Tutorial: Criar um modelo de classificação com o ML automatizado no Azure Machine LearningTutorial: Create a classification model with automated ML in Azure Machine Learning

Neste tutorial, você aprenderá a criar um modelo de classificação simples sem escrever nenhuma linha de código usando o machine learning automatizado no Azure Machine Learning Studio.In this tutorial, you learn how to create a simple classification model without writing a single line of code using automated machine learning in the Azure Machine Learning studio. Este modelo de classificação prevê se um cliente assinará um depósito a prazo fixo com uma instituição financeira.This classification model predicts if a client will subscribe to a fixed term deposit with a financial institution.

Com o aprendizado de máquina automatizado, você pode automatizar tarefas intensivas e demoradas.With automated machine learning, you can automate away time intensive tasks. O aprendizado de máquina automatizado itera rapidamente em muitas combinações de algoritmos e hiperparâmetros para ajudar você a encontrar o melhor modelo com base em uma métrica de sucesso de sua escolha.Automated machine learning rapidly iterates over many combinations of algorithms and hyperparameters to help you find the best model based on a success metric of your choosing.

Para ver um exemplo de previsão de série temporal, confira Tutorial: Previsão de demanda e AutoML.For a time-series forecasting example, see Tutorial: Demand forecasting & AutoML.

Neste tutorial, você aprenderá a fazer as seguintes tarefas:In this tutorial, you learn how to do the following tasks:

  • Criar um Workspace de Azure Machine Learning.Create an Azure Machine Learning workspace.
  • Executar um experimento de aprendizado de máquina automatizado.Run an automated machine learning experiment.
  • Exibir detalhes do experimento.View experiment details.
  • Implantar o modelo.Deploy the model.

Pré-requisitosPrerequisites

  • Uma assinatura do Azure.An Azure subscription. Se você não tiver uma assinatura do Azure, crie uma conta gratuita.If you don't have an Azure subscription, create a free account.

  • Baixe o arquivo de dados bankmarketing_train.csv.Download the bankmarketing_train.csv data file. A coluna y indica se um cliente assinou um depósito a prazo fixo, que é posteriormente identificado como a coluna de destino para as previsões neste tutorial.The y column indicates if a customer subscribed to a fixed term deposit, which is later identified as the target column for predictions in this tutorial.

Criar um workspaceCreate a workspace

Um Workspace do Azure Machine Learning é o recurso fundamental na nuvem que você usa para experimentar, treinar e implantar modelos de machine learning.An Azure Machine Learning workspace is a foundational resource in the cloud that you use to experiment, train, and deploy machine learning models. Ele vincula sua assinatura do Azure e o grupo de recursos a um objeto facilmente consumido no serviço.It ties your Azure subscription and resource group to an easily consumed object in the service.

Há muitas maneiras de criar um workspace.There are many ways to create a workspace. Neste tutorial, você cria um workspace pelo portal do Azure, um console baseado na Web para gerenciar os seus recursos do Azure.In this tutorial, you create a workspace via the Azure portal, a web-based console for managing your Azure resources.

  1. Entre no portal do Microsoft Azure usando as credenciais de assinatura do Azure.Sign in to the Azure portal by using the credentials for your Azure subscription.

  2. No canto superior esquerdo do Portal do Azure, selecione + Criar um recurso.In the upper-left corner of the Azure portal, select + Create a resource.

    Uma captura de tela que mostra a opção Criar um recurso.

  3. Use a barra de pesquisa para localizar Machine Learning.Use the search bar to find Machine Learning.

  4. Selecione Machine Learning.Select Machine Learning.

  5. No painel Machine Learning, selecione Criar para começar.In the Machine Learning pane, select Create to begin.

  6. Forneça as informações a seguir para configurar o novo workspace:Provide the following information to configure your new workspace:

