Início rápido: crie seu primeiro experimento no de ciência de dados no Azure Machine Learning StudioQuickstart: Create your first data science experiment in Azure Machine Learning Studio

Neste início rápido, você cria um teste de machine learning no do Azure Machine Learning Studio que prevê o preço de um carro com base em variáveis diferentes, tais como marca e especificações técnicas.In this quickstart, you create a machine learning experiment in Azure Machine Learning Studio that predicts the price of a car based on different variables such as make and technical specifications.

Se você nunca teve contato com o aprendizado de máquina, a série de vídeo Ciência de dados para iniciantes é uma excelente introdução ao aprendizado de máquina usando linguagem e conceitos do dia a dia.If you're brand new to machine learning, the video series Data Science for Beginners is a great introduction to machine learning using everyday language and concepts.

Este início rápido segue o fluxo de trabalho padrão para um experimento:This quickstart follows the default workflow for an experiment:

  1. Criar um modeloCreate a model
  2. Treinar o modeloTrain the model
  3. Pontuar e testar o modeloScore and test the model

Se você não tiver uma conta do Studio, vá para a Home page do Studio e selecione Inscreva-se aqui para criar uma conta gratuita.If you don't have a Studio account, go to the Studio homepage and select Sign up here to create a free account. O workspace gratuito terá todos os recursos necessários para este início rápido.The free workspace will have all the features you need for this quickstart.

Obter os dadosGet the data

A primeira coisa que você precisa para executar o aprendizado de máquina são dados.The first thing you need in machine learning is data. Há uma série de conjuntos de dados de exemplo incluídos no Studio que você pode usar ou você pode importar dados de várias fontes.There are several sample datasets included with Studio that you can use, or you can import data from many sources. Neste exemplo, usaremos o conjunto de dados de exemplo Dados de preço de automóvel (Brutos), que está incluído no seu workspace.For this example, we'll use the sample dataset, Automobile price data (Raw), that's included in your workspace. Esse conjunto de dados inclui entradas para vários automóveis individuais, incluindo informações como marca, modelo, especificações técnicas e preço.This dataset includes entries for various individual automobiles, including information such as make, model, technical specifications, and price.

Dica

Você pode encontrar uma cópia funcional do seguinte experimento na Galeria de IA do Azure.You can find a working copy of the following experiment in the Azure AI Gallery. Vá para Seu primeiro experimento de ciência de dados – previsão de preço de automóvel e clique em Abrir no Studio para baixar uma cópia do experimento no seu workspace do Machine Learning Studio.Go to Your first data science experiment - Automobile price prediction and click Open in Studio to download a copy of the experiment into your Machine Learning Studio workspace.

Aqui está a explicação de como colocar o conjunto de dados no seu experimento.Here's how to get the dataset into your experiment.

  1. Crie um novo experimento clicando em +NOVO na parte inferior da janela do Machine Learning Studio.Create a new experiment by clicking +NEW at the bottom of the Machine Learning Studio window. Selecione EXPERIMENTO > Experimento em Branco.Select EXPERIMENT > Blank Experiment.

  2. O teste recebe um nome padrão que você pode ver na parte superior da tela.The experiment is given a default name that you can see at the top of the canvas. Selecione este texto e renomeie para algo que tenha sentido, por exemplo, Previsão de preço de automóvel.Select this text and rename it to something meaningful, for example, Automobile price prediction. O nome não precisa ser exclusivo.The name doesn't need to be unique.

    Renomear o experimento

  3. À esquerda da tela do experimento está uma paleta de conjuntos de dados e módulos.To the left of the experiment canvas is a palette of datasets and modules. Digite automóvel na caixa Pesquisar na parte superior desta paleta para localizar o conjunto de dados rotulado como Dados de preço de automóvel (brutos).Type automobile in the Search box at the top of this palette to find the dataset labeled Automobile price data (Raw). Arraste este conjunto de dados até a tela do experimento.Drag this dataset to the experiment canvas.

    Localize o conjunto de dados de automóvel e arraste-o para a tela do experimento

Para ver a aparência dos dados, clique na porta de saída na parte inferior do conjunto de dados do automóvel e selecione Visualizar.To see what this data looks like, click the output port at the bottom of the automobile dataset then select Visualize.

