Przykładowe potoki & zestawy danych dla projektanta Azure Machine LearningExample pipelines & datasets for Azure Machine Learning designer

Skorzystaj z wbudowanych przykładów w programie Azure Machine Learning Designer, aby szybko rozpocząć tworzenie własnych potoków uczenia maszynowego.Use the built-in examples in Azure Machine Learning designer to quickly get started building your own machine learning pipelines. Repozytorium usługi GitHub Azure Machine Learning Designer zawiera szczegółową dokumentację ułatwiającą zrozumienie niektórych typowych scenariuszy uczenia maszynowego.The Azure Machine Learning designer GitHub repository contains detailed documentation to help you understand some common machine learning scenarios.

Wymagania wstępnePrerequisites

  • Subskrypcja platformy Azure.An Azure subscription. Jeśli nie masz subskrypcji platformy Azure, Utwórz bezpłatne kontoIf you don't have an Azure subscription, create a free account
  • Obszar roboczy usługi Azure Machine LearningAn Azure Machine Learning workspace

Ważne

Jeśli nie widzisz elementów graficznych wymienionych w tym dokumencie, takich jak przyciski w Studio lub Projektant, możesz nie mieć odpowiedniego poziomu uprawnień do obszaru roboczego.If you do not see graphical elements mentioned in this document, such as buttons in studio or designer, you may not have the right level of permissions to the workspace. Skontaktuj się z administratorem subskrypcji platformy Azure, aby upewnić się, że udzielono odpowiedniego poziomu dostępu.Please contact your Azure subscription administrator to verify that you have been granted the correct level of access. Aby uzyskać więcej informacji, zobacz Zarządzanie użytkownikami i rolami.For more information, see Manage users and roles.

Użyj potoków przykładowychUse sample pipelines

Projektant zapisuje kopię przykładowych potoków w obszarze roboczym programu Studio.The designer saves a copy of the sample pipelines to your studio workspace. Możesz edytować potok, aby dostosować go do swoich potrzeb i zapisać jako własny.You can edit the pipeline to adapt it to your needs and save it as your own. Użyj ich jako punktu początkowego, aby szybko Rozpocznij pracę projekty.Use them as a starting point to jumpstart your projects.

Poniżej przedstawiono sposób użycia przykładu projektanta:Here's how to use a designer sample:

  1. Zaloguj się do ml.Azure.comi wybierz obszar roboczy, z którym chcesz współpracować.Sign in to ml.azure.com, and select the workspace you want to work with.

  2. Wybierz pozycję Projektant.Select Designer.

  3. Wybierz przykładowy potok w sekcji nowe potoku .Select a sample pipeline under the New pipeline section.

    Wybierz pozycję Pokaż więcej próbek , aby uzyskać pełną listę przykładów.Select Show more samples for a complete list of samples.

  4. Aby uruchomić potok, najpierw musisz ustawić domyślny cel obliczeń, aby uruchomić potok na.To run a pipeline, you first have to set default compute target to run the pipeline on.

    1. W okienku Ustawienia z prawej strony kanwy wybierz pozycję Wybierz element docelowy obliczeń.In the Settings pane to the right of the canvas, select Select compute target.

    2. W wyświetlonym oknie dialogowym wybierz istniejący element docelowy obliczeń lub Utwórz nowy.In the dialog that appears, select an existing compute target or create a new one. Wybierz pozycję Zapisz.Select Save.

    3. Wybierz pozycję Prześlij w górnej części kanwy, aby przesłać uruchomienie potoku.Select Submit at the top of the canvas to submit a pipeline run.

    W zależności od potoku przykładowego i ustawień obliczeń uruchomienie może zająć trochę czasu.Depending on the sample pipeline and compute settings, runs may take some time to complete. Domyślne ustawienia obliczeń mają minimalny rozmiar węzła równy 0, co oznacza, że projektant musi przydzielić zasoby po stanie bezczynności.The default compute settings have a minimum node size of 0, which means that the designer must allocate resources after being idle. Powtarzające się uruchomienia potoku będą trwać krócej od czasu przydziału zasobów obliczeniowych.Repeated pipeline runs will take less time since the compute resources are already allocated. Ponadto projektant używa buforowanych wyników dla każdego modułu, aby zwiększyć wydajność.Additionally, the designer uses cached results for each module to further improve efficiency.

