チュートリアル:ビジュアル インターフェイスで自動車価格を予測するTutorial: Predict automobile price with the visual interface

この 2 部構成のチュートリアルでは、Azure Machine Learning のビジュアル インターフェイスを使用して、自動車の価格を予測する予測分析ソリューションを開発およびデプロイする方法について説明します。In this two-part tutorial, you learn how to use Azure Machine Learning's visual interface to develop and deploy a predictive analytic solution that predicts the price of any car.

パート 1 では、環境を設定してから、データセットと分析モジュールを対話型のキャンバスにドラッグ アンド ドロップし、それらを相互に接続して実験を作成します。In part one, you'll set up your environment, drag-and-drop datasets and analysis modules onto an interactive canvas, and connect them together to create an experiment.

チュートリアルのパート 1 で学習する内容は次のとおりです。In part one of the tutorial you learn how to:

  • 新しい実験を作成するCreate a new experiment
  • データのインポートImport data
  • データを準備するPrepare data
  • 機械学習モデルのトレーニングTrain a machine learning model
  • 機械学習モデルを評価するEvaluate a machine learning model

チュートリアルのパート 2 では、予測モデルを Azure Web サービスとしてデプロイし、これを使用して、送信した技術仕様に基づいて任意の自動車の価格を予測する方法を学習します。In part two of the tutorial, you'll learn how to deploy your predictive model as an Azure web service so you can use it to predict the price of any car based on technical specifications you send it.

このチュートリアルの完成版は、実験のサンプルとして使用できます。A completed version of this tutorial is available as a sample experiment.

これを見つけるには、 [実験] ページから [新規追加] を選択し、サンプル 1 - 回帰:Automobile Price Prediction(Basic) (自動車価格の予測 (Basic)) を選択します。To find it, from the Experiments page, select Add New, then select the Sample 1 - Regression: Automobile Price Prediction(Basic) experiment.

新しい実験を作成するCreate a new experiment

ビジュアル インターフェイス実験を作成するには、まず、Azure Machine Learning service ワークスペースが必要です。To create a visual interface experiment, you first need an Azure Machine Learning service workspace. このセクションでは、これらのリソースを作成する方法について説明します。In this section you learn how to create both these resources.

新しいワークスペースを作成するCreate a new workspace

Azure Machine Learning ワークスペースがある場合は、次のセクションに進みます。If you have an Azure Machine Learning workspace, skip to the next section.

  1. 使用する Azure サブスクリプションの資格情報を使って、Azure portal にサインインします。Sign in to the Azure portal by using the credentials for the Azure subscription you use.

  2. Azure portal の左上隅にある [+ リソースの作成] を選択します。In the upper-left corner of Azure portal, select + Create a resource.

    新しいリソースを作成

  3. 検索バーを使用して、Machine Learning service ワークスペースを見つけます。Use the search bar to find Machine Learning service workspace.

  4. [Machine Learning service ワークスペース] を選択します。Select Machine Learning service workspace.

  5. [Machine Learning サービス ワークスペース] ウィンドウで、 [作成] を選択して開始します。In the Machine Learning service workspace pane, select Create to begin.

  6. 新しいワークスペースを構成するには、次の情報を指定します。Provide the following information to configure your new workspace:

    フィールドField 説明Description
    ワークスペース名Workspace name ワークスペースを識別する一意の名前を入力します。Enter a unique name that identifies your workspace. この例では、docs-ws を使用します。In this example, we use docs-ws. 名前は、リソース グループ全体で一意である必要があります。Names must be unique across the resource group. 覚えやすく、他のユーザーが作成したワークスペースと区別しやすい名前を使用します。Use a name that's easy to recall and to differentiate from workspaces created by others.
    SubscriptionSubscription 使用する Azure サブスクリプションを選択します。Select the Azure subscription that you want to use.
    Resource groupResource group サブスクリプションの既存のリソース グループを使用するか、任意の名前を入力して新しいリソース グループを作成します。Use an existing resource group in your subscription or enter a name to create a new resource group. リソース グループは、Azure ソリューションの関連するリソースを保持します。A resource group holds related resources for an Azure solution. この例では、docs-aml を使用します。In this example, we use docs-aml.
    LocationLocation ユーザーとデータ リソースに最も近い場所を選択し、ワークスペースを作成します。Select the location closest to your users and the data resources to create your workspace.
  7. ワークスペースの構成が完了したら、 [作成] を選択します。After you are finished configuring the workspace, select Create.

