precedente (msdn.microsoft.com/mt826348), è stato illustrato come creare un modello di Machine Learning in Azure Machine Learning Studio. Utilizza un esperimento di esempio come punto di partenza, creato un modello stimato se un volo potrebbe essere annullato con una frequenza di accuratezza leggermente maggiore di 80 percento. Questo modello potrebbe essere utile di per sé, completo rivoluzionaria potenza AI sarebbe impossibile realizzare se dopo aver apportato questo modello disponibile a più di un semplice gli esperti di dati nel team. Cosa accade se questo modello predittivo erano esposti al business analyst? Cosa accade se è stata eseguita di utilizzare il modello predittivo all'interno di Excel? Cosa accade se il modello è stato esposto agli sviluppatori di app da incorporare in un numero qualsiasi di applicazioni?

In questo articolo viene illustrato come esporre i modelli di Machine Learning creati in Machine Learning Studio agli utenti non esperto di dati.

Creazione di un servizio Web in Machine Learning Studio

Fortunatamente, Machine Learning Studio semplifica per esporre i modelli di Machine Learning tramite un servizio Web. Selezionare tramite Machine Learning Studio a studio.azureml.net. Dopo avere eseguito i passaggi nell'articolo precedente, aprire backup Binary Classification: Flight delay prediction esperimento. In caso contrario, procedere e seguire la procedura di ultimo mese per creare l'esperimento.

Una volta caricato, deve esistere un pulsante nella parte inferiore della pagina Web di servizio Web chiamata. Fare clic su di esso e scegliere l'opzione predittiva servizio Web (scelta consigliata) nel menu di scelta rapida (vedere figura 1). Se l'opzione per creare un servizio Web predittivo è disattivata, è necessario eseguire nuovamente l'esperimento. Fare clic sul pulsante Esegui immediatamente a sinistra del pulsante di servizio Web come illustrato nella figura 1.

Impostazione di Menu di contesto del servizio Web in Azure Machine Learning Studio

Figura 1 il Set di Menu di contesto del servizio Web in Azure Machine Learning Studio

Dopo aver selezionato l'opzione di menu, la finestra di dialogo in figura 2 verranno visualizzati. Machine Learning Studio verrà richiesto di selezionare un modulo Train Model. Perché? In questo esercizio vengono eseguito il training modelli di Machine Learning due: uno che utilizza un algoritmo Two-Class Boosted Decision Tree e l'altro mediante un algoritmo di regressione logistica a due classi. Tenere presente che la regressione logistica a due classi ottenuta un'accuratezza di 81.7%, mentre Two-Class Boosted Decision Tree ottenuta 80.6 percento. Il modello che si desidera esporre come servizio Web, pertanto, è il modello creato con l'algoritmo Two-Class Logistic Regression.

Azure Machine Learning Studio verrà richiesto di selezionare un modulo di modello di training

Figura 2 Azure Machine Learning Studio verrà richiesto di selezionare un modulo di modello di training

Il lato destro del layout esperimento, dopo il progetto suddivide in due percorsi, viene visualizzato come il contenuto figura 3. Il modulo di ottimizzazione Iperparametri modello esegue lo sweep di parametri in un modello, in questo caso il Two-Class Boosted Decision Tree appena sopra il modulo, per determinare le impostazioni ottimali dei parametri. Per ottenere un'idea di cosa questo modulo, fare clic sul nodo di output di destra e scegliere Visualizza.

Il modello più accurato è Two-Class Logistic Regression, migliorata Iperparametri modello di ottimizzazione

Figura 3 il modello più accurato è Two-Class Logistic Regression, migliorata Iperparametri modello di ottimizzazione

Una volta al caricamento della finestra di dialogo, dovrebbe essere simile a figura 4. Machine Learning Studio è stato eseguito tramite un numero di permutazioni e creato 368 diversi gli alberi delle decisioni utilizzando i campi dati di input diversi come decisione punti per trovare l'albero delle decisioni ottimali. Facendo clic su qualsiasi nodo in una struttura ad albero, verranno visualizzate le statistiche sul nodo e il relativo impatto sulla creazione del modello di output. L'ordine in cui le strutture ad albero vengono visualizzate nella colonna di sinistra indicano il numero di dimensioni in termini di produrre un modello accurato. È possibile esplorare la finestra di dialogo per ottenere una valutazione di tutte le operazioni eseguite in questo modulo.