  5. Po zakończeniu potoku możesz przejrzeć potok i wyświetlić dane wyjściowe dla każdego modułu, aby dowiedzieć się więcej.After the pipeline finishes running, you can review the pipeline and view the output for each module to learn more. Wykonaj następujące kroki, aby wyświetlić dane wyjściowe modułu:Use the following steps to view module outputs:

    1. Kliknij prawym przyciskiem myszy moduł na kanwie, którego dane wyjściowe chcesz zobaczyć.Right-click the module in the canvas whose output you'd like to see.
    2. Wybierz opcję Wizualizuj.Select Visualize.

    Użyj przykładów jako punktów początkowych dla niektórych najpopularniejszych scenariuszy uczenia maszynowego.Use the samples as starting points for some of the most common machine learning scenarios.

RegresjaRegression

Zapoznaj się z tymi wbudowanymi przykładami regresji.Explore these built-in regression samples.

Przykładowy tytułSample title OpisDescription
Regresja — Prognoza cen dla samochodów (podstawowa)Regression - Automobile Price Prediction (Basic) Przewidywanie cen samochodów przy użyciu regresji liniowej.Predict car prices using linear regression.
Regresja — Prognoza cen samochodów (zaawansowana)Regression - Automobile Price Prediction (Advanced) Przewidywanie cen samochodów przy użyciu lasu decyzyjnego i podwyższanie drzewa decyzyjnego regresorów.Predict car prices using decision forest and boosted decision tree regressors. Porównaj modele, aby znaleźć najlepszy algorytm.Compare models to find the best algorithm.

KlasyfikacjaClassification

Zapoznaj się z tymi wbudowanymi przykładami klasyfikacji.Explore these built-in classification samples. Aby dowiedzieć się więcej o przykładach, należy otworzyć przykłady i wyświetlić komentarze modułu w projektancie.You can learn more about the samples by opening the samples and viewing the module comments in the designer.

Przykładowy tytułSample title OpisDescription
Klasyfikacja binarna z wyborem funkcji — prognozowanie dochoduBinary Classification with Feature Selection - Income Prediction Przewidywanie przychodów jako wysokie lub niskie przy użyciu dwuklasowego drzewa decyzyjnego.Predict income as high or low, using a two-class boosted decision tree. Użyj korelacji Pearsona, aby wybrać funkcje.Use Pearson correlation to select features.
Klasyfikacja binarna z niestandardowym skryptem języka Python — przewidywanie ryzyka kredytowegoBinary Classification with custom Python script - Credit Risk Prediction Klasyfikowanie aplikacji kredytowych jako wysokiego lub niskiego ryzyka.Classify credit applications as high or low risk. Użyj modułu skryptu języka Python do ważenia danych.Use the Execute Python Script module to weight your data.
Klasyfikacja binarna — Prognoza relacji klientaBinary Classification - Customer Relationship Prediction Przewidywanie zmian klientów przy użyciu dwuklasowych drzew decyzyjnych.Predict customer churn using two-class boosted decision trees. Użyj SMOTE do próbkowania danych.Use SMOTE to sample biased data.
Klasyfikacja tekstu — zestaw danych witryny Wikipedia SP 500Text Classification - Wikipedia SP 500 Dataset Klasyfikowanie typów firmy z artykułów witryny Wikipedia przy użyciu wieloklasowej regresji logistycznej.Classify company types from Wikipedia articles with multiclass logistic regression.
Klasyfikacja wieloklasowego rozpoznawania literMulticlass Classification - Letter Recognition Utwórz kompletną liczbę klasyfikatorów binarnych do klasyfikowania pisanych liter.Create an ensemble of binary classifiers to classify written letters.

Przetwarzanie obrazówComputer vision

Zapoznaj się z tymi wbudowanymi przykładami użycia komputerów.Explore these built-in computer vision samples. Aby dowiedzieć się więcej o przykładach, należy otworzyć przykłady i wyświetlić komentarze modułu w projektancie.You can learn more about the samples by opening the samples and viewing the module comments in the designer.

Przykładowy tytułSample title OpisDescription
Klasyfikacja obrazów przy użyciu DenseNetImage Classification using DenseNet Używaj modułów przetwarzania obrazów do kompilowania modelu klasyfikacji obrazu opartego na PyTorch DenseNet.Use computer vision modules to build image classification model based on PyTorch DenseNet.