    警告

    クラウドへのワークスペースの作成には数分かかる場合があります。It can take several minutes to create your workspace in the cloud.

    プロセスが完了すると、デプロイ成功メッセージが表示されます。When the process is finished, a deployment success message appears.

  8. 新しいワークスペースを表示するには、 [Go to resource](リソースに移動) を選択します。To view the new workspace, select Go to resource.

実験の作成Create an experiment

  1. Azure Portal でワークスペースを開きます。Open your workspace in the Azure portal.

  2. ワークスペースで、 [ビジュアル インターフェイス] を選択します。In your workspace, select Visual interface. 次に、 [ビジュアル インターフェイスを起動する] を選択します。Then select Launch visual interface.

    Machine Learning service ワークスペースからビジュアル インターフェイスにアクセスする方法を示す Azure portal のスクリーンショット

  3. ビジュアル インターフェイス ウィンドウの下部にある [+ 新規] を選択して、新しい実験を作成します。Create a new experiment by selecting +New at the bottom of the visual interface window.

  4. [Blank Experiment](空の実験) を選択します。Select Blank Experiment.

  5. キャンバスの上部にある既定の実験名 "Experiment created on ... " を選択し、わかりやすい名前に変更します。Select the default experiment name "Experiment created on ..." at the top of the canvas and rename it to something meaningful. たとえば、"Automobile price prediction" (自動車価格の予測) です。For example, "Automobile price prediction". 名前は一意でなくてもかまいません。The name doesn't need to be unique.

データのインポートImport data

機械学習は、データに依存します。Machine learning depends on data. さいわい、このインターフェイスには、実験に利用できるいくつかのサンプル データセットが含まれています。Luckily, there are several sample datasets included in this interface available for you to experiment with. このチュートリアルでは、Automobile price data (Raw) というサンプル データセットを使用します。For this tutorial, use the sample dataset Automobile price data (Raw).

  1. 実験キャンバスの左側には、データセットとモジュールのパレットがあります。To the left of the experiment canvas is a palette of datasets and modules. [Saved Datasets](保存されたデータセット) を選択し、次に [Samples](サンプル) を選択して、利用可能なサンプル データセットを表示します。Select Saved Datasets then select Samples to view the available sample datasets.

  2. Automobile price data (raw) データセットを選択し、キャンバスにドラッグします。Select the dataset, Automobile price data (raw), and drag it onto the canvas.

    データをキャンバスにドラッグする

  3. 使用するデータの列を選択します。Select which columns of data to work with. パレットの上部にある検索ボックスに「Select」と入力し、Select Columns in Dataset (データセットの列を選択する) モジュールを見つけます。Type Select in the Search box at the top of the palette to find the Select Columns in Dataset module.

  4. [Select Columns in Dataset](データセットの列を選択する) モジュールをクリックし、キャンバスにドラッグします。Click and drag the Select Columns in Dataset module onto the canvas. データセット モジュールの下のモジュールを削除します。Drop the module below the dataset module.

  5. 前の手順で追加したデータセットをクリックし、ドラッグして [Select Columns in Dataset](データセットの列を選択する) モジュールに接続します。Connect the dataset you added earlier to the Select Columns in Dataset module by clicking and dragging. データセットの出力ポート (キャンバス上のデータセットの下部にある小さい円) から Select Columns in Dataset (データセットの列を選択する) の入力ポート (モジュールの上部にある小さい円) までずっとドラッグします。Drag from the dataset's output port, which is the small circle at the bottom of the dataset on the canvas, all the way to the input port of Select Columns in Dataset, which is the small circle at the top of the module.

    ヒント

    1 つのモジュールの出力ポートを別のモジュールの入力ポートに接続するときに、実験を通じてデータのフローを作成することになります。You create a flow of data through your experiment when you connect the output port of one module to an input port of another.