    CampoField DESCRIÇÃODescription
    Nome do workspaceWorkspace name Insira um nome único que identifique seu workspace.Enter a unique name that identifies your workspace. Para este exemplo, usamos docs-ws.In this example, we use docs-ws. Os nomes devem ser únicos em todo o grupo de recursos.Names must be unique across the resource group. Use um nome que seja fácil de lembrar e diferenciar de workspaces criados por outras pessoas.Use a name that's easy to recall and to differentiate from workspaces created by others.
    SubscriptionSubscription Selecione a assinatura do Azure que você deseja usar.Select the Azure subscription that you want to use.
    Resource groupResource group Use um grupo de recursos existente na sua assinatura ou insira um nome para criar um novo grupo de recursos.Use an existing resource group in your subscription, or enter a name to create a new resource group. Um grupo de recursos mantém os recursos relacionados a uma solução do Azure.A resource group holds related resources for an Azure solution. Para este exemplo, usamos docs-aml.In this example, we use docs-aml.
    LocationLocation Selecione a localização mais próxima aos usuários e recursos de dados para criar o workspace.Select the location closest to your users and the data resources to create your workspace.
    Edição do WorkspaceWorkspace edition Selecione Basic como o tipo de workspace para este tutorial.Select Basic as the workspace type for this tutorial. O tipo de workspace determinará os preços e os recursos aos quais você terá acesso.The workspace type determines the features to which you'll have access and pricing. Todo o conteúdo deste tutorial pode ser realizado com um workspace Basic ou Enterprise.Everything in this tutorial can be performed with either a Basic or Enterprise workspace.
  7. Depois de concluir a configuração do workspace, clique em Examinar + Criar.After you're finished configuring the workspace, select Review + Create.

    Aviso

    Pode levar vários minutos para criar seu workspace na nuvem.It can take several minutes to create your workspace in the cloud.

    Quando o processo é finalizado, será exibida uma mensagem de êxito da implantação.When the process is finished, a deployment success message appears.

  8. Para exibir o novo workspace, selecione Ir para o recurso.To view the new workspace, select Go to resource.

Importante

Anote seu workspace e sua assinatura.Take note of your workspace and subscription. Você precisará dessas informações para criar o experimento no local certo.You'll need these to ensure you create your experiment in the right place.

Introdução ao Azure Machine Learning StudioGet started in Azure Machine Learning studio

Conclua a configuração do experimento a seguir e execute as etapas por meio do estúdio do Azure Machine Learning em https://ml.azure.com, uma interface da Web consolidada que inclui ferramentas de machine learning para realizar cenários de ciência de dados para praticantes de ciência de dados de todos os níveis de habilidade.You complete the following experiment set-up and run steps via the Azure Machine Learning studio at https://ml.azure.com, a consolidated web interface that includes machine learning tools to perform data science scenarios for data science practitioners of all skill levels. O estúdio não é compatível com navegadores Internet Explorer.The studio is not supported on Internet Explorer browsers.

  1. Entre no Estúdio do Azure Machine Learning.Sign in to Azure Machine Learning studio.

  2. Selecione a assinatura e o workspace criado.Select your subscription and the workspace you created.

  3. Selecione Introdução.Select Get started.

  4. No painel esquerdo, selecione ML Automatizado na seção Criar.In the left pane, select Automated ML under the Author section.

    Como este é seu primeiro experimento de ML automatizado, você verá uma lista vazia e links para a documentação.Since this is your first automated ML experiment, you'll see an empty list and links to documentation.

    Página Introdução

  5. Selecione +Nova execução de ML automatizado.Select +New automated ML run.

Criar e carregar um conjunto de dadosCreate and load dataset

Antes de configurar seu experimento, carregue o arquivo de dados no workspace na forma de um conjunto de dados do Azure Machine Learning.Before you configure your experiment, upload your data file to your workspace in the form of an Azure Machine Learning dataset. Essa ação permite que você garanta que os dados estejam formatados corretamente para o experimento.Doing so, allows you to ensure that your data is formatted appropriately for your experiment.

  1. Crie um novo conjunto de dados selecionando De arquivos locais na lista suspensa + Criar conjunto de dados.Create a new dataset by selecting From local files from the +Create dataset drop-down.

    1. No formulário Informações básicas, dê um nome ao conjunto de dados e forneça uma descrição opcional.On the Basic info form, give your dataset a name and provide an optional description. No momento, a interface de ML automatizado só dá suporte a TabularDatasets; portanto, o padrão do tipo de conjunto de dados deve ser Tabular.The automated ML interface currently only supports TabularDatasets, so the dataset type should default to Tabular.

    2. Selecione Avançar na parte inferior esquerdaSelect Next on the bottom left

    3. No formulário Seleção de armazenamento de dados e de arquivo, selecione o armazenamento de dados padrão que foi configurado automaticamente durante a criação do workspace, workspaceblobstore (Armazenamento de Blobs do Azure) .On the Datastore and file selection form, select the default datastore that was automatically set up during your workspace creation, workspaceblobstore (Azure Blob Storage). É nele que você carregará seu arquivo de dados para disponibilizá-lo ao workspace.This is where you'll upload your data file to make it available to your workspace.