Visualizzazione di un modulo di Iperparametri modello di ottimizzazione

Figura 4 visualizzazione un'ottimizzazione del modello modulo Iperparametri

Quando si è pronti per continuare, chiudere questa finestra di dialogo. Assicurarsi che il modulo di ottimizzazione Iperparametri modello sia selezionato e quindi fare clic sul pulsante di servizio Web. Nel menu di scelta rapida che segue, selezionare l'opzione predittiva servizio Web (scelta consigliata). Tra qualche minuto, si sposteranno i moduli nell'esperimento ed esperimento verrà suddiviso in due schede: Esperimento di training ed esperimento predittiva. La scheda esperimento di Training viene mantenuto il lavoro svolto finora. La scheda sperimentare predittiva contiene il modello con training stesso e i metodi di wrangling dati con le modifiche necessarie per esporre l'esperimento come servizio Web. Fare clic su Esegui per eseguire l'esperimento. Una volta terminato l'esperimento in esecuzione, fare clic sul pulsante distribuzione servizio Web per completare il processo di esposizione di questo modello di dati come servizio Web.

Dopo aver distribuito il servizio Web, il dashboard del servizio Web viene visualizzato sullo schermo. Il dashboard del servizio Web fornisce informazioni su come accedere, configurare e testare il servizio Web. Fare clic sul collegamento Test evidenziato in figura 5.

Dashboard del servizio Web in Azure Machine Learning Studio

Figura 5 Dashboard del servizio Web in Azure Machine Learning Studio

Fare clic sul pulsante per attivare i dati di esempio nella schermata seguente. Abilitazione di dati di esempio espone un subset dei dati di training nella finestra di dialogo di test. L'obiettivo è rendere più semplice per gli utenti iniziare a usare il servizio Web del servizio Web. Dopo qualche istante, i campi di testo nel form vengono popolati con i valori. Fare clic sul pulsante di richiesta-risposta di Test per testare il servizio Web. Risultati del test verranno visualizzato sul lato destro dello schermo dopo qualche istante.

Utilizzo del modello con Training in Excel

Ora che il modello con Training è stato distribuito come servizio Web che può essere utilizzata da qualsiasi client che supportano HTTP REST, tra cui Excel 2013 e versioni successive. Excel è un'applicazione client eccellente per qualsiasi modello predittivo, perché è lo strumento analitica fatto per gli utenti di business in tutto il mondo. Inoltre, Excel si integra con numerosi altri strumenti analitica, ad esempio Power BI.

L'installazione di Azure Machine Learning-In

Per utilizzare i modelli da Azure Machine Learning, è necessario installare Azure Machine Learning aggiuntivo per Excel. Fare clic sulla scheda Inserisci e fare clic sul pulsante di archivio (vedere figura 6).

L'installazione di un componente aggiuntivo per Excel 2016

Figura 6, l'installazione di un componente aggiuntivo per Excel 2016

Nella finestra di dialogo seguente fare clic sull'archivio e digitare "Azure Machine Learning" nella casella di ricerca e premere INVIO. Come illustrato nel figura 7, il componente aggiuntivo di Azure Machine Learning è il primo risultato. Fare clic su Aggiungi per installarlo.

Cercare nell'archivio di Azure Machine Learning-in

Figura 7 cercando nell'archivio di Azure Machine Learning-in

Dopo aver installato il componente aggiuntivo, viene visualizzato un riquadro di Azure Machine Learning sul lato destro del foglio di calcolo. Si noti che sono presenti servizi già aggiunti per impostazione predefinita. Fare clic sul pulsante Aggiungi servizio Web per aggiungere il servizio Web appena creato. La finestra di dialogo Aggiungi servizio nel riquadro di Azure Machine Learning visualizzerà quindi due caselle di testo: Uno per l'URL del servizio Web e un altro per la chiave API accedere al servizio. La chiave API viene trovata nel dashboard del servizio Web in figura 5. L'URL è reperibile nel dashboard stesso. Nella sezione Endpoint predefinito, fare doppio clic sul collegamento di testo richiesta/risposta e scegliere Copia collegamento indirizzo per copiare l'URL negli Appunti. Incollare tale valore nella casella di testo URL in Excel, come illustrato nella figura 8.