    モジュールの接続

    赤色の感嘆符は、モジュールのプロパティがまだ設定されていないことを示します。The red exclamation mark indicates that you haven't set the properties for the module yet.

  6. Select Columns in Dataset (データセットの列を選択する) モジュールを選択します。Select the Select Columns in Dataset module.

  7. キャンバスの右側にある [プロパティ] ウィンドウで、 [列の編集] を選択します。In the Properties pane to the right of the canvas, select Edit columns.

    [Select columns](列の選択) ダイアログで、 [ALL COLUMNS](すべての列) を選択し、 [all features](すべてのフィーチャー) を含めます。In the Select columns dialog, select ALL COLUMNS and include all features. ダイアログは次のようになります。The dialog should look like this:

    列セレクター

  8. 右下の [OK] を選択して列セレクターを閉じます。On the lower right, select OK to close the column selector.

実験を実行するRun the experiment

いつでもデータセットまたはモジュールの出力ポートをクリックすると、データ フローのその時点でデータがどのようになっているかを確認できます。At any time, click the output port of a dataset or module to see what the data looks like at that point in the data flow. [Visualize](可視化) オプションが無効になっている場合、最初に実験を実行する必要があります。If the Visualize option is disabled, you first need to run the experiment.

実験はコンピューティング先 (ワークスペースにアタッチされているコンピューティング リソース) で実行されます。An experiment runs on a compute target, a compute resource that is attached to your workspace. コンピューティング先を作成すると、将来の実行でそれを再利用できます。Once you create a compute target, you can reuse it for future runs.

  1. 下部の [Run](実行) を選択して実験を実行します。Select Run at the bottom to run the experiment.

  2. ワークスペースに既にコンピューティング リソースがある場合は、 [Setup Compute Targets](コンピューティング先の設定) ダイアログが表示されたら、それを選択できます。When the Setup Compute Targets dialog appears, if your workspace already has a compute resource, you can select it now. そうでない場合は、 [Create new](新規作成) を選択します。Otherwise, select Create new.

    注意

    ビジュアル インターフェイスでは、Machine Learning コンピューティング先でのみ実験を実行できます。The visual interface can only run experiments on Machine Learning Compute targets. その他のコンピューティング先は表示されません。Other compute targets will not be shown.

  3. コンピューティング リソースの名前を指定します。Provide a name for the compute resource.

  4. [実行] を選択します。Select Run.

    コンピューティング先を設定する

    これで、コンピューティング リソースが作成されます。The compute resource will now be created. 実験の右上隅に状態が表示されます。View the status in the top-right corner of the experiment.

    注意

    コンピューティング リソースの作成には、約 5 分かかります。It takes approximately 5 minutes to create a compute resource. リソースの作成後は、それを再利用できるため、今後の実行では、この待機時間をスキップできます。After the resource is created, you can reuse it and skip this wait time for future runs.

    コンピューティング リソースは、コストを節約するために、アイドル状態のときには 0 ノードに自動スケーリングされます。The compute resource will autoscale to 0 nodes when it is idle to save cost. しばらくしてから再度使用すると、スケールアップして元に戻すために、再び約 5 分の待ち時間が発生することがあります。When you use it again after a delay, you may again experience approximately 5 minutes of wait time while it scales back up.

コンピューティング ターゲットが使用できるようになった後、実験が実行されます。After the compute target is available, the experiment runs. 実行が完了したら、各モジュールに緑色のチェック マークが表示されます。When the run is complete, a green check mark appears on each module.

データの視覚化Visualize the data

最初の実験を実行したので、次にデータを視覚化して、データセットについてさらに理解することができます。Now that you have run your initial experiment, you can visualize the data to understand more about the dataset you have.

  1. Select Columns in Dataset (データセットの列を選択する) の下部にある出力ポートを選択し、 [Visualize](可視化) を選択します。Select the output port at the bottom of the Select Columns in Dataset then select Visualize.

  2. データ ウィンドウで別の列をクリックして、その列についての情報を表示します。Click on different columns in the data window to view information about that column.