Moduł poleceńRecommender

Zapoznaj się z tymi wbudowanymi przykładami rekomendacji.Explore these built-in recommender samples. Aby dowiedzieć się więcej o przykładach, należy otworzyć przykłady i wyświetlić komentarze modułu w projektancie.You can learn more about the samples by opening the samples and viewing the module comments in the designer.

Przykładowy tytułSample title OpisDescription
Szerokie & głębokie zalecenia oparte na zaleceń w restauracjiWide & Deep based Recommendation - Restaurant Rating Prediction Utwórz aparat zalecanej usługi restauracji z funkcji i ocen w restauracji/użytkownikach.Build a restaurant recommender engine from restaurant/user features and ratings.
Zalecenia — tweety klasyfikacji filmówRecommendation - Movie Rating Tweets Kompiluj aparat zalecanego filmu z funkcji i klasyfikacji filmów.Build a movie recommender engine from movie/user features and ratings.

NarzędzieUtility

Dowiedz się więcej o przykładach demonstrujących narzędzia i funkcje uczenia maszynowego.Learn more about the samples that demonstrate machine learning utilities and features. Aby dowiedzieć się więcej o przykładach, należy otworzyć przykłady i wyświetlić komentarze modułu w projektancie.You can learn more about the samples by opening the samples and viewing the module comments in the designer.

Przykładowy tytułSample title OpisDescription
Klasyfikacja binarna przy użyciu modelu Vowpal Wabbit — Prognoza dochodu dla dorosłychBinary Classification using Vowpal Wabbit Model - Adult Income Prediction Vowpal Wabbit to system uczenia maszynowego, który służy do wypychania granicy uczenia maszynowego przy użyciu technik takich jak online, Hashing, allreduce, redukcyjny, learning2search, Active i Interactive Learning.Vowpal Wabbit is a machine learning system which pushes the frontier of machine learning with techniques such as online, hashing, allreduce, reductions, learning2search, active, and interactive learning. Ten przykład pokazuje, jak utworzyć binarny model klasyfikacji przy użyciu modelu Wabbit Vowpal.This sample shows how to use Vowpal Wabbit model to build binary classification model.
Używanie niestandardowego skryptu języka R — prognozowanie opóźnień lotówUse custom R script - Flight Delay Prediction Użyj niestandardowego skryptu języka R, aby przewidzieć, czy zaplanowany lot osobowy zostanie opóźniony o ponad 15 minut.Use customized R script to predict if a scheduled passenger flight will be delayed by more than 15 minutes.
Krzyżowe sprawdzanie poprawności dla klasyfikacji binarnej — przewidywanie dochodu dla dorosłychCross Validation for Binary Classification - Adult Income Prediction Użyj operacji krzyżowego sprawdzania poprawności, aby utworzyć klasyfikator binarny dla dorosłych dochodów.Use cross validation to build a binary classifier for adult income.
Ważność funkcji permutacjiPermutation Feature Importance Użyj ważności funkcji permutacji, aby obliczyć wyniki ważności dla zestawu danych testowych.Use permutation feature importance to compute importance scores for the test dataset.
Dostrajanie parametrów dla klasyfikacji binarnej — przewidywanie dochodu dla dorosłychTune Parameters for Binary Classification - Adult Income Prediction Użyj dopasowywania parametrów modelu, aby znaleźć optymalne parametry do kompilowania klasyfikatora binarnego.Use Tune Model Hyperparameters to find optimal hyperparameters to build a binary classifier.

Zestawy danychDatasets

Podczas tworzenia nowego potoku w programie Azure Machine Learning Designer domyślnie są uwzględniane różne przykładowe zestawy danych.When you create a new pipeline in Azure Machine Learning designer, a number of sample datasets are included by default. Te przykładowe zestawy danych są używane przez potoki przykładowe na stronie głównej projektanta.These sample datasets are used by the sample pipelines in the designer homepage.

Przykładowe zestawy danych są dostępne w kategorii przykłady zestawów danych - .The sample datasets are available under Datasets-Samples category. Można to znaleźć w palecie modułów z lewej strony kanwy w projektancie.You can find this in the module palette to the left of the canvas in the designer. Możesz użyć dowolnego z tych zestawów danych we własnym potoku, przeciągając go do kanwy.You can use any of these datasets in your own pipeline by dragging it to the canvas.

