Samouczek: Przewidywanie ceny samochodów w projektancieTutorial: Predict automobile price with the designer

W tym dwuczęściowym samouczku dowiesz się, jak używać projektanta Azure Machine Learning do uczenia i wdrażania modelu uczenia maszynowego, który przewiduje cenę dowolnego samochodu.In this two-part tutorial, you learn how to use the Azure Machine Learning designer to train and deploy a machine learning model that predicts the price of any car. Projektant jest narzędziem typu "przeciągnij i upuść", które pozwala tworzyć modele uczenia maszynowego bez pojedynczego wiersza kodu.The designer is a drag-and-drop tool that lets you create machine learning models without a single line of code.

W pierwszej części samouczka dowiesz się, jak:In part one of the tutorial, you'll learn how to:

  • Utwórz nowy potok.Create a new pipeline.
  • Importuj dane.Import data.
  • Przygotuj dane.Prepare data.
  • Uczenie modelu uczenia maszynowego.Train a machine learning model.
  • Oceń model uczenia maszynowego.Evaluate a machine learning model.

W drugiej części tego samouczka wdrożono model jako punkt końcowy inferencing w czasie rzeczywistym, aby przewidzieć cenę dowolnego samochodu w oparciu o specyfikacje techniczne, które należy wysłać.In part two of the tutorial, you'll deploy your model as a real-time inferencing endpoint to predict the price of any car based on technical specifications you send it.

Uwaga

Kompletna wersja tego samouczka jest dostępna jako potoku przykładowe.A completed version of this tutorial is available as a sample pipeline.

Aby go znaleźć, przejdź do projektanta w obszarze roboczym.To find it, go to the designer in your workspace. W sekcji nowe potoku wybierz pozycję przykład 1-regresja: Automobile — Prognoza cenowa (podstawowa).In the New pipeline section, select Sample 1 - Regression: Automobile Price Prediction(Basic).

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.

Tworzenie nowego potokuCreate a new pipeline

Potoki Azure Machine Learning organizują wiele etapów uczenia maszynowego i przetwarzania danych w ramach jednego zasobu.Azure Machine Learning pipelines organize multiple machine learning and data processing steps into a single resource. Potoki pozwalają organizować i ponownie używać złożonych przepływów pracy uczenia maszynowego między projektami i użytkownikami.Pipelines let you organize, manage, and reuse complex machine learning workflows across projects and users.

Do utworzenia potoku Azure Machine Learning jest wymagany obszar roboczy Azure Machine Learning.To create an Azure Machine Learning pipeline, you need an Azure Machine Learning workspace. W tej sekcji dowiesz się, jak utworzyć oba te zasoby.In this section, you learn how to create both these resources.

Tworzenie nowego obszaru roboczegoCreate a new workspace

Do korzystania z projektanta potrzebny jest obszar roboczy Azure Machine Learning.You need an Azure Machine Learning workspace to use the designer. Obszar roboczy jest zasobem najwyższego poziomu dla Azure Machine Learning, stanowi scentralizowane miejsce do pracy ze wszystkimi artefaktami tworzonymi w Azure Machine Learning.The workspace is the top-level resource for Azure Machine Learning, it provides a centralized place to work with all the artifacts you create in Azure Machine Learning. Aby uzyskać instrukcje dotyczące tworzenia obszaru roboczego, zobacz temat Tworzenie obszarów roboczych Azure Machine Learning i zarządzanie nimi.For instruction on creating a workspace, see Create and manage Azure Machine Learning workspaces.

Uwaga

Jeśli obszar roboczy korzysta z sieci wirtualnej, istnieją dodatkowe czynności konfiguracyjne, które należy wykonać, aby użyć projektanta.If your workspace uses a Virtual network, there are additional configuration steps you must use to use the designer. Aby uzyskać więcej informacji, zobacz Korzystanie z programu Azure Machine Learning Studio w sieci wirtualnej platformy AzureFor more information, see Use Azure Machine Learning studio in an Azure virtual network

Tworzenie potokuCreate the pipeline

  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.