    このデータセットでは、各行が自動車を表していて、各自動車に関連付けられている変数は列として表示されます。In this dataset, each row represents an automobile, and the variables associated with each automobile appear as columns. このデータセット内には、205 の行と 26 の列があります。There are 205 rows and 26 columns in this dataset.

    データの列をクリックするたびに、その列の [Statistics](統計) 情報と [Visualization](視覚化) の画像が左側に表示されます。Each time you click a column of data, the Statistics information and Visualization image of that column appears on the left.

    データをプレビューするPreview the data

  3. 各列をクリックしてデータセットの詳細を把握し、自動車の価格を予測する際にこれらの列が役立つかどうかを考えます。Click each column to understand more about your dataset, and think about whether these columns will be useful to predict the price of an automobile.

データを準備するPrepare data

通常、データセットには、分析前にある程度の前処理が必要です。Typically, a dataset requires some preprocessing before it can be analyzed. データセットを視覚化するときに、いくつか不足値があることに気付いたかもしれません。You might have noticed some missing values when visualizing the dataset. モデルがデータを正しく分析するには、これらの不足値を整理する必要があります。These missing values need to be cleaned so the model can analyze the data correctly. 値が不足している行をすべて削除します。You'll remove any rows that have missing values. また、不足している値の大部分は、normalized-losses 列にあります。したがって、モデルからこの列を完全に除外します。Also, the normalized-losses column has a large proportion of missing values, so you'll exclude that column from the model altogether.

ヒント

不足している値を入力データから整理することが、ほとんどのモジュールを使用するための前提条件となっています。Cleaning the missing values from input data is a prerequisite for using most of the modules.

列を削除するRemove column

最初に、normalized-losses 列を完全に削除します。First, remove the normalized-losses column completely.

  1. Select Columns in Dataset (データセットの列を選択する) モジュールを選択します。Select the Select Columns in Dataset module.

  2. キャンバスの右側にある [プロパティ] ウィンドウで、 [列の編集] を選択します。In the Properties pane to the right of the canvas, select Edit columns.

    • [With rules](規則を使用)[ALL COLUMNS](すべての列) は選択したままにします。Leave With rules and ALL COLUMNS selected.

    • ドロップダウンから [Exclude](除外)[column names](列名) を選択し、テキスト ボックスの内側をクリックします。From the drop-downs, select Exclude and column names, and then click inside the text box. normalized-losses」と入力します。Type normalized-losses.

    • 右下の [OK] を選択して列セレクターを閉じます。On the lower right, select OK to close the column selector.

    列を除外する

    これで、Select Columns in Dataset (データセットの列を選択する) のプロパティ ウィンドウに、normalized-losses 以外のデータセットのすべての列がフィルターを通過することが示されます。Now the properties pane for Select Columns in Dataset indicates that it will pass through all columns from the dataset except normalized-losses.

    "normalized-losses" 列が除外されたことを示すプロパティ ウィンドウ。The properties pane shows that the normalized-losses column is excluded.

  3. Select Columns in Dataset (データセットの列を選択する) モジュールをダブルクリックして、「Exclude normalized losses」(normalized losses を除外する) というコメントを入力します。Double-click the Select Columns in Dataset module and type the comment "Exclude normalized losses."

    コメントを入力した後、モジュールの外側をクリックします。After you type the comment, click outside the module. モジュールにコメントが含まれていることを示す下向き矢印が表示されます。A down-arrow appears to show that the module contains a comment.

  4. コメントを表示するには、下向き矢印をクリックします。Click on the down-arrow to display the comment.

    今度は、コメントを非表示にする上向きの矢印がモジュールに表示されます。The module now shows an up-arrow to hide the comment.

    説明

見つからないデータのクリーンアップClean missing data

モデルをトレーニングする際は、見つからないデータに対処する必要があります。When you train a model, you have to do something about the data that is missing. この場合、見つからないデータを含む残りの行を削除するためのモジュールを追加します。In this case, you'll add a module to remove any remaining row that has missing data.