Aggiunta di un servizio Web di Azure Machine Learning in Excel

Figura 8 aggiungendo un Azure Machine Learning Web del servizio per Excel

Fare clic su Aggiungi per aggiungere il servizio Web al foglio di calcolo corrente.

Utilizzo del servizio Web da Excel

Dopo aver aggiunto il servizio Web che è possibile utilizzarlo. Nel riquadro di Azure Machine Learning, fare clic su Binary Classification: stima ritardi nell'elenco dei servizi disponibili. Fare clic su dati di esempio di utilizzo e, in un momento, il foglio di calcolo viene popolato con una tabella di valori di esempio. Nella casella di testo di Input, immettere "Sheet1! A1:N6 "per includere tutti i dati di esempio (supponendo che il foglio di lavoro è denominato a Sheet1). Nella casella di testo di Output immettere "O1". Immediatamente sotto la casella di testo di Output viene visualizzato un messaggio di avviso sulla sostituzione di valori esistenti. Fare clic ottenuto per chiudere il messaggio di avviso.

Fare clic su stima e stimati i valori vengono visualizzati tra qualche minuto. Il componente aggiuntivo e un collegamento al servizio Web fanno ora parte del file di Excel. È ora possibile salvare e condividere il file con le parti interessate. Altri utenti non è necessario installare il componente aggiuntivo successivamente o configurare il servizio Web, come l'installazione e la configurazione è stato preso in considerazione relativa.

Accesso al servizio Web in altre applicazioni

Passare al dashboard del servizio Web visualizzato figura 5. Si noti che, redazione del presente documento, è una nuova esperienza di servizio Web in anteprima. Fare clic sul collegamento per visualizzare la nuova esperienza di dashboard del servizio Web. In informazioni di base, fare clic sul collegamento "Usa endpoint" per visualizzare un numero di opzioni utilizzare il servizio.

Oltre alle chiavi di accesso API e gli endpoint del servizio, è il codice di esempio per l'accesso al servizio in c#, Python e R. È inoltre disponibile un collegamento per il progetto di App di Azure ML richiesta-risposta del servizio Web che consente di creare immediatamente un sito Web di Azure che utilizza i dati, che sono reperibile in bit.ly/2wBHE1j. Per ulteriori informazioni e per una panoramica dettagliata sul funzionamento di questo modello, consultare la documentazione all'indirizzo bit.ly/2yt99Ye.

Conclusioni

In questo articolo è stato illustrato come esporre i modelli di Machine Learning creati in Machine Learning Studio agli utenti in tutto il mondo esterno. A partire da un modello predittivo creato nella colonna precedente, è stato illustrato esposizione di tale modello più esperti di dati. Dopo tutto, un modello predittivo è solo così utile come sia accessibile ai responsabili delle decisioni. Gran parte al ritmo di innovazione in machine learning ultimamente rapido può essere attribuita a rendere ampiamente disponibili tecnologia Azure Machine Learning per utenti aziendali e.

Sfruttando il cloud, questi modelli possono essere distribuiti ed ridimensionati senza qualsiasi carico di lavoro di un'infrastruttura aggiuntiva dei sistemi IT esistenti dell'organizzazione. In realtà, un minimo sforzo aggiuntivo è obbligatorio per gli sviluppatori di integrare modelli predittivi da Machine Learning Studio. Ora che è più semplice rendere ampiamente disponibili per l'analisi esplorativa questi modelli in Excel e integrazione con altre applicazioni, la possibilità di aggiungere valore con machine learning è illimitata.


Frank La Vigne* comporta la pratica di dati & Analitica Wintellect e CO-host il podcast DataDriven. Blog di he al FranksWorld.com ed è possibile guardare quest'ultimo nel canale YouTube "World TV Marco" (FranksWorld.TV).*

Grazie ai seguenti esperti per la revisione dell'articolo: Andy Leonard


Viene illustrato in questo articolo nel forum di MSDN Magazine