Nazwa zestawu danych      Dataset name     Opis zestawu danychDataset description
Binarny zestaw danych klasyfikacji dochodów z spisu dla dorosłychAdult Census Income Binary Classification dataset Podzbiór bazy danych spisu 1994 przy użyciu pracy dla dorosłych w wieku 16 ze skorygowanym indeksem dochodu > 100.A subset of the 1994 Census database, using working adults over the age of 16 with an adjusted income index of > 100.
Użycie: klasyfikowanie osób przy użyciu demograficznych w celu przewidywania, czy osoba uzyskuje ponad 50 000 roku.Usage: Classify people using demographics to predict whether a person earns over 50K a year.
Badania pokrewne: Kohavi, R., Becker, B., (1996).Related Research: Kohavi, R., Becker, B., (1996). Machine Learning — repozytorium.UCI Machine Learning Repository. Irvine, CA: University of Kalifornii, szkolna informacja i nauka komputeraIrvine, CA: University of California, School of Information and Computer Science
Dane cen samochodów (RAW)Automobile price data (Raw) Informacje na temat samochodów i modeli, w tym Cena, funkcje, takie jak liczba cylindrów i MPG, oraz Ocena ryzyka dla ubezpieczenia.Information about automobiles by make and model, including the price, features such as the number of cylinders and MPG, as well as an insurance risk score.
Ocena ryzyka jest początkowo skojarzona z funkcją autoprice.The risk score is initially associated with auto price. Następnie jest dostosowywany do rzeczywistego ryzyka w procesie znanym jako symbol aktuarialny.It is then adjusted for actual risk in a process known to actuaries as symboling. Wartość + 3 wskazuje, że jest to ryzykowne i wartość-3, która prawdopodobnie jest bezpieczna.A value of +3 indicates that the auto is risky, and a value of -3 that it is probably safe.
Użycie: przewidywanie oceny ryzyka według funkcji przy użyciu regresji lub klasyfikacji wieloczynnikowa.Usage: Predict the risk score by features, using regression or multivariate classification.
Powiązane badania: Schlimmer, J.C.Related Research: Schlimmer, J.C. (1987).(1987). Machine Learning — repozytorium.UCI Machine Learning Repository. Irvine, CA: University of Kalifornii, szkolna informacja i nauka komputera.Irvine, CA: University of California, School of Information and Computer Science.
Udostępnione etykiety programu CRM pragnienieCRM Appetency Labels Shared Etykiety z wyzwania KDD 2009 (orange_small_train_appetency. labels) z przewidywania relacji klientów.Labels from the KDD Cup 2009 customer relationship prediction challenge (orange_small_train_appetency.labels).
Udostępnione etykiety zmian CRMCRM Churn Labels Shared Etykiety z wyzwania KDD 2009 (orange_small_train_churn. labels) z przewidywania relacji klientów.Labels from the KDD Cup 2009 customer relationship prediction challenge (orange_small_train_churn.labels).
Udostępniony zestaw danych programu CRMCRM Dataset Shared Te dane pochodzą z wyzwania KDD 2009 (orange_small_train.data.zip).This data comes from the KDD Cup 2009 customer relationship prediction challenge (orange_small_train.data.zip).
Zestaw danych zawiera klientów 50 000 z niemieckiej firmy telekomunikacyjnej pomarańczowa.The dataset contains 50K customers from the French Telecom company Orange. Każdy klient ma 230 funkcje anonimowe, 190, które są liczbowe i 40 są kategorii.Each customer has 230 anonymized features, 190 of which are numeric and 40 are categorical. Funkcje są bardzo rozrzedzone.The features are very sparse.
Udostępnione etykiety CRM do sprzedawaniaCRM Upselling Labels Shared Etykiety z wyzwania KDD 2009 (orange_large_train_upselling. labels )Labels from the KDD Cup 2009 customer relationship prediction challenge (orange_large_train_upselling.labels
Dane dotyczące opóźnień lotówFlight Delays Data Dane o wydajności w czasie lotu pasażera wykonywane z TranStats zbierania danych z działu transportu USA (w czasie).Passenger flight on-time performance data taken from the TranStats data collection of the U.S. Department of Transportation (On-Time).
Ten zestaw danych obejmuje okres April-October 2013.The dataset covers the time period April-October 2013. Przed przekazaniem do projektanta zestaw danych został przetworzony w następujący sposób:Before uploading to the designer, the dataset was processed as follows:
-Zestaw danych został przefiltrowany w celu pokrycia najgorętszym portów lotniczych o 70- The dataset was filtered to cover only the 70 busiest airports in the continental US
-Anulowane loty zostały oznaczone jako opóźnione o więcej niż 15 minut- Canceled flights were labeled as delayed by more than 15 minutes
-Przekierowane loty zostały odfiltrowane- Diverted flights were filtered out
-Wybrano następujące kolumny: Year, month, DayofMonth, DayOfWeek, Carrier, OriginAirportID, DestAirportID, CRSDepTime, DepDelay, DepDel15, CRSArrTime, ArrDelay, ArrDel15, anulowane- The following columns were selected: Year, Month, DayofMonth, DayOfWeek, Carrier, OriginAirportID, DestAirportID, CRSDepTime, DepDelay, DepDel15, CRSArrTime, ArrDelay, ArrDel15, Canceled
Zestaw danychGerman Credit Card UCI dataset Element dataset Statlog (niemieckiej karty kredytowej) (Statlog + niemiecki + Credit + Data) przy użyciu pliku niemieckiego. Data.The UCI Statlog (German Credit Card) dataset (Statlog+German+Credit+Data), using the german.data file.
Zestaw danych klasyfikuje osoby, opisane przez zestaw atrybutów, jako niskie lub wysokie ryzyko kredytowe.The dataset classifies people, described by a set of attributes, as low or high credit risks. Każdy przykład reprezentuje osobę.Each example represents a person. Istnieje 20 funkcji, zarówno liczbowych, jak i kategorii oraz etykieta binarna (wartość ryzyka kredytowego).There are 20 features, both numerical and categorical, and a binary label (the credit risk value). Wpisy o wysokim ryzyku kredytowym mają etykietę = 2, niski poziom ryzyka kredytowego ma etykietę = 1.High credit risk entries have label = 2, low credit risk entries have label = 1. Koszt niewłaściwego klasyfikowania przykładu niskiego ryzyka o wartości 1 oznacza, że kosztem nieznaczącego klasyfikowania przykładu wysokiego ryzyka jest 5.The cost of misclassifying a low risk example as high is 1, whereas the cost of misclassifying a high risk example as low is 5.
IMDB tytuły filmówIMDB Movie Titles Zestaw danych zawiera informacje o filmach, które zostały ocenione w Tweetach w serwisie Twitter: IMDB, nazwa filmu, gatunek i rok produkcyjny.The dataset contains information about movies that were rated in Twitter tweets: IMDB movie ID, movie name, genre, and production year. W zestawie danych znajdują się 17K filmy.There are 17K movies in the dataset. Zestaw danych został wprowadzony w papierze "S".The dataset was introduced in the paper "S. Dooms, T. de Pessemier i L. Martens.Dooms, T. De Pessemier and L. Martens. MovieTweetings: zestaw danych klasyfikacji filmu zebrany z serwisu Twitter.MovieTweetings: a Movie Rating Dataset Collected From Twitter. Warsztat na crowdsourcing i ludzi obliczeń dla systemów zalecających, CrowdRec o RecSys 2013. "Workshop on Crowdsourcing and Human Computation for Recommender Systems, CrowdRec at RecSys 2013."
Klasyfikacje filmówMovie Ratings Zestaw danych to rozszerzona wersja zestawu danych tweetów filmów.The dataset is an extended version of the Movie Tweetings dataset. Zestaw danych zawiera klasyfikacje 170K dla filmów, wyodrębnione z dobrze zorganizowanych tweetów w serwisie Twitter.The dataset has 170K ratings for movies, extracted from well-structured tweets on Twitter. Każde wystąpienie reprezentuje Tweet i jest krotką: identyfikator użytkownika, identyfikator filmu IMDB, klasyfikacja, sygnatura czasowa, liczba ulubionych dla tego tweetu i liczba przesłanych tweetów tego tweetu.Each instance represents a tweet and is a tuple: user ID, IMDB movie ID, rating, timestamp, number of favorites for this tweet, and number of retweets of this tweet. Zestaw danych został udostępniony przez. wspomniane, S. Dooms, B. Loni i D. Tikk dla systemów polecających 2014.The dataset was made available by A. Said, S. Dooms, B. Loni and D. Tikk for Recommender Systems Challenge 2014.
Zestaw danych pogodyWeather Dataset Codzienne obserwacje pogodowe z NOAA (scalone dane z 201304 do 201310).Hourly land-based weather observations from NOAA (merged data from 201304 to 201310).
Dane pogodowe obejmują obserwacje z stacji meteorologicznych lotniska, obejmujące okres April-October 2013.The weather data covers observations made from airport weather stations, covering the time period April-October 2013. Przed przekazaniem do projektanta zestaw danych został przetworzony w następujący sposób:Before uploading to the designer, the dataset was processed as follows:
-Identyfikatory stacji pogody zostały zamapowane na odpowiednie identyfikatory portów lotniczych- Weather station IDs were mapped to corresponding airport IDs
-Stacje pogodowe nieskojarzone z najgorętszym portów lotniczych 70 zostały odfiltrowane- Weather stations not associated with the 70 busiest airports were filtered out
-Kolumna Date została podzielona na oddzielne kolumny Year, month i Day.- The Date column was split into separate Year, Month, and Day columns
— Wybrano następujące kolumny: AirportID, Year, month, Day, Time, TimeZone, SkyCondition, Visibility, Pogodatype, DryBulbFarenheit, DryBulbCelsius, WetBulbFarenheit, WetBulbCelsius, DewPointFarenheit, DewPointCelsius, RelativeHumidity, WindSpeed, WindDirection, ValueForWindCharacter, StationPressure, PressureTendency, PressureChange, SeaLevelPressure, recordType, HourlyPrecip, ALTIMETER- The following columns were selected: AirportID, Year, Month, Day, Time, TimeZone, SkyCondition, Visibility, WeatherType, DryBulbFarenheit, DryBulbCelsius, WetBulbFarenheit, WetBulbCelsius, DewPointFarenheit, DewPointCelsius, RelativeHumidity, WindSpeed, WindDirection, ValueForWindCharacter, StationPressure, PressureTendency, PressureChange, SeaLevelPressure, RecordType, HourlyPrecip, Altimeter
Zestaw danych witryny Wikipedia SP 500Wikipedia SP 500 Dataset Dane są wyprowadzane z witryny Wikipedia ( https://www.wikipedia.org/) na podstawie artykułów każdej usługi S&P 500 firmy, przechowywanej jako dane XML.Data is derived from Wikipedia (https://www.wikipedia.org/) based on articles of each S&P 500 company, stored as XML data.
Przed przekazaniem do projektanta zestaw danych został przetworzony w następujący sposób:Before uploading to the designer, the dataset was processed as follows:
-Wyodrębnij zawartość tekstową dla każdej konkretnej firmy- Extract text content for each specific company
-Usuń formatowanie wiki- Remove wiki formatting
-Usuń znaki inne niż alfanumeryczne- Remove non-alphanumeric characters
— Konwertuj cały tekst na małe litery- Convert all text to lowercase
-Znane kategorie firmy zostały dodane- Known company categories were added
Należy zauważyć, że w niektórych firmach nie znaleziono artykułu, więc liczba rekordów jest mniejsza niż 500.Note that for some companies an article could not be found, so the number of records is less than 500.
Dane funkcji restauracjiRestaurant Feature Data Zestaw metadanych dotyczących restauracji i ich funkcji, takich jak typ żywności, styl rekomendowanych lokali i lokalizacja.A set of metadata about restaurants and their features, such as food type, dining style, and location.
Sposób użycia: Użyj tego zestawu danych, w połączeniu z innymi dwoma zbiorami danych restauracji, do uczenia i przetestowania systemu zalecanego.Usage: Use this dataset, in combination with the other two restaurant datasets, to train and test a recommender system.
Badania pokrewne: Bache, K. i Lichman, M. (2013).Related Research: Bache, K. and Lichman, M. (2013). Machine Learning — repozytorium.UCI Machine Learning Repository. Irvine, CA: University of Kalifornii, szkolna informacja i nauka komputera.Irvine, CA: University of California, School of Information and Computer Science.
Klasyfikacje restauracjiRestaurant Ratings Zawiera klasyfikacje nadawane przez użytkowników dla restauracji w skali od 0 do 2.Contains ratings given by users to restaurants on a scale from 0 to 2.
Sposób użycia: Użyj tego zestawu danych, w połączeniu z innymi dwoma zbiorami danych restauracji, do uczenia i przetestowania systemu zalecanego.Usage: Use this dataset, in combination with the other two restaurant datasets, to train and test a recommender system.
Badania pokrewne: Bache, K. i Lichman, M. (2013).Related Research: Bache, K. and Lichman, M. (2013). Machine Learning — repozytorium.UCI Machine Learning Repository. Irvine, CA: University of Kalifornii, szkolna informacja i nauka komputera.Irvine, CA: University of California, School of Information and Computer Science.
Restauracje — dane klientaRestaurant Customer Data Zestaw metadanych o klientach, w tym dane demograficzne i preferencje.A set of metadata about customers, including demographics and preferences.
Sposób użycia: Użyj tego zestawu danych, w połączeniu z innymi dwoma zbiorami danych restauracji, do uczenia i przetestowania systemu zalecanego.Usage: Use this dataset, in combination with the other two restaurant datasets, to train and test a recommender system.
Badania pokrewne: Bache, K. i Lichman, M. (2013).Related Research: Bache, K. and Lichman, M. (2013). Machine Learning-repozytorium Irvine, CA: University of Kalifornii, szkolna informacja i nauka komputera.UCI Machine Learning Repository Irvine, CA: University of California, School of Information and Computer Science.

Czyszczenie zasobówClean up resources

Ważne

Utworzone zasoby możesz wykorzystać na potrzeby wymagań wstępnych innych samouczków i artykułów dotyczących usługi Azure Machine Learning.You can use the resources that you created as prerequisites for other Azure Machine Learning tutorials and how-to articles.

Usuń wszystkoDelete everything

Jeśli nie planujesz korzystać z utworzonych elementów, Usuń całą grupę zasobów, aby nie naliczać żadnych opłat.If you don't plan to use anything that you created, delete the entire resource group so you don't incur any charges.

  1. W Azure Portal wybierz pozycję grupy zasobów po lewej stronie okna.In the Azure portal, select Resource groups on the left side of the window.

    Usuwanie grupy zasobów w witrynie Azure Portal

  2. Z listy wybierz utworzoną grupę zasobów.In the list, select the resource group that you created.

  3. Wybierz pozycję Usuń grupę zasobów.Select Delete resource group.

Usunięcie grupy zasobów spowoduje również usunięcie wszystkich zasobów utworzonych w projektancie.Deleting the resource group also deletes all resources that you created in the designer.

Usuwanie pojedynczych zasobówDelete individual assets

W projektancie, w którym został utworzony eksperyment, Usuń pojedyncze zasoby, zaznaczając je, a następnie wybierając przycisk Usuń .In the designer where you created your experiment, delete individual assets by selecting them and then selecting the Delete button.

Obiekt docelowy obliczeń, który został utworzony w tym miejscu, automatycznie przeskaluje się do zerowych węzłów, gdy nie jest używany.The compute target that you created here automatically autoscales to zero nodes when it's not being used. To działanie jest podejmowane w celu zminimalizowania opłat.This action is taken to minimize charges. Jeśli chcesz usunąć element docelowy obliczeń, wykonaj następujące czynności:If you want to delete the compute target, take these steps:

Usuń zasoby

Zestawy danych można wyrejestrować z obszaru roboczego, zaznaczając każdy z nich i wybierając pozycję Wyrejestruj.You can unregister datasets from your workspace by selecting each dataset and selecting Unregister.

Wyrejestruj zestaw danych

Aby usunąć zestaw danych, przejdź do konta magazynu przy użyciu Azure Portal lub Eksplorator usługi Azure Storage i ręcznie usuń te zasoby.To delete a dataset, go to the storage account by using the Azure portal or Azure Storage Explorer and manually delete those assets.

Następne krokiNext steps

Poznaj podstawowe informacje na temat analizy predykcyjnej i uczenia maszynowego za pomocą samouczka: przewidywanie ceny samochodów dla urządzeń przenośnych za pomocą projektantaLearn the fundamentals of predictive analytics and machine learning with Tutorial: Predict automobile price with the designer