Clique na porta de saída e selecione "Visualizar"

Dica

Os módulos e conjuntos de dados têm portas de entrada e saída representadas por círculos pequenos – portas de entrada na parte superior, portas de saída na parte inferior.Datasets and modules have input and output ports represented by small circles - input ports at the top, output ports at the bottom. Para criar um fluxo de dados por meio do experimento, você conectará uma porta de um módulo de saída a uma porta de entrada do outro.To create a flow of data through your experiment, you'll connect an output port of one module to an input port of another. A qualquer momento, você pode clicar na porta de saída de um conjunto de dados ou de um módulo para ver aparência dos dados naquele ponto do fluxo de dados.At any time, you can click the output port of a dataset or module to see what the data looks like at that point in the data flow.

No conjunto de dados de exemplo, cada linha representa uma instância de um automóvel e as variáveis associadas a cada automóvel aparecem como colunas.In this dataset, each row represents an automobile, and the variables associated with each automobile appear as columns. Vamos prever o preço na coluna à direita (coluna 26, intitulada "preço") usando as variáveis de um automóvel específico.We'll predict the price in far-right column (column 26, titled "price") using the variables for a specific automobile.

Exibir os dados de automóveis na janela de visualização de dados

Feche a janela de visualização clicando no "x" no canto superior direito.Close the visualization window by clicking the "x" in the upper-right corner.

Preparar os dadosPrepare the data

Um conjunto de dados geralmente requer algum pré-processamento antes de poder ser analisado.A dataset usually requires some preprocessing before it can be analyzed. Você deve ter observado os valores ausentes presentes nas colunas de várias linhas.You might have noticed the missing values present in the columns of various rows. Os valores ausentes precisam ser limpos para que o modelo possa analisar os dados corretamente.These missing values need to be cleaned so the model can analyze the data correctly. Vamos remover quaisquer linhas que tenham valores ausentes.We'll remove any rows that have missing values. Além disso, a coluna normalized-losses tem uma grande proporção de valores ausentes, portanto excluiremos totalmente essa coluna do modelo.Also, the normalized-losses column has a large proportion of missing values, so we'll exclude that column from the model altogether.

Dica

Limpar os valores ausentes dos dados de entrada é um pré-requisito para usar a maioria dos módulos.Cleaning the missing values from input data is a prerequisite for using most of the modules.

Primeiro, vamos adicionar um módulo que remova a coluna normalized-losses completamente.First, we add a module that removes the normalized-losses column completely. Em seguida, adicionamos outro módulo que remove qualquer linha que tenha dados ausentes.Then we add another module that removes any row that has missing data.

  1. Digite selecionar colunas na caixa de Pesquisa na parte superior da paleta do módulo para encontrar o módulo Selecionar Colunas no Conjunto de Dados.Type select columns in the search box at the top of the module palette to find the Select Columns in Dataset module. Em seguida, arraste-o para a tela do experimento.Then drag it to the experiment canvas. Esse módulo permite selecionar quais colunas de dados desejamos incluir ou excluir no modelo.This module allows us to select which columns of data we want to include or exclude in the model.

  2. Conecte a porta de saída do conjunto de dados Dados de preço de automóveis (Brutos) à porta de entrada de Selecionar Colunas no Conjunto de Dados.Connect the output port of the Automobile price data (Raw) dataset to the input port of the Select Columns in Dataset.

    Adicionar o módulo "Selecionar Colunas no Conjunto de Dados" à tela do experimento e conectá-lo

  3. Selecione o módulo Selecionar Colunas no Conjunto de Dados e clique em Iniciar seletor de coluna no painel Propriedades.Click the Select Columns in Dataset module and click Launch column selector in the Properties pane.

    • À esquerda, clique em Com regrasOn the left, click With rules

    • Em Começa com, clique em Todas as colunas.Under Begin With, click All columns. Essas regras instruem Selecionar Colunas no Conjunto de Dados a passar por todas as colunas (exceto por aquelas que estamos prestes a excluir).These rules direct Select Columns in Dataset to pass through all the columns (except those columns we're about to exclude).

    • Nos menus suspensos, selecione Excluir e nomes da coluna e clique dentro da caixa de texto.From the drop-downs, select Exclude and column names, and then click inside the text box. Uma lista de colunas é exibida.A list of columns is displayed. Selecione normalized-lossese ela será adicionada à caixa de texto.Select normalized-losses, and it's added to the text box.