    Zrzut ekranu przedstawiający, jak uzyskać dostęp do projektanta

  3. Wybierz łatwe w użyciu wstępnie skompilowane moduły.Select Easy-to-use prebuilt modules.

  4. W górnej części kanwy wybierz domyślną potoku Nazwa potoku — utworzony.At the top of the canvas, select the default pipeline name Pipeline-Created-on. Zmień jej nazwę na funkcja prognozowanie cen na urządzeniu mobilnym.Rename it to Automobile price prediction. Nazwa nie musi być unikatowa.The name doesn't need to be unique.

Ustaw domyślny cel obliczeńSet the default compute target

Potok jest uruchamiany w obiekcie docelowym obliczeń, który jest zasobem obliczeniowym dołączonym do obszaru roboczego.A pipeline runs on a compute target, which is a compute resource that's attached to your workspace. Po utworzeniu obiektu docelowego obliczeń można użyć go ponownie do przyszłych przebiegów.After you create a compute target, you can reuse it for future runs.

Można ustawić domyślny obiekt docelowy obliczeń dla całego potoku, co spowoduje, że każdy moduł domyślnie użyje tego samego obiektu docelowego obliczeń.You can set a Default compute target for the entire pipeline, which will tell every module to use the same compute target by default. Można jednak określić cele obliczeń dla poszczególnych modułów.However, you can specify compute targets on a per-module basis.

  1. Obok nazwy potoku wybierz zrzut ekranu ikony koła  zębatego w górnej części kanwy, aby otworzyć okienko Ustawienia .Next to the pipeline name, select the Gear icon Screenshot of the gear icon at the top of the canvas to open the Settings pane.

  2. 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.

    Jeśli masz już dostępny element docelowy obliczeń, możesz wybrać go do uruchomienia tego potoku.If you already have an available compute target, you can select it to run this pipeline.

    Uwaga

    Projektant może uruchamiać eksperymenty szkoleniowe dotyczące Azure Machine Learning obliczeń, ale inne elementy docelowe obliczeń nie będą wyświetlane.The designer can only run training experiments on Azure Machine Learning Compute but other compute targets won't be shown.

  3. Wprowadź nazwę zasobu obliczeniowego.Enter a name for the compute resource.

  4. Wybierz pozycję Zapisz.Select Save.

    Uwaga

    Utworzenie zasobu obliczeniowego trwa około 5 minut.It takes approximately five minutes to create a compute resource. Po utworzeniu zasobu można go ponownie wykorzystać i pominąć ten czas oczekiwania na przyszłe uruchomienia.After the resource is created, you can reuse it and skip this wait time for future runs.

    Zasób obliczeniowy jest automatycznie skalowany na zero węzłów, gdy jest bezczynny, aby zaoszczędzić koszt.The compute resource autoscales to zero nodes when it's idle to save cost. Gdy używasz go ponownie po opóźnieniu, może wystąpić około pięć minut czasu oczekiwania podczas skalowania kopii zapasowej.When you use it again after a delay, you might experience approximately five minutes of wait time while it scales back up.

Importowanie danychImport data

Projektant zawiera kilka przykładowych zestawów danych, z którymi można eksperymentować.There are several sample datasets included in the designer for you to experiment with. Na potrzeby tego samouczka Użyj danych cen samochodów (RAW).For this tutorial, use Automobile price data (Raw).

  1. Na lewo od kanwy potoku jest paletą zestawów danych i modułów.To the left of the pipeline canvas is a palette of datasets and modules. Wybierz przykładowe zestawy danych , aby wyświetlić dostępne przykładowe zestawy danych.Select Sample datasets to view the available sample datasets.

  2. Wybierz pozycję zestaw danych cena samochodów (RAW) i przeciągnij ją na kanwę.Select the dataset Automobile price data (Raw), and drag it onto the canvas.

    Przeciągnij dane do kanwy

Wizualizacja danychVisualize the data

Możesz wizualizować dane, aby zrozumieć zestaw danych, który będzie używany.You can visualize the data to understand the dataset that you'll use.

