Esempio 1: regressione: Prevedere il prezzoSample 1 - Regression: Predict price

Informazioni su come creare un modello di regressione di Machine Learning senza scrivere una sola riga di codice usando l'interfaccia visiva.Learn how to build a machine learning regression model without writing a single line of code using the visual interface.

Questo esperimento consente di eseguire il training di un regressore della foresta delle decisioni per stimare il prezzo di un'automobile in base a funzionalità tecniche quali marca, modello, potenza e dimensioni.This experiment trains a decision forest regressor to predict a car's price based on technical features such as make, model, horsepower, and size. Poiché stiamo provando a rispondere alla domanda "Qual è?"Because we're trying to answer the question "How much?" si tratta di un problema di regressione.this is called a regression problem. Tuttavia, è possibile applicare gli stessi passaggi fondamentali in questo esperimento per risolvere qualsiasi tipo di problema di Machine Learning, sia che si tratti di regressione, classificazione, clustering e così via.However, you can apply the same fundamental steps in this experiment to tackle any type of machine learning problem whether it be regression, classification, clustering, and so on.

I passaggi fondamentali di un modello di apprendimento automatico del training sono:The fundamental steps of a training machine learning model are:

  1. Ottenere i datiGet the data
  2. Pre-elaborare i datiPre-process the data
  3. Eseguire il training del modelloTrain the model
  4. Valutare il modelloEvaluate the model

Di seguito è riportato il grafico finale e completato dell'esperimento su cui si lavorerà.Here's the final, completed graph of the experiment we'll be working on. Verranno fornite le logiche per tutti i moduli, in modo da poter prendere decisioni simili.We'll provide the rationale for all the modules so you can make similar decisions on your own.

Grafico dell'esperimento

PrerequisitiPrerequisites

  1. Creare un'area di lavoro del servizio Azure Machine Learning se non è già presente.Create an Azure Machine Learning service workspace if you don't have one.

  2. Aprire l'area di lavoro nel portale di Azure.Open your workspace in the Azure portal. Se non si è certi di come individuare l'area di lavoro nel portale, vedere come trovare l'area di lavoro.If you're not sure how to locate your workspace in the portal, see how to find your workspace.

  3. Nell'area di lavoro selezionare Interfaccia visiva grafica.In your workspace, select Visual interface. Selezionare quindi Avvia interfaccia visiva grafica.Then select Launch visual interface.

    Avviare l'interfaccia visiva grafica

    La pagina Web dell'interfaccia viene aperta apre in una nuova finestra del browser.The interface webpage opens in a new browser page.

È anche possibile accedere all'interfaccia visiva dalla pagina di destinazione dell'area di lavoro (anteprima).You can also access the visual interface from your workspace landing page (preview).

  1. Selezionare il pulsante Apri per l'esperimento di esempio 1:Select the Open button for the Sample 1 experiment:

    Aprire l'esperimento

Ottenere i datiGet the data

In questo esperimento viene usato il set di dati automobile price data (RAW) , che si trova nel Repository UCI Machine Learning.In this experiment, we use the Automobile price data (Raw) dataset, which is from the UCI Machine Learning Repository. Il set di dati contiene 26 colonne contenenti informazioni sulle automobili, incluse le funzionalità marca, modello, prezzo, veicolo (ad esempio il numero di cilindri), MPG e un punteggio di rischio assicurativo.The dataset contains 26 columns that contain information about automobiles, including make, model, price, vehicle features (like the number of cylinders), MPG, and an insurance risk score. L'obiettivo di questo esperimento è stimare il prezzo dell'auto.The goal of this experiment is to predict the price of the car.

Pre-elaborare i datiPre-process the data

Le attività di preparazione dei dati principali includono la pulizia, l'integrazione, la trasformazione, la riduzione e la discretizzazione o la quantizzazione dei dati.The main data preparation tasks include data cleaning, integration, transformation, reduction, and discretization or quantization. Nell'interfaccia visiva è possibile trovare moduli per eseguire queste operazioni e altre attività di pre-elaborazione dei dati nel gruppo di trasformazione dati nel pannello di sinistra.In the visual interface, you can find modules to perform these operations and other data pre-processing tasks in the Data Transformation group in the left panel.

Viene usato il modulo Select Columns in DataSet per escludere le perdite normalizzate con molti valori mancanti.We use the Select Columns in Dataset module to exclude normalized-losses that have many missing values. Si usano quindi Clean Missing data per rimuovere le righe con valori mancanti.We then use Clean Missing Data to remove the rows that have missing values. Questo consente di creare un set di dati di training puliti.This helps to create a clean set of training data.

Pre-elaborazione dei dati

Eseguire il training del modelloTrain the model

I problemi di Machine Learning variano.Machine learning problems vary. Le attività comuni di Machine Learning includono sistemi di classificazione, clustering, regressione e raccomandazione, ciascuno dei quali potrebbe richiedere un algoritmo diverso.Common machine learning tasks include classification, clustering, regression, and recommender systems, each of which might require a different algorithm. La scelta dell'algoritmo dipende spesso dai requisiti del caso d'uso.Your choice of algorithm often depends on the requirements of the use case. Dopo aver selezionato un algoritmo, è necessario ottimizzarne i parametri per eseguire il training di un modello più accurato.After you pick an algorithm, you need to tune its parameters to train a more accurate model. È quindi necessario valutare tutti i modelli in base alle metriche come accuratezza, intelligibilità ed efficienza.You then need to evaluate all models based on metrics like accuracy, intelligibility, and efficiency.