    4. Selecione Procurar.Select Browse.

    5. Escolha o arquivo bankmarketing_train.csv no computador local.Choose the bankmarketing_train.csv file on your local computer. Esse é o arquivo que você baixou como pré-requisito.This is the file you downloaded as a prerequisite.

    6. Dê um nome exclusivo ao conjunto de dados e forneça uma descrição opcional.Give your dataset a unique name and provide an optional description.

    7. Selecione Avançar no canto inferior esquerdo para fazer upload dele no contêiner padrão que foi automaticamente configurado durante a criação do workspace.Select Next on the bottom left, to upload it to the default container that was automatically set up during your workspace creation.

      Após a conclusão do upload, o formulário Configurações e visualização será pré-populado com base no tipo de arquivo.When the upload is complete, the Settings and preview form is pre-populated based on the file type.

    8. Verifique se o formulário Configurações e visualização é populado conforme mostrado a seguir e selecione Avançar.Verify that the Settings and preview form is populated as follows and select Next.

      CampoField DescriçãoDescription Valor para o tutorialValue for tutorial
      Formato de arquivoFile format Define o layout e o tipo de dados armazenados em um arquivo.Defines the layout and type of data stored in a file. DelimitadoDelimited
      DelimitadorDelimiter Um ou mais caracteres para especificar o limite entre regiões  separadas e independentes em texto sem formatação ou outros fluxos de dados.One or more characters for specifying the boundary between  separate, independent regions in plain text or other data streams. VírgulaComma
      CodificaçãoEncoding Identifica qual tabela de esquema de bit para caractere usar para ler seu conjunto de dados.Identifies what bit to character schema table to use to read your dataset. UTF-8UTF-8
      Cabeçalhos da colunaColumn headers Indica como os cabeçalhos do conjunto de dados, se houver, serão tratados.Indicates how the headers of the dataset, if any, will be treated. Todos os arquivos têm os mesmos cabeçalhosAll files have same headers
      Ignorar linhasSkip rows Indica quantas linhas, se houver, serão ignoradas no conjunto de registros.Indicates how many, if any, rows are skipped in the dataset. NenhumNone
    9. O formulário Esquema permite configurar ainda mais os dados do experimento.The Schema form allows for further configuration of your data for this experiment. Neste exemplo, selecione o botão de alternância day_of_week para que ele não seja incluído.For this example, select the toggle switch for the day_of_week, so as to not include it. Selecione Avançar.Select Next. Formulário de esquemaSchema form

    10. No formulário Confirmar detalhes, verifique se as informações correspondem ao que foi previamente preenchido nos formulários Informações básicas, Seleção de armazenamento de dados e arquivo e Configurações e visualização.On the Confirm details form, verify the information matches what was previously populated on the Basic info, Datastore and file selection and Settings and preview forms.

    11. Selecione Criar para concluir a criação do conjunto de dados.Select Create to complete the creation of your dataset.

    12. Selecione seu conjunto de dados quando ele aparecer na lista.Select your dataset once it appears in the list.

    13. Examine a Visualização de dados para garantir que você não incluiu day_of_week e selecione Fechar.Review the Data preview to ensure you didn't include day_of_week then, select Close.

    14. Selecione Avançar.Select Next.

Configurar a execuçãoConfigure run

Depois de carregar e configurar seus dados, você poderá configurar seu experimento.After you load and configure your data, you can set up your experiment. Essa configuração inclui tarefas de design de experimento, como selecionar o tamanho do seu ambiente de computação e especificar qual coluna você deseja prever.This setup includes experiment design tasks such as, selecting the size of your compute environment and specifying what column you want to predict.

  1. Selecione o botão de opção Criar.Select the Create new radio button.

  2. Preencha o formulário Configurar Execução da seguinte maneira:Populate the Configure Run form as follows:

    1. Insira este nome de experimento: my-1st-automl-experimentEnter this experiment name: my-1st-automl-experiment

    2. Selecione y como a coluna de destino, o que você quer prever.Select y as the target column, what you want to predict. Essa coluna indica se o cliente assinou um depósito a prazo ou não.This column indicates whether the client subscribed to a term deposit or not.

    3. Selecione +Criar uma computação e configure o destino de computação.Select +Create a new compute and configure your compute target. Um destino de computação é um ambiente de recursos local ou baseado em nuvem usado para executar o script de treinamento ou hospedar a implantação do serviço.A compute target is a local or cloud-based resource environment used to run your training script or host your service deployment. Para este experimento, usamos uma computação baseada em nuvem.For this experiment, we use a cloud-based compute.

      1. Popule o formulário Máquina Virtual para configurar sua computação.Populate the Virtual Machine form to set up your compute.

        CampoField DescriçãoDescription Valor para o tutorialValue for tutorial
        Prioridade da máquina virtualVirtual machine priority Selecione a prioridade que o experimento deve terSelect what priority your experiment should have DedicadoDedicated
        Tipo de máquina virtualVirtual machine type Selecione o tipo da máquina virtual da computação.Select the virtual machine type for your compute. CPU (Unidade de Processamento Central)CPU (Central Processing Unit)
        Tamanho da máquina virtualVirtual machine size Selecione o tamanho da máquina virtual da computação.Select the virtual machine size for your compute. É fornecida uma lista de tamanhos recomendados com base em seus dados e no tipo de experimento.A list of recommended sizes is provided based on your data and experiment type. Standard_DS12_V2Standard_DS12_V2
      2. Selecione Avançar para preencher o Formulário Definir configurações.Select Next to populate the Configure settings form.

        CampoField DescriçãoDescription Valor para o tutorialValue for tutorial
        Nome da computaçãoCompute name Um nome exclusivo que identifique o contexto de computação.A unique name that identifies your compute context. automl-computeautoml-compute
        Mín./máx. de nósMin / Max nodes Para analisar os dados, é necessário especificar um ou mais nós.To profile data, you must specify 1 or more nodes. Número mín. de nós: 1Min nodes: 1
        Número máx. de nós: 6Max nodes: 6
        Segundos de espera antes de reduzir verticalmenteIdle seconds before scale down Tempo de espera antes de o cluster ser automaticamente reduzido verticalmente para a contagem do mínimo de nós.Idle time before the cluster is automatically scaled down to the minimum node count. 120 (padrão)120 (default)
        Configurações avançadasAdvanced settings Definições para configurar e autorizar uma rede virtual para seu experimento.Settings to configure and authorize a virtual network for your experiment. NenhumNone
      3. Selecione Criar para criar o destino de computação.Select Create to create your compute target.

        Isso levará alguns minutos para ser concluído.This takes a couple minutes to complete.

        Página de configurações

      4. Após a criação, selecione o novo destino de computação na lista suspensa.After creation, select your new compute target from the drop-down list.

    4. Selecione Avançar.Select Next.

  3. No formulário Tipo de tarefa e configurações, conclua a configuração do experimento de ML automatizado especificando o tipo de tarefa de machine learning e as definições de configuração.On the Task type and settings form, complete the setup for your automated ML experiment by specifying the machine learning task type and configuration settings.

    1. Selecione Classificação como o tipo de tarefa de machine learning.Select Classification as the machine learning task type.

    2. Selecione Exibir definições de configuração adicionais e preencha os campos da seguinte maneira.Select View additional configuration settings and populate the fields as follows. Essas configurações destinam-se a controlar melhor o trabalho de treinamento.These settings are to better control the training job. Caso contrário, os padrões são aplicados com base na seleção e nos dados de experimento.Otherwise, defaults are applied based on experiment selection and data.

      Configurações adicionaisAdditional configurations DescriçãoDescription Valor para o tutorialValue for tutorial
      Métrica principalPrimary metric Métrica de avaliação pela qual o algoritmo de aprendizado de máquina será medido.Evaluation metric that the machine learning algorithm will be measured by. AUC_weightedAUC_weighted
      Explicar o melhor modeloExplain best model Mostra automaticamente a explicabilidade no melhor modelo criado pelo ML automatizado.Automatically shows explainability on the best model created by automated ML. HabilitarEnable
      Algoritmos bloqueadosBlocked algorithms Algoritmos que você deseja excluir do trabalho de treinamentoAlgorithms you want to exclude from the training job NenhumNone
      Critério de saídaExit criterion Se um critério for atendido, o trabalho de treinamento será interrompido.If a criteria is met, the training job is stopped. Hora do trabalho de treinamento (horas): 1Training job time (hours): 1
      Limite de pontuação da métrica: NenhumMetric score threshold: None
      ValidaçãoValidation Escolha um tipo de validação cruzada e um número de testes.Choose a cross-validation type and number of tests. Tipo de validação:Validation type:
      validação cruzada k-fold  k-fold cross-validation

      Número de validações: 2Number of validations: 2
      SimultaneidadeConcurrency O número máximo de iterações paralelas executadas por iteraçãoThe maximum number of parallel iterations executed per iteration Máximo de iterações simultâneas: 5Max concurrent iterations: 5

      Clique em Salvar.Select Save.