  1. 検索ボックスに「Clean」と入力して、Clean Missing Data (不足データのクリーンアップ) モジュールを見つけます。Type Clean in the Search box to find the Clean Missing Data module.

  2. Clean Missing Data (不足データのクリーンアップ) モジュールを実験キャンバスにドラッグして、Select Columns in Dataset (データセットの列を選択する) モジュールに接続します。Drag the Clean Missing Data module to the experiment canvas and connect it to the Select Columns in Dataset module.

  3. [Properties](プロパティ) ウィンドウで、 [Cleaning mode](整理モード)[Remove entire row](行全体を削除) を選択します。In the Properties pane, select Remove entire row under Cleaning mode.

  4. モジュールをダブルクリックして、「Remove missing value rows」(値が不足している行を削除する) というコメントを入力します。Double-click the module and type the comment "Remove missing value rows."

    実験は以下のようになっているはずです。Your experiment should now look something like this:

    select-column

機械学習モデルのトレーニングTrain a machine learning model

これでデータを用意できたので、予測モデルを構築できます。Now that the data is ready, you can construct a predictive model. データをモデルのトレーニングに使用します。You'll use your data to train the model. その後、モデルをテストして、価格をどの程度の精度で予測できるかを確認します。Then you'll test the model to see how closely it's able to predict prices.

アルゴリズムを選択するSelect an algorithm

"分類" と "回帰" は、2 種類の教師あり機械学習アルゴリズムです。Classification and regression are two types of supervised machine learning algorithms. 分類は、色 (赤、青、または緑) のような定義された一連のカテゴリから答えを予測するものです。Classification predicts an answer from a defined set of categories, such as a color (red, blue, or green). 回帰は、数値を予測する目的で使用されます。Regression is used to predict a number.

予測したい価格は数値であるため、回帰アルゴリズムを使用できます。Because you want to predict price, which is a number, you can use a regression algorithm. この例では、線形回帰モデルを使用します。For this example, you'll use a linear regression model.

データを分割するSplit the data

データを別個のトレーニング データセットとテスト データセットに分割して、モデルのトレーニングとテストの両方に使用します。Use your data for both training the model and testing it by splitting the data into separate training and testing datasets.

  1. 検索ボックスに「split data」と入力して、Split Data (データの分割) モジュールを見つけ、Clean Missing Data (見つからないデータのクリーンアップ) モジュールの左側のポートに接続します。Type split data in the search box to find the Split Data module and connect it to the left port of the Clean Missing Data module.

  2. [Split Data](データの分割) モジュールを選択します。Select the Split Data module. [Properties](プロパティ) ウィンドウで、[Fraction of rows in the first output dataset](最初の出力データセットにおける列の割合) を 0.7 に設定します。In the Properties pane, set the Fraction of rows in the first output dataset to 0.7. このようにして、データの 70% をモデルのトレーニングに使用し、30% をテスト用に保持しておきます。This way, we'll use 70 percent of the data to train the model, and hold back 30 percent for testing.

  3. Split Data (データの分割) をダブルクリックし、「Split the dataset into training set(0.7) and test set(0.3)」(データセットをトレーニング セット (0.7) とテスト セット (0.3) に分割する) というコメントを入力します。Double-click the Split Data and type the comment "Split the dataset into training set(0.7) and test set(0.3)"

モデルをトレーニングするTrain the model

価格が含まれた一連のデータを指定して、モデルをトレーニングします。Train the model by giving it a set of data that includes the price. モデルによってデータがスキャンされ、自動車のフィーチャーと価格の相関関係が検出されます。The model scans the data and looks for correlations between a car's features and its price.

  1. 学習アルゴリズムを選択するには、モジュール パレットの検索ボックスをオフにします。To select the learning algorithm, clear your module palette search box.

  2. [Machine Learning] を展開し、 [Initialize Model](モデルの初期化) を展開します。Expand the Machine Learning then expand Initialize Model. これにより、機械学習アルゴリズムの初期化に使用できるモジュールのカテゴリが複数表示されます。This displays several categories of modules that can be used to initialize machine learning algorithms.

  3. この実験では、 [Regression](回帰) > Linear Regression (線形回帰) モジュールを選択し、実験キャンバスにドラッグします。For this experiment, select Regression > Linear Regression and drag it to the experiment canvas.

  4. Train Model (モデルのトレーニング) モジュールを見つけて、実験にドラッグします。Find and drag the Train Model module to the experiment canvas. Linear Regression (線形回帰) モジュールの出力を、Train Model (モデルのトレーニング) モジュールの左側の入力に接続します。次に、Split Data (データの分割) モジュールのトレーニング データ出力 (左側のポート) を、Train Model (モデルのトレーニング) モジュールの右側の入力に接続します。Connect the output of the Linear Regression module to the left input of the Train Model module, and connect the training data output (left port) of the Split Data module to the right input of the Train Model module.

    Train Model (モデルのトレーニング) モジュールの正しい構成を示すスクリーンショット。

  5. Train Model (モデルのトレーニング) モジュールを選択します。Select the Train Model module. [Properties](プロパティ) ウィンドウで [Launch column selector](列セレクターの起動) を選択し、 [Include](含める)、[column names](列名) の横にあるボックスに「price」と入力します。In the Properties pane, Select Launch column selector and then type price next to Include column names. price (価格) は、モデルで予測する値です。Price is the value that your model is going to predict

    列セレクター モジュールの正しい構成を示すスクリーンショット。

    実験は以下のようになります。Your experiment should look like this:

    Train Model (モデルのトレーニング) モジュールを追加した後の実験の正しい構成を示すスクリーンショット。

機械学習モデルを評価するEvaluate a machine learning model

これまでにデータの 70% を使用してモデルをトレーニングしました。ここからは残りの 30% のデータにスコアを付け、モデルの精度を確認します。Now that you've trained the model using 70 percent of your data, you can use it to score the other 30 percent of the data to see how well your model functions.

  1. 検索ボックスに「score model」と入力して、Score Model (モデルのスコア付け) モジュールを見つけ、このモジュールを実験キャンバスにドラッグします。Type score model in the search box to find the Score Model module and drag the module to the experiment canvas. Train Model (モデルのトレーニング) モジュールの出力を、Score Model (モデルのスコア付け) の左側の入力ポートに接続します。Connect the output of the Train Model module to the left input port of Score Model. Split Data (データの分割) モジュールのテスト データの出力 (右側のポート) を、Score Model (モデルのスコア付け) の右側の入力ポートに接続します。Connect the test data output (right port) of the Split Data module to the right input port of Score Model.

  2. 検索ボックスに「evaluate」と入力して、Evaluate Model (モデルの評価) を見つけ、このモジュールを実験キャンバスにドラッグします。Type evaluate in the search box to find the Evaluate Model and drag the module to the experiment canvas. Score Model (モデルのスコア付け) モジュールの出力を、Evaluate Model (モデルの評価) の左側の入力に接続します。Connect the output of the Score Model module to the left input of Evaluate Model. 最終的な実験は次のようになります。The final experiment should look something like this:

    実験の最終的な正しい構成を示すスクリーンショット。

  3. 前に作成したコンピューティング リソースを使用して実験を実行します。Run the experiment using the compute resource you created earlier.

  4. Score Model (モデルのスコア付け) の出力ポートをクリックし、 [Visualize](視覚化) を選択すると、Score Model (モデルのスコア付け) モジュールの出力が表示されます。View the output from the Score Model module by selecting the output port of Score Model and select Visualize. 出力に、予測された価格の値と、テスト データからの既知の値が表示されます。The output shows the predicted values for price and the known values from the test data.

    "Scored Label" (スコア付けラベル) 列が強調表示された状態の出力の視覚化のスクリーンショット

  5. Evaluate Model (モデルの評価) モジュールの出力を表示するには、出力ポートを選択し、 [Visualize](視覚化) を選択します。To view the output from the Evaluate Model module, select the output port, and then select Visualize.

    最終的な実験の評価結果を示すスクリーンショット。

作成したモデルに対して、以下の統計値が表示されます。The following statistics are shown for your model:

  • Mean Absolute Error (MAE、平均絶対誤差):絶対誤差の平均です (誤差とは、予測された値と実際の値との差です)。Mean Absolute Error (MAE): The average of absolute errors (an error is the difference between the predicted value and the actual value).
  • Root Mean Squared Error (RMSE、二乗平均平方根誤差):テスト データセットに対して実行した予測の二乗誤差平均の平方根です。Root Mean Squared Error (RMSE): The square root of the average of squared errors of predictions made on the test dataset.
  • Relative Absolute Error (相対絶対誤差):実際の値とすべての実際の値の平均との絶対差を基準にした絶対誤差の平均です。Relative Absolute Error: The average of absolute errors relative to the absolute difference between actual values and the average of all actual values.
  • Relative Squared Error (相対二乗誤差):実際の値とすべての実際の値の平均との二乗差を基準にした二乗誤差の平均です。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 of Determination (決定係数):R-2 乗値ともいいます。どの程度モデルが高い精度でデータと適合するかを示す統計指標です。Coefficient of Determination: Also known as the R squared value, this is a statistical metric indicating how well a model fits the data.

この誤差の統計情報は、それぞれ小さいほど良いとされます。For each of the error statistics, smaller is better. 値が小さいほど、予測が実際の値により近いことを示します。A smaller value indicates that the predictions more closely match the actual values. Coefficient of Determination (決定係数) では、値が 1 (1.0) に近づくほど、予測の精度が高くなります。For Coefficient of Determination, the closer its value is to one (1.0), the better the predictions.

リソースのクリーンアップClean up resources

重要

作成したリソースは、Azure Machine Learning service のその他のチュートリアルおよびハウツー記事の前提条件として使用できます。You can use the resources that you created as prerequisites for other Azure Machine Learning service tutorials and how-to articles.

すべてを削除するDelete everything

作成したものを今後使用する予定がない場合は、課金が発生しないように、リソース グループ全体を削除します。If you don't plan to use anything that you created, delete the entire resource group so you don't incur any charges:

  1. Azure portal で、ウィンドウの左側にある [リソース グループ] を選択します。In the Azure portal, select Resource groups on the left side of the window.

    Azure portal でリソース グループを削除する

  2. 一覧から、作成したリソース グループを選択します。In the list, select the resource group that you created.

  3. ウィンドウの右側で、省略記号ボタン ( ... ) を選択します。On the right side of the window, select the ellipsis button (...).

  4. [リソース グループの削除] を選択します。Select Delete resource group.

リソース グループを削除すると、ビジュアル インターフェイスで作成したすべてのリソースも削除されます。Deleting the resource group also deletes all resources that you created in the visual interface.

コンピューティング ターゲットのみを削除するDelete only the compute target

ここで作成したコンピューティング ターゲットは、使用されていない場合、自動的にゼロ  ノードに自動スケーリングされます。The compute target that you created here automatically autoscales to zero nodes when it's not being used. これは、料金を最小限に抑えるためです。This is to minimize charges. コンピューティング ターゲットを削除する場合は、次の手順を実行してください。 If you want to delete the compute target, take these steps:

  1. Azure portal でワークスペースを開きます。In the Azure portal, open your workspace.

    コンピューティング ターゲットを削除する

  2. コンピューティングセクションで、ワークスペースのリソースを選択します。In the Compute section of your workspace, select the resource.

  3. [削除] を選択します。Select Delete.

個々の資産を削除するDelete individual assets

実験を作成したビジュアル インターフェイスで、個々の資産を選択し、 [削除] ボタンを選択してそれらを削除します。In the visual interface where you created your experiment, delete individual assets by selecting them and then selecting the Delete button.

実験を削除する

次の手順Next steps

このチュートリアルのパート 1 では、次の手順を完了しました。In part one of this tutorial, you completed these steps:

  • 実験を作成するCreated an experiment
  • データを準備するPrepare the data
  • モデルをトレーニングするTrain the model
  • モデルにスコアを付け、評価するScore and evaluate the model

パート 2 では、モデルを Azure Web サービスとしてデプロイする方法を学習します。In part two, you'll learn how to deploy your model as an Azure web service.