  1. Kliknij prawym przyciskiem myszy dane cen samochodów (RAW) i wybierz polecenie Wizualizuj > zestaw danych wyjściowych.Right-click the Automobile price data (Raw) and select Visualize > Dataset output.

  2. Wybierz różne kolumny w oknie dane, aby wyświetlić informacje o każdej z nich.Select the different columns in the data window to view information about each one.

    Każdy wiersz reprezentuje samochód, a zmienne skojarzone z poszczególnymi urządzeniami przenośnymi są wyświetlane jako kolumny.Each row represents an automobile, and the variables associated with each automobile appear as columns. Ten zestaw danych zawiera 205 wierszy i 26 kolumn.There are 205 rows and 26 columns in this dataset.

Przygotowywanie danychPrepare data

Zestawy danych zwykle wymagają pewnego przetworzenia przed analizą.Datasets typically require some preprocessing before analysis. Podczas inspekcji zestawu danych mogą znajdować się pewne brakujące wartości.You might have noticed some missing values when you inspected the dataset. Te brakujące wartości muszą zostać oczyszczone, aby model mógł prawidłowo analizować dane.These missing values must be cleaned so that the model can analyze the data correctly.

Usuwanie kolumnyRemove a column

Podczas uczenia modelu trzeba wykonać coś dotyczące brakujących danych.When you train a model, you have to do something about the data that's missing. W tym zestawie danych w kolumnie znormalizowana strata brakuje wielu wartości, więc ta kolumna nie zostanie całkowicie wykluczona z modelu.In this dataset, the normalized-losses column is missing many values, so you will exclude that column from the model altogether.

  1. W palecie modułów z lewej strony kanwy rozwiń sekcję Przekształcanie danych i Znajdź pozycję Wybieranie kolumn w zestawie danych .In the module palette to the left of the canvas, expand the Data Transformation section and find the Select Columns in Dataset module.

  2. Przeciągnij moduł Wybierz kolumny w zestawie danych na kanwę.Drag the Select Columns in Dataset module onto the canvas. Upuść moduł poniżej modułu DataSet.Drop the module below the dataset module.

  3. Połącz zestaw danych cen samochodów (RAW) z modułem Wybieranie kolumn w zestawie danych .Connect the Automobile price data (Raw) dataset to the Select Columns in Dataset module. Przeciągnij z portu wyjściowego zestawu danych, czyli małego okręgu w dolnej części zestawu danych na kanwie, do portu wejściowego SELECT kolumn w zestawie danych, czyli małego okręgu w górnej części modułu.Drag from the dataset's output port, which is the small circle at the bottom of the dataset on the canvas, to the input port of Select Columns in Dataset, which is the small circle at the top of the module.

    Porada

    Przepływ danych można utworzyć za pomocą potoku po podłączeniu portu wyjściowego jednego modułu do portu wejściowego innego.You create a flow of data through your pipeline when you connect the output port of one module to an input port of another.

    Połącz moduły

  4. Wybierz pozycję Wybierz kolumny w zestawie danych .Select the Select Columns in Dataset module.

  5. W okienku Szczegóły modułu z prawej strony kanwy wybierz pozycję Edytuj kolumnę.In the module details pane to the right of the canvas, select Edit column.

  6. Rozwiń listę rozwijaną nazwy kolumn obok pozycji Dołącz, a następnie wybierz pozycję wszystkie kolumny.Expand the Column names drop down next to Include, and select All columns.

  7. Wybierz opcję, + Aby dodać nową regułę.Select the + to add a new rule.

  8. Z menu rozwijanego wybierz opcję Wyklucz i nazwy kolumn.From the drop-down menus, select Exclude and Column names.

  9. Wprowadź znormalizowane straty w polu tekstowym.Enter normalized-losses in the text box.

  10. W prawym dolnym rogu wybierz pozycję Zapisz , aby zamknąć selektor kolumny.In the lower right, select Save to close the column selector.

    Wykluczanie kolumny

  11. Wybierz pozycję Wybierz kolumny w zestawie danych .Select the Select Columns in Dataset module.

  12. W okienku Szczegóły modułu z prawej strony kanwy zaznacz pole tekstowe komentarz i wprowadź wykluczenie normalnych strat.In the module details pane to the right of the canvas, select the Comment text box and enter Exclude normalized losses.

    Komentarze będą wyświetlane na grafie, aby ułatwić organizowanie potoku.Comments will appear on the graph to help you organize your pipeline.

Wyczyść brakujące daneClean missing data

Zestaw danych nadal ma brakujące wartości po usunięciu kolumny znormalizowanych strat .Your dataset still has missing values after you remove the normalized-losses column. Pozostałe brakujące dane można usunąć przy użyciu modułu czyste brakujące dane .You can remove the remaining missing data by using the Clean Missing Data module.

Porada

Czyszczenie brakujących wartości z danych wejściowych jest wymaganiem wstępnym w przypadku korzystania z większości modułów w projektancie.Cleaning the missing values from input data is a prerequisite for using most of the modules in the designer.

  1. W palecie modułów z lewej strony kanwy rozwiń sekcję transformacja danych i Znajdź czysty brakujący moduł danych .In the module palette to the left of the canvas, expand the section Data Transformation, and find the Clean Missing Data module.

  2. Przeciągnij nieczysty moduł danych do kanwy potoku.Drag the Clean Missing Data module to the pipeline canvas. Połącz go z modułem Wybieranie kolumn w zestawie danych .Connect it to the Select Columns in Dataset module.

  3. Wybierz czysty moduł danych .Select the Clean Missing Data module.

  4. W okienku Szczegóły modułu z prawej strony kanwy wybierz pozycję Edytuj kolumnę.In the module details pane to the right of the canvas, select Edit Column.

  5. W wyświetlonym oknie kolumny do oczyszczenia rozwiń menu rozwijane obok pozycji Dołącz.In the Columns to be cleaned window that appears, expand the drop-down menu next to Include. Zaznacz, wszystkie kolumnySelect, All columns

  6. Wybierz pozycję ZapiszSelect Save

  7. W okienku Szczegóły modułu z prawej strony kanwy wybierz pozycję Usuń cały wiersz w obszarze Tryb czyszczenia.In the module details pane to the right of the canvas, select Remove entire row under Cleaning mode.

  8. W okienku Szczegóły modułu z prawej strony kanwy wybierz pole komentarz i wprowadź Usuń brakujące wiersze wartości.In the module details pane to the right of the canvas, select the Comment box, and enter Remove missing value rows.

    Potok powinien teraz wyglądać następująco:Your pipeline should now look something like this:

    Zaznacz kolumnę

Trenowanie modelu uczenia maszynowegoTrain a machine learning model

Teraz, gdy masz moduły do przetwarzania danych, możesz skonfigurować moduły szkoleniowe.Now that you have the modules in place to process the data, you can set up the training modules.

Ponieważ chcesz przewidzieć cenę, która jest liczbą, możesz użyć algorytmu regresji.Because you want to predict price, which is a number, you can use a regression algorithm. W tym przykładzie używany jest model regresji liniowej.For this example, you use a linear regression model.

Dzielenie danychSplit the data

Dzielenie danych to typowe zadanie w usłudze Machine Learning.Splitting data is a common task in machine learning. Dane zostaną podzielone na dwa oddzielne zestawy danych.You will split your data into two separate datasets. Jeden zestaw danych będzie szkolić model, a drugi przetestuje, jak dobrze działa model.One dataset will train the model and the other will test how well the model performed.

  1. W palecie modułów rozwiń sekcję Przekształcanie danych i Znajdź moduł Split Data .In the module palette, expand the section Data Transformation and find the Split Data module.

  2. Przeciągnij moduł Split Data na kanwę potoku.Drag the Split Data module to the pipeline canvas.

  3. Połącz lewy port modułu czyste brakujące dane z modułem Split Data .Connect the left port of the Clean Missing Data module to the Split Data module.

    Ważne

    Upewnij się, że lewe porty wyjściowe czyste brakujące dane łączą się, aby podzielić dane.Be sure that the left output ports of Clean Missing Data connects to Split Data. Lewy port zawiera oczyszczone dane.The left port contains the the cleaned data. Prawidłowy port zawiera dane z przekoszykiem.The right port contains the discarted data.

  4. Wybierz moduł Split Data .Select the Split Data module.

  5. W okienku Szczegóły modułu z prawej strony kanwy Ustaw ułamek wierszy w pierwszym zestawie danych wyjściowych na 0,7.In the module details pane to the right of the canvas, set the Fraction of rows in the first output dataset to 0.7.

    Ta opcja dzieli na 70 procent danych, aby szkolić model i 30 procent na potrzeby testowania.This option splits 70 percent of the data to train the model and 30 percent for testing it. Zestaw danych 70 procent będzie dostępny przez lewy port wyjściowy.The 70 percent dataset will be accessible through the left output port. Pozostałe dane będą dostępne przez właściwy port wyjściowy.The remaining data will be available through the right output port.

  6. W okienku Szczegóły modułu z prawej strony kanwy wybierz pole komentarz i wprowadź Podziel zestaw danych na zestaw szkoleniowy (0,7) i zestaw testów (0,3).In the module details pane to the right of the canvas, select the Comment box, and enter Split the dataset into training set (0.7) and test set (0.3).

Trenowanie modeluTrain the model

Nauczenie modelu przez nadanie mu zestawu danych, który zawiera cenę.Train the model by giving it a dataset that includes the price. Algorytm tworzy model, który objaśnia relacje między funkcjami a ceną zaprezentowaną przez dane szkoleniowe.The algorithm constructs a model that explains the relationship between the features and the price as presented by the training data.

  1. W palecie modułów rozwiń węzeł Machine Learning algorytmy.In the module palette, expand Machine Learning Algorithms.

    Ta opcja umożliwia wyświetlenie kilku kategorii modułów, których można użyć do zainicjowania algorytmów uczenia.This option displays several categories of modules that you can use to initialize learning algorithms.

  2. Wybierz opcję > regresja liniowa regresji i przeciągnij ją na kanwę potoku.Select Regression > Linear Regression, and drag it to the pipeline canvas.

  3. W palecie modułów rozwiń sekcję szkolenia modułów i przeciągnij moduł uczenie modelu na kanwę.In the module palette, expand the section Module training, and drag the Train Model module to the canvas.

  4. Połącz dane wyjściowe modułu regresji liniowej z lewym wejściem modułu uczenie modelu .Connect the output of the Linear Regression module to the left input of the Train Model module.

  5. Połącz Wyjście danych szkoleniowych (lewy port) modułu Split Data (podział danych ) z prawym wejściem modułu uczenie modelu .Connect the training data output (left port) of the Split Data module to the right input of the Train Model module.

    Ważne

    Upewnij się, że lewe porty wyjściowe danych dzielą łączą się z modelem uczenia.Be sure that the left output ports of Split Data connects to Train Model. Lewy port zawiera zestaw szkoleniowy.The left port contains the the training set. Prawidłowy port zawiera zestaw testów.The right port contains the test set.

    Zrzut ekranu przedstawiający poprawną konfigurację modułu uczenie modelu. Moduł regresja liniowa łączy się z lewym portem modułu uczenia modelowego, a moduł podziału danych łączy się z odpowiednim portem modelu uczenia.

  6. Wybierz moduł Train Model (Trenowanie modelu).Select the Train Model module.

  7. W okienku Szczegóły modułu z prawej strony kanwy wybierz pozycję Edytuj selektor kolumny .In the module details pane to the right of the canvas, select Edit column selector.

  8. W oknie dialogowym etykieta kolumny rozwiń menu rozwijane i wybierz pozycję nazwy kolumn.In the Label column dialog box, expand the drop-down menu and select Column names.

  9. W polu tekstowym wpisz Price ( Cena ), aby określić wartość, którą model ma przewidzieć.In the text box, enter price to specify the value that your model is going to predict.

    Ważne

    Upewnij się, że nazwa kolumny została dokładnie wprowadzona.Make sure you enter the column name exactly. Nie używaj wielkiej litery .Do not capitalize price.

    Potok powinien wyglądać następująco:Your pipeline should look like this:

    Zrzut ekranu przedstawiający poprawną konfigurację potoku po dodaniu modułu uczenie modelu.

Dodawanie modułu modelu ocenyAdd the Score Model module

Po nauczeniu modelu przy użyciu 70 procent danych, można użyć go do oceny pozostałych 30 procent, aby zobaczyć, jak dobrze działa model.After you train your model by using 70 percent of the data, you can use it to score the other 30 percent to see how well your model functions.

  1. Wprowadź ciąg " model oceny " w polu wyszukiwania, aby znaleźć moduł modelu oceny .Enter score model in the search box to find the Score Model module. Przeciągnij moduł do kanwy potoku.Drag the module to the pipeline canvas.

  2. Połącz wyjście modułu Train Model (Uczenie modelu) z lewym portem wejściowym modułu Score Model (Generowanie wyników przez model).Connect the output of the Train Model module to the left input port of Score Model. Połącz wyjście danych testowych (prawy port) modułu Split Data (Podział danych) z prawym portem wejściowym modułu Score Model (Generowanie wyników przez model).Connect the test data output (right port) of the Split Data module to the right input port of Score Model.

Dodawanie modułu Evaluate Model (Ewaluacja modelu)Add the Evaluate Model module

Użyj modułu oceny modelu , aby oszacować, jak dobrze Model przedstawia test zestawu danych.Use the Evaluate Model module to evaluate how well your model scored the test dataset.

  1. Wprowadź wartość Oceń w polu wyszukiwania, aby znaleźć moduł Oceń model .Enter evaluate in the search box to find the Evaluate Model module. Przeciągnij moduł do kanwy potoku.Drag the module to the pipeline canvas.

  2. Połącz dane wyjściowe modułu z modelem wynikowym z lewym wejściem do oceny modelu.Connect the output of the Score Model module to the left input of Evaluate Model.

    Końcowy potok powinien wyglądać następująco:The final pipeline should look something like this:

    Zrzut ekranu przedstawiający poprawną konfigurację potoku.

Prześlij potokSubmit the pipeline

Teraz, gdy potok jest skonfigurowany, możesz przesłać uruchomienie potoku w celu uczenia modelu uczenia maszynowego.Now that your pipeline is all setup, you can submit a pipeline run to train your machine learning model. Można przesłać prawidłowy przebieg potoku w dowolnym momencie, który może służyć do przeglądania zmian w potoku podczas opracowywania.You can submit a valid pipeline run at any point, which can be used to review changes to your pipeline during development.

  1. W górnej części kanwy wybierz pozycję Prześlij.At the top of the canvas, select Submit.

  2. W oknie dialogowym Konfigurowanie uruchomienia potoku wybierz pozycję Utwórz nowy.In the Set up pipeline run dialog box, select Create new.

    Uwaga

    Grupy eksperymentów działają podobnie.Experiments group similar pipeline runs together. W przypadku uruchomienia potoku wiele razy można wybrać ten sam eksperyment dla kolejnych uruchomień.If you run a pipeline multiple times, you can select the same experiment for successive runs.

    1. W przypadku nowej nazwy eksperymentu wprowadź samouczek-CarPrices.For New experiment Name, enter Tutorial-CarPrices.

    2. Wybierz pozycję Prześlij.Select Submit.

    Możesz wyświetlić stan przebiegu i szczegóły w prawym górnym rogu kanwy.You can view run status and details at the top right of the canvas.

    Jeśli jest to pierwsze uruchomienie, ukończenie działania potoku może potrwać do 20 minut.If this is the first run, it may take up to 20 minutes for your pipeline to finish running. 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.