Dato che l'obiettivo di questo esperimento è stimare i prezzi delle automobili e perché la colonna Label (price) contiene numeri reali, un modello di regressione è una scelta ottimale.Because the goal of this experiment is to predict automobile prices, and because the label column (price) contains real numbers, a regression model is a good choice. Poiché il numero di funzionalità è relativamente ridotto (inferiore a 100) e queste funzionalità non sono di tipo sparse, è probabile che il limite della decisione sia non lineare.Considering that the number of features is relatively small (less than 100) and these features aren't sparse, the decision boundary is likely to be nonlinear. Quindi usiamo la regressione della foresta delle decisioni per questo esperimento.So we use Decision Forest Regression for this experiment.

Viene usato il modulo Split data per dividere in modo casuale i dati di input in modo che il set di dati di training contenga il 70% dei dati originali e il set di dati di testing contenga il 30% dei dati originali.We use the Split Data module to randomly divide the input data so that the training dataset contains 70% of the original data and the testing dataset contains 30% of the original data.

Test, valutazione e confrontoTest, evaluate, and compare

Il set di dati viene suddiviso e vengono utilizzati set di dati diversi per eseguire il training e il test del modello, in modo da rendere più obiettivo la valutazione del modello.We split the dataset and use different datasets to train and test the model to make the evaluation of the model more objective.

Dopo aver eseguito il training del modello, si utilizzano i moduli Score Model e Evaluate Model per generare risultati stimati e valutare i modelli.After the model is trained, we use the Score Model and Evaluate Model modules to generate predicted results and evaluate the models.

Score Model genera stime per il set di dati di test usando il modello sottoposto a training.Score Model generates predictions for the test dataset by using the trained model. Per controllare il risultato, selezionare la porta di output di Score Model e quindi selezionare Visualize (Visualizza).To check the result, select the output port of Score Model and then select Visualize.

Risultato del Punteggio

Vengono quindi passati i punteggi al modulo Evaluate Model per generare le metriche di valutazione.We then pass the scores to the Evaluate Model module to generate evaluation metrics. Per controllare il risultato, selezionare la porta di output del modello Evaluate e quindi selezionare Visualize (Visualizza).To check the result, select the output port of the Evaluate Model and then select Visualize.

Risultato della valutazione

Pulire le risorseClean up resources

Importante

È possibile usare le risorse create come prerequisiti per altre esercitazioni e procedure dettagliate relative al servizio Azure Machine Learning.You can use the resources that you created as prerequisites for other Azure Machine Learning service tutorials and how-to articles.

Eliminare tuttoDelete everything

Se non si prevede di usare le risorse create, eliminare l'intero gruppo di risorse per evitare addebiti:If you don't plan to use anything that you created, delete the entire resource group so you don't incur any charges:

  1. Nel portale di Azure, selezionare Gruppi di risorse nella parte sinistra della finestra.In the Azure portal, select Resource groups on the left side of the window.

    Eliminare il gruppo di risorse nel portale di Azure

  2. Nell'elenco selezionare il gruppo di risorse creato.In the list, select the resource group that you created.

  3. Nella parte destra della finestra selezionare il pulsante con i puntini di sospensione ( ... ).On the right side of the window, select the ellipsis button (...).

  4. Selezionare Elimina gruppo di risorse.Select Delete resource group.

Se si elimina il gruppo di risorse, vengono eliminate anche tutte le risorse create nell'interfaccia visiva grafica.Deleting the resource group also deletes all resources that you created in the visual interface.

Eliminare solo la destinazione di calcoloDelete only the compute target

La destinazione di calcolo creata qui viene ridimensionata automaticamente a zero nodi quando non viene usata,The compute target that you created here automatically autoscales to zero nodes when it's not being used. allo scopo di ridurre gli addebiti.This is to minimize charges. Se si vuole eliminare la destinazione di calcolo, eseguire le operazioni seguenti: If you want to delete the compute target, take these steps:

  1. Aprire l'area di lavoro nel portale di Azure.In the Azure portal, open your workspace.

    Eliminare la destinazione di calcolo

  2. Nella sezione Calcolo dell'area di lavoro selezionare la risorsa.In the Compute section of your workspace, select the resource.

  3. Selezionare Elimina.Select Delete.

Eliminare singole risorseDelete individual assets

Nell'interfaccia visiva grafica in cui è stato creato l'esperimento, eliminare le singole risorse selezionandole e quindi selezionando il pulsante Elimina.In the visual interface where you created your experiment, delete individual assets by selecting them and then selecting the Delete button.

Eliminare gli esperimenti

Passaggi successiviNext steps

Esplorare gli altri esempi disponibili per l'interfaccia visiva:Explore the other samples available for the visual interface: