Een experiment van ML-studio (klassiek) opnieuw ontwerpen in Azure Machine Learning

Belangrijk

Ondersteuning voor Azure Machine Learning Studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden op die datum over te stappen naar Azure Machine Learning .

Vanaf 1 december 2021 kunt u geen nieuwe Machine Learning Studio-resources (klassiek) maken (werkruimte- en webserviceplan). Tot en met 31 augustus 2024 kunt u de bestaande Experimenten en webservices van Machine Learning Studio (klassiek) blijven gebruiken. Zie voor meer informatie:

• Migreren naar Azure Machine Learning vanuit Machine Learning Studio (klassiek)
• Wat is Azure Machine Learning?

Machine Learning Studio -documentatie (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet bijgewerkt.

In dit artikel leert u hoe u een ML Studio-experiment (klassiek) herbouwt in Azure Machine Learning. Zie het artikel over migratieoverzicht voor meer informatie over het migreren vanuit Studio (klassiek).

Studio-experimenten (klassiek) zijn vergelijkbaar met pijplijnen in Azure Machine Learning. In Azure Machine Learning-pijplijnen zijn echter gebouwd op dezelfde back-end die de SDK aanstuurt. Dit betekent dat u twee opties hebt voor machine learning-ontwikkeling: de ontwerpfunctie voor slepen en neerzetten of code-first SDK's.

Zie Wat zijn Azure Machine Learning-pijplijnen voor meer informatie over het bouwen van pijplijnen met de SDK.

Vereisten

• Een Azure-account met een actief abonnement. Gratis een account maken
• Een Azure Machine Learning-werkruimte. Werkruimtebronnen maken.
• Een Studio-experiment (klassiek) om te migreren.
• Upload uw gegevensset naar Azure Machine Learning.

De pijplijn opnieuw bouwen

Nadat u uw gegevensset naar Azure Machine Learning hebt gemigreerd, bent u klaar om uw experiment opnieuw te maken.

In Azure Machine Learning wordt de visuele grafiek een pijplijnconcept genoemd. In deze sectie maakt u uw klassieke experiment opnieuw als een pijplijnconcept.

1. Ga naar Azure Machine Learning-studio (ml.azure.com)

2. Selecteer in het linkernavigatiedeelvenster Ontwerpfunctie>voor eenvoudig te gebruiken modules

3. Bouw uw experiment handmatig opnieuw op met ontwerponderdelen.

   Raadpleeg de moduletoewijzingstabel om vervangingsmodules te vinden. Veel van de populairste modules van Studio (klassiek) hebben identieke versies in de ontwerpfunctie.

   Belangrijk

   Als uw experiment gebruikmaakt van de module Execute R Script, moet u aanvullende stappen uitvoeren om uw experiment te migreren. Zie R-scriptmodules migreren voor meer informatie.

4. Pas parameters aan.

   Selecteer elke module en pas de parameters in het deelvenster module-instellingen aan de rechterkant aan. Gebruik de parameters om de functionaliteit van uw Studio-experiment (klassiek) opnieuw te maken. Zie de modulereferentie voor meer informatie over elke module.

Een taak verzenden en resultaten controleren

Nadat u uw Studio-experiment (klassiek) opnieuw hebt gemaakt, is het tijd om een pijplijntaak te verzenden.

Een pijplijntaak wordt uitgevoerd op een rekendoel dat is gekoppeld aan uw werkruimte. U kunt een standaardrekendoel instellen voor de hele pijplijn of u kunt rekendoelen per module opgeven.

Zodra u een taak vanuit een pijplijnconcept hebt verzonden, wordt deze omgezet in een pijplijntaak. Elke pijplijntaak wordt vastgelegd en geregistreerd in Azure Machine Learning.

Een standaardrekendoel instellen voor de hele pijplijn:

1. Selecteer het tandwielpictogram naast de naam van de pijplijn.
2. Selecteer Rekendoel selecteren.
3. Selecteer een bestaand rekenproces of maak een nieuwe berekening door de instructies op het scherm te volgen.

Nu uw rekendoel is ingesteld, kunt u een pijplijntaak verzenden:

1. Bovenaan het canvas selecteert u Indienen.

2. Selecteer Nieuw maken om een nieuw experiment te maken.

   Experimenten organiseren vergelijkbare pijplijntaken samen. Als u een pijplijn meerdere keren uitvoert, kunt u hetzelfde experiment selecteren voor opeenvolgende taken. Dit is handig voor logboekregistratie en tracering.

3. Voer een experimentnaam in. Selecteer vervolgens Verzenden.

   De eerste taak kan tot 20 minuten duren. Omdat de standaard rekeninstellingen een minimale knooppuntgrootte van 0 hebben, moet de ontwerper resources toewijzen nadat deze niet actief is. Opeenvolgende taken nemen minder tijd in beslag, omdat de knooppunten al zijn toegewezen. Als u de actieve tijd wilt versnellen, kunt u een rekenresource maken met een minimale knooppuntgrootte van 1 of hoger.

Nadat de taak is voltooid, kunt u de resultaten van elke module controleren:

1. Klik met de rechtermuisknop op de module waarvan u de uitvoer wilt zien.

2. Selecteer Visualiseren, Uitvoer weergeven of Logboek weergeven.

   • Visualiseren: Bekijk een voorbeeld van de resultatengegevensset.
   • Uitvoer weergeven: Open een koppeling naar de opslaglocatie voor uitvoer. Gebruik deze optie om de uitvoer te verkennen of te downloaden.
   • Logboek weergeven: stuurprogramma- en systeemlogboeken weergeven. Gebruik de 70_driver_log om informatie weer te geven met betrekking tot uw door de gebruiker ingediende script, zoals fouten en uitzonderingen.

Belangrijk

Ontwerponderdelen maken gebruik van opensource Python-pakketten om machine learning-algoritmen te implementeren. Studio (klassiek) maakt echter gebruik van een interne C#-bibliotheek van Microsoft. Daarom kan het voorspellingsresultaat variëren tussen de ontwerpfunctie en Studio (klassiek).

Getraind model opslaan voor gebruik in een andere pijplijn

Soms wilt u het model dat is getraind in een pijplijn opslaan en het model later in een andere pijplijn gebruiken. In Studio (klassiek) worden alle getrainde modellen opgeslagen in de categorie Getrainde modellen in de modulelijst. In de ontwerpfunctie worden de getrainde modellen automatisch geregistreerd als bestandsgegevensset met een door het systeem gegenereerde naam. Naamconventie volgt het patroon MD - conceptnaam van pijplijn - onderdeelnaam - getrainde model-id.

Als u een getraind model een zinvolle naam wilt geven, kunt u de uitvoer van het onderdeel Train Model registreren als een bestandsgegevensset. Geef deze de gewenste naam, bijvoorbeeld lineair-regressiemodel.

U vindt het getrainde model in de categorie Gegevensset in de lijst met onderdelen of zoekt het op naam. Verbind vervolgens het getrainde model met een scoremodelonderdeel om het te gebruiken voor voorspelling.

Volgende stappen

In dit artikel hebt u geleerd hoe u een Studio-experiment (klassiek) herbouwt in Azure Machine Learning. De volgende stap is het opnieuw bouwen van webservices in Azure Machine Learning.

Zie de andere artikelen in de studiomigratiereeks (klassiek):

1. Overzicht van migratie.
2. Gegevensset migreren.
3. Bouw een trainingspijplijn (klassiek) van Studio opnieuw.
4. Bouw een Studio-webservice (klassiek) opnieuw op.
5. Integreer een Azure Machine Learning-webservice met client-apps.
6. R-script uitvoeren migreren.