Wyświetlanie etykiet z wynikamiView scored labels

Po zakończeniu przebiegu można wyświetlić wyniki uruchomienia potoku.After the run completes, you can view the results of the pipeline run. Najpierw zapoznaj się z przewidywaniami wygenerowanymi przez model regresji.First, look at the predictions generated by the regression model.

  1. Kliknij prawym przyciskiem myszy moduł model oceny i wybierz polecenie Wizualizuj > wynikowy zestaw danych , aby wyświetlić jego dane wyjściowe.Right-click the Score Model module, and select Visualize > Scored dataset to view its output.

    W tym miejscu możesz zobaczyć przewidywane ceny i rzeczywiste ceny z danych testowych.Here you can see the predicted prices and the actual prices from the testing data.

    Zrzut ekranu przedstawiający wizualizację danych wyjściowych z wyróżnioną kolumną etykieta z wynikami

Oceń modeleEvaluate models

Użyj modelu szacowania , aby zobaczyć, jak dobrze szkolony model jest wykonywany na testowym zestawie danych.Use the Evaluate Model to see how well the trained model performed on the test dataset.

  1. Kliknij prawym przyciskiem myszy moduł oceny modelu i wybierz polecenie Wizualizuj > wyniki oceny , aby wyświetlić jego dane wyjściowe.Right-click the Evaluate Model module and select Visualize > Evaluation results to view its output.

Następujące statystyki są wyświetlane dla modelu:The following statistics are shown for your model:

  • Średni błąd bezwzględny (Mae): Średnia liczba błędów bezwzględnych.Mean Absolute Error (MAE): The average of absolute errors. Jest to różnica między wartością przewidywaną a wartością rzeczywistą.An error is the difference between the predicted value and the actual value.
  • Błąd średnika "pierwiastek" z wartości głównej (RMSE): pierwiastek kwadratowy średniej wartości kwadratowych błędów prognoz wykonanych na testowym zestawie danych.Root Mean Squared Error (RMSE): The square root of the average of squared errors of predictions made on the test dataset.
  • Względny błąd absolutny: iloraz średniej błędów absolutnych i bezwzględnej wartości różnicy między wartościami rzeczywistymi a średnią wszystkich wartości rzeczywistych.Relative Absolute Error: The average of absolute errors relative to the absolute difference between actual values and the average of all actual values.
  • Błąd względny średniokwadratowy: iloraz średniej kwadratów błędów i kwadratu różnicy między wartościami rzeczywistymi a średnią wszystkich wartości rzeczywistych.Relative Squared Error: The average of squared errors relative to the squared difference between the actual values and the average of all actual values.
  • Współczynnik wyznaczania: znany również jako wartość R kwadratowa, ta Metryka statystyczna wskazuje, jak dobrze model dopasowuje dane.Coefficient of Determination: Also known as the R squared value, this statistical metric indicates how well a model fits the data.

W przypadku wszystkich powyższych statystyk mniejsze wartości oznaczają lepszą jakość modelu.For each of the error statistics, smaller is better. Mniejsza wartość wskazuje, że przewidywania są bliżej rzeczywistych wartości.A smaller value indicates that the predictions are closer to the actual values. Dla współczynnika wyznaczania wartość bliższej wartości to 1 (1,0), tym lepsze przewidywania.For the coefficient of determination, the closer its value is to one (1.0), the better the predictions.

Czyszczenie zasobówClean up resources

Pomiń tę sekcję, jeśli chcesz kontynuować w części 2 samouczka Wdrażanie modeli.Skip this section if you want to continue on with part 2 of the tutorial, deploying models.

Ważne

Możesz użyć zasobów utworzonych jako wymagania wstępne dla innych samouczków Azure Machine Learning i artykułów z przewodnikiem.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

W części drugiej dowiesz się, jak wdrożyć model jako punkt końcowy w czasie rzeczywistym.In part two, you'll learn how to deploy your model as a real-time endpoint.