    • Clique no botão de marca de seleção (OK) para fechar o seletor de coluna (no canto inferior direito).Click the check mark (OK) button to close the column selector (on the lower right).

      Inicie o seletor de coluna e exclua a coluna "normalized-losses"

      Agora, o painel de propriedades de Selecionar Colunas no Conjunto de Dados indica que ele passará por todas as colunas do conjunto de dados exceto por normalized-losses.Now the properties pane for Select Columns in Dataset indicates that it will pass through all columns from the dataset except normalized-losses.

      O painel de propriedades mostra que a coluna "normalized-losses" foi excluída

      Dica

      É possível adicionar um comentário em um módulo ao clicar duas vezes nele e inserir o texto.You can add a comment to a module by double-clicking the module and entering text. Isso pode ajudar a ver rapidamente o que o módulo está fazendo em seu experimento.This can help you see at a glance what the module is doing in your experiment. Neste caso, clique duas vezes no módulo Selecionar Colunas no Conjunto de Dados e digite o comentário “Excluir perdas normalizadas”.In this case double-click the Select Columns in Dataset module and type the comment "Exclude normalized losses."

      Clique duas vezes em um módulo para adicionar um comentário

  4. Arraste o módulo Limpar valores ausentes até a tela do teste e conecte-o ao módulo Selecionar Colunas no Conjunto de Dados.Drag the Clean Missing Data module to the experiment canvas and connect it to the Select Columns in Dataset module. No painel Propriedades selecione Remover linha inteira em Modo de limpeza.In the Properties pane, select Remove entire row under Cleaning mode. Essas opções direcionam o Limpar Dados Ausentes a limpar os dados removendo as linhas que têm valores ausentes.These options direct Clean Missing Data to clean the data by removing rows that have any missing values. Clique duas vezes no módulo e digite o comentário “Remover linhas de valor ausente".Double-click the module and type the comment "Remove missing value rows."

    Defina o modo de limpeza para "Remover linha inteira" no módulo "Limpar Dados Ausentes"

  5. Execute o experimento clicando em EXECUTAR na parte inferior da página.Run the experiment by clicking RUN at the bottom of the page.

    Quando o experimento terminar a execução, todos os módulos terão uma marca de seleção verde para indicar que foram concluídos com sucesso.When the experiment has finished running, all the modules have a green check mark to indicate that they finished successfully. Observe também o status Execução concluída no canto superior direito.Notice also the Finished running status in the upper-right corner.

    Depois da execução, o experimento deve ser semelhante a

Dica

Por que executamos o experimento agora?Why did we run the experiment now? Ao executar o experimento, as definições de coluna dos dados passam do conjunto de dados, através do módulo Selecionar Colunas no Conjunto de Dados e através do módulo Limpar Dados Ausentes.By running the experiment, the column definitions for our data pass from the dataset, through the Select Columns in Dataset module, and through the Clean Missing Data module. Isso significa que todos os módulos que conectarmos ao Limpar Dados Ausentes também terão essas mesmas informações.This means that any modules we connect to Clean Missing Data will also have this same information.

Agora temos dados limpos.Now we have clean data. Se desejar exibir o conjunto de dados limpo, clique na porta de saída à esquerda do módulo Limpar Dados Ausentes e selecione Visualizar.If you want to view the cleaned dataset, click the left output port of the Clean Missing Data module and select Visualize. Observe que a coluna normalized-losses não está mais incluída e não há valores ausentes.Notice that the normalized-losses column is no longer included, and there are no missing values.

Agora que os dados estão limpos, estamos prontos para especificar quais recursos usaremos no modelo preditivo.Now that the data is clean, we're ready to specify what features we're going to use in the predictive model.

definir recursosDefine features

No aprendizado de máquina, recursos são propriedades individuais mensuráveis de algo em que você está interessado.In machine learning, features are individual measurable properties of something you’re interested in. Em nosso conjunto de dados, cada linha representa um automóvel e cada coluna é um recurso desse automóvel.In our dataset, each row represents one automobile, and each column is a feature of that automobile.

Localizar um bom conjunto de recursos para criar um modelo de previsão requer experimentação e conhecimento sobre o problema que você deseja resolver.Finding a good set of features for creating a predictive model requires experimentation and knowledge about the problem you want to solve. Alguns recursos são melhores para prever o destino do que outros.Some features are better for predicting the target than others. Alguns recursos têm uma forte correlação com outros recursos e podem ser removidos.Some features have a strong correlation with other features and can be removed. Por exemplo, city-mpg e highway-mpg estão intimamente relacionados, por isso podemos manter um e remover o outro sem afetar a previsão de forma significativa.For example, city-mpg and highway-mpg are closely related so we can keep one and remove the other without significantly affecting the prediction.

Vamos criar um modelo que usa um subconjunto dos recursos em nosso conjunto de dados.Let's build a model that uses a subset of the features in our dataset. É possível voltar depois e selecionar diferentes recursos, executar o experimento novamente e ver se você obtém melhores resultados.You can come back later and select different features, run the experiment again, and see if you get better results. Mas, para começar, vamos testar os seguintes recursos:But to start, let's try the following features:

make, body-style, wheel-base, engine-size, horsepower, peak-rpm, highway-mpg, price
  1. Arraste outro módulo Selecionar Colunas no Conjunto de Dados à tela do experimento.Drag another Select Columns in Dataset module to the experiment canvas. Conecte a porta de saída à esquerda do módulo Limpar Dados Ausentes à entrada do módulo Selecionar Colunas no Conjunto de Dados.Connect the left output port of the Clean Missing Data module to the input of the Select Columns in Dataset module.

    Conectar o módulo "Selecionar Colunas no Conjunto de Dados" no módulo "Limpar Dados Ausentes"

  2. Clique duas vezes no módulo e digite “Selecionar recursos de previsão".Double-click the module and type "Select features for prediction."

  3. Clique em Iniciar seletor de coluna no painel de Propriedades.Click Launch column selector in the Properties pane.

  4. Clique em Com regras.Click With rules.

  5. Em Começa com, clique em Nenhuma coluna.Under Begin With, click No columns. Na linha do filtro, selecione Incluir e nomes de coluna e selecione a lista de nomes de coluna na caixa de texto.In the filter row, select Include and column names and select our list of column names in the text box. Esse filtro instrui o módulo a passar somente pelas colunas (recursos) que especificamos.This filter directs the module to not pass through any columns (features) except the ones that we specify.

  6. Clique no botão de marca de seleção (OK).Click the check mark (OK) button.

    Selecione as colunas (recursos) a incluir na previsão

Esse módulo produz um conjunto de dados filtrado que contém somente os recursos que desejamos passar para o algoritmo de aprendizado que usaremos na próxima etapa.This module produces a filtered dataset containing only the features we want to pass to the learning algorithm we'll use in the next step. Posteriormente, é possível retornar e tentar novamente com uma seleção diferente de recursos.Later, you can return and try again with a different selection of features.

Escolher e aplicar um algoritmoChoose and apply an algorithm

Agora que os dados estão prontos, construir um modelo preditivo consiste em treinamento e teste.Now that the data is ready, constructing a predictive model consists of training and testing. Vamos usar nossos dados para treinar o modelo e depois testar o modelo para ver com que proximidade ele é capaz de prever os preços.We'll use our data to train the model, and then we'll test the model to see how closely it's able to predict prices.

Classificação e regressão são dois tipos de técnicas de algoritmo de machine learning supervisionado.Classification and regression are two types of supervised machine learning algorithms. A classificação prevê uma resposta de um conjunto definido de categorias, como uma cor (vermelha, azul ou verde).Classification predicts an answer from a defined set of categories, such as a color (red, blue, or green). A regressão é usada para prever um número.Regression is used to predict a number.

Como desejamos prever o preço, que é um número, usaremos um algoritmo de regressão.Because we want to predict price, which is a number, we'll use a regression algorithm. Neste exemplo, usaremos um modelo de regressão linear.For this example, we'll use a linear regression model.

Treinamos o modelo, dando a ele um conjunto de dados que inclui o preço.We train the model by giving it a set of data that includes the price. O modelo examina os dados e procura correlações entre os recursos de um automóvel e seu preço.The model scans the data and look for correlations between an automobile's features and its price. Em seguida, testaremos o modelo – vamos dar a ele um conjunto de recursos para automóveis, com os quais estamos familiarizados e veremos qual a proximidade da previsão feita pelo modelo com o preço conhecido.Then we'll test the model - we'll give it a set of features for automobiles we're familiar with and see how close the model comes to predicting the known price.

Vamos usar nossos dados para treinar o modelo e para testá-lo, dividindo-os em conjuntos de dados separados de treinamento e de teste.We'll use our data for both training the model and testing it by splitting the data into separate training and testing datasets.

  1. Selecione e arraste o módulo Dividir Dados até a tela do teste e conecte-o à porta de saída do último módulo Selecionar Colunas no Conjunto de Dados.Select and drag the Split Data module to the experiment canvas and connect it to the last Select Columns in Dataset module.

  2. Clique no módulo Dividir Dados para selecioná-lo.Click the Split Data module to select it. Encontre o painel Fração de linhas no primeiro conjunto de dados de saída (no painel Propriedades à direita da tela) e defina-o para 0,75.Find the Fraction of rows in the first output dataset (in the Properties pane to the right of the canvas) and set it to 0.75. Desta forma, usaremos 75% dos dados para treinar o modelo e manteremos 25% para teste.This way, we'll use 75 percent of the data to train the model, and hold back 25 percent for testing.

    Defina a fração de divisão do módulo "Dividir Dados" para 0,75

    Dica

    Alterando o parâmetro Semente aleatória , é possível produzir amostras aleatórias diferentes para treinamento e teste.By changing the Random seed parameter, you can produce different random samples for training and testing. Esse parâmetro controla a alimentação do gerador de número pseudo-aleatório.This parameter controls the seeding of the pseudo-random number generator.

  3. Execute o experimento.Run the experiment. Quando o experimento é executado os módulos Selecionar Colunas no Conjunto de Dados e Dividir Dados passam definições de coluna para os módulos que incluiremos em seguida.When the experiment is run, the Select Columns in Dataset and Split Data modules pass column definitions to the modules we'll be adding next.

  4. Para selecionar o algoritmo de aprendizado, expanda a categoria Machine Learning na paleta do módulo à esquerda da tela e expanda Inicializar Modelo.To select the learning algorithm, expand the Machine Learning category in the module palette to the left of the canvas, and then expand Initialize Model. Isso exibe várias categorias de módulos que podem ser usados para inicializar os algoritmos de Aprendizado de Máquina.This displays several categories of modules that can be used to initialize machine learning algorithms. Para este experimento, selecione módulo Regressão Linear na categoria Regressão e arraste-o para a tela do experimento.For this experiment, select the Linear Regression module under the Regression category, and drag it to the experiment canvas. (Você também pode localizar o módulo digitando "regressão linear" na caixa de pesquisa da paleta.)(You can also find the module by typing "linear regression" in the palette Search box.)

  5. Localize e arraste o módulo Modelo de Treinamento até a tela do experimento.Find and drag the Train Model module to the experiment canvas. Conecte a saída do módulo Regressão Linear com a entrada à esquerda do módulo Modelo de treinamento e conecte a saída de dados de treinamento (porta à esquerda) do módulo Dividir Dados com a entrada à direita do módulo Modelo de treinamento.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.

    Conecte o módulo "Modelo de treinamento" aos módulos "Regressão Linear" e "Dividir Dados"

  6. Selecione o módulo Modelo de Treinamento, clique em Iniciar seletor de coluna no painel Propriedades e selecione a coluna preço.Click the Train Model module, click Launch column selector in the Properties pane, and then select the price column. O Preço é o valor que nosso modelo vai prever.Price is the value that our model is going to predict.

    Selecione a coluna preço movendo-a da lista de Colunas disponíveis para a lista de Colunas selecionadas.You select the price column in the column selector by moving it from the Available columns list to the Selected columns list.

    Selecione a coluna de preço para o módulo "Modelo de treinamento"

  7. Execute o experimento.Run the experiment.

Agora temos um modelo de regressão treinado que pode ser usado para pontuar novos dados de automóveis para fazer previsões de preço.We now have a trained regression model that can be used to score new automobile data to make price predictions.

Depois da execução, o experimento agora deve ser semelhante a isto

prever novos preços de automóveisPredict new automobile prices

Agora que treinamos o modelo usando 75% de nossos dados, podemos usá-lo para classificar os outros 25% dos dados e ver se nosso modelo funciona bem.Now that we've trained the model using 75 percent of our data, we can use it to score the other 25 percent of the data to see how well our model functions.

  1. Localize e arraste o módulo Modelo de Pontuação até a tela do experimento.Find and drag the Score Model module to the experiment canvas. Conecte a saída do módulo Modelo de Treinamento com a porta de entrada à esquerda do Modelo de Pontuação.Connect the output of the Train Model module to the left input port of Score Model. Conecte a porta de entrada direita à saída de dados de teste (porta à direita) do módulo Dividir Dados à porta de entrada direita do Modelo de Pontuação.Connect the test data output (right port) of the Split Data module to the right input port of Score Model.

    Conecte o módulo "Modelo de Pontuação" com os módulos "Modelo de Treinamento" e "Dividir Dados"

  2. Execute o experimento e exiba a saída do módulo Modelo de Pontuação clicando duas vezes na porta de saída do Modelo de Pontuação e selecionando Visualizar.Run the experiment and view the output from the Score Model module by clicking the output port of Score Model and select Visualize. A saída mostra os valores previstos para o preço e os valores conhecidos dos dados de teste.The output shows the predicted values for price and the known values from the test data.

    Saída do módulo "Modelo de Pontuação"

  3. Por fim, podemos testar a qualidade dos resultados.Finally, we test the quality of the results. Selecione e arraste o módulo Modelo de Avaliação para a tela do experimento e conecte a saída do módulo Modelo de Pontuação com a entrada à direita do Modelo de Avaliação.Select and drag the Evaluate Model module to the experiment canvas, and connect the output of the Score Model module to the left input of Evaluate Model. O experimento final deve se parecer como o seguinte:The final experiment should look something like this:

    O experimento final

  4. Execute o experimento.Run the experiment.

Execute o experimento e exiba a saída do módulo Modelo de Avaliação, clique duas vezes na porta de saída e selecione Visualizar.To view the output from the Evaluate Model module, click the output port, and then select Visualize.

Resultados de avaliação para o experimento

As estatísticas a seguir são mostradas para nosso modelo:The following statistics are shown for our model:

  • MAE (Média de erros absolutos): a média de erros absolutos (um erro é a diferença entre o valor previsto e o valor real).Mean Absolute Error (MAE): The average of absolute errors (an error is the difference between the predicted value and the actual value).
  • RMSE (Raiz quadrada dos erros ao quadrado): a raiz quadrada da média de erros quadrados de previsões feitas no conjunto de dados de teste.Root Mean Squared Error (RMSE): The square root of the average of squared errors of predictions made on the test dataset.
  • Erro absoluto relativo: a média de erros absolutos relativos à diferença absoluta entre os valores reais e a média de todos os valores reais.Relative Absolute Error: The average of absolute errors relative to the absolute difference between actual values and the average of all actual values.
  • Erro ao quadrado relativo: a média de erros quadrados relativos à diferença quadrada entre os valores reais e a média de todos os valores reais.Relative Squared Error: The average of squared errors relative to the squared difference between the actual values and the average of all actual values.
  • Coeficiente de determinação: também conhecido como o Valor quadrado R, esta é uma métrica estatística que indica se o modelo se encaixa bem nos dados.Coefficient of Determination: Also known as the R squared value, this is a statistical metric indicating how well a model fits the data.

Para cada estatística de erro, menos é melhor.For each of the error statistics, smaller is better. Um valor menor indica que as previsões se aproximam mais dos valores reais.A smaller value indicates that the predictions more closely match the actual values. Para Coeficiente de Determinação, quanto mais próximo o valor estiver de um (1,0), melhores as previsões.For Coefficient of Determination, the closer its value is to one (1.0), the better the predictions.

Limpar recursosClean up resources

Caso não precise mais dos recursos que criou usando este artigo, exclua-os para evitar a geração de encargos.If you no longer need the resources you created using this article, delete them to avoid incurring any charges. Saiba como fazer isso no artigo Exportar e excluir dados de usuário no produto.Learn how in the article, Export and delete in-product user data.

Próximas etapasNext steps

Neste início rápido, você criou um teste simples usando um conjunto de dados de exemplo.In this quickstart, you created a simple experiment using a sample dataset. Para explorar o processo de criação e implantação de um modelo mais detalhadamente, continue o tutorial de solução preditiva.To explore the process of creating and deploying a model in more depth, continue to the predictive solution tutorial.