  4. Selecione Concluir para executar o experimento.Select Finish to run the experiment. A tela Detalhes da Execução é aberta com o Status da execução na parte superior à medida que a preparação do experimento é iniciada.The Run Detail screen opens with the Run status at the top as the experiment preparation begins. Esse status é atualizado conforme o progresso do experimento.This status updates as the experiment progresses. Também aparecem notificações no canto superior direito do estúdio para informar você sobre o status do experimento.Notifications also appear in the top right corner of the studio, to inform you of the status of your experiment.

Importante

A preparação leva de 10 a 15 minutos para preparar a execução do experimento.Preparation takes 10-15 minutes to prepare the experiment run. Durante a execução, são necessários mais 2 a 3 minutos para cada iteração.Once running, it takes 2-3 minutes more for each iteration.

Em produção, provavelmente, isso demorará mais.In production, you'd likely walk away for a bit. Mas para este tutorial, sugerimos que você comece a explorar os algoritmos testados na guia Modelos conforme eles são concluídos, enquanto os outros ainda estão em execução.But for this tutorial, we suggest you start exploring the tested algorithms on the Models tab as they complete while the others are still running.

Explorar modelosExplore models

Navegue até a guia Modelos para ver os algoritmos (modelos) testados.Navigate to the Models tab to see the algorithms (models) tested. Por padrão, os modelos são ordenados pela pontuação da métrica à medida que são concluídos.By default, the models are ordered by metric score as they complete. Por este tutorial, o modelo com a pontuação mais alta de acordo com a métrica AUC_weighted escolhida é exibida no início da lista.For this tutorial, the model that scores the highest based on the chosen AUC_weighted metric is at the top of the list.

Enquanto você aguarda a conclusão de todos os modelos de experimento, selecione o Nome do algoritmo de um modelo concluído para explorar seus detalhes de desempenho.While you wait for all of the experiment models to finish, select the Algorithm name of a completed model to explore its performance details.

O exemplo a seguir navega pelas guias Detalhes e Métricas para exibir as propriedades, as métricas e os gráficos de desempenho do modelo selecionado.The following navigates through the Details and the Metrics tabs to view the selected model's properties, metrics, and performance charts.

Detalhes da iteração de execução

Implantar o melhor modeloDeploy the best model

A interface de machine learning automatizado permite que você implante o melhor modelo como um serviço Web em algumas etapas.The automated machine learning interface allows you to deploy the best model as a web service in a few steps. A implantação é a integração do modelo para que ele possa prever novos dados e identificar possíveis áreas de oportunidade.Deployment is the integration of the model so it can predict on new data and identify potential areas of opportunity.

Para este experimento, a implantação em um serviço Web significa que a instituição financeira agora tem uma solução Web iterativa e escalonável para identificar clientes potenciais para depósito a prazo fixo.For this experiment, deployment to a web service means that the financial institution now has an iterative and scalable web solution for identifying potential fixed term deposit customers.

Verifique se a execução experimental foi concluída.Check to see if your experiment run is complete. Para fazer isso, volte para a página de execução pai selecionando Execução 1 na parte superior da sua tela.To do so, navigate back to the parent run page by selecting Run 1 at the top of your screen. Um status Concluído é mostrado na parte superior esquerda da tela.A Completed status is shown on the top left of the screen.

Quando a execução experimental for concluída, a página Detalhes será populada com uma seção Resumo do melhor modelo.Once the experiment run is complete, the Details page is populated with a Best model summary section. Nesse contexto de experimento, VotingEnsemble é considerado o melhor modelo, com base na métrica AUC_weighted.In this experiment context, VotingEnsemble is considered the best model, based on the AUC_weighted metric.

Implantamos esse modelo, mas saiba que a implantação demora cerca de 20 minutos para ser concluída.We deploy this model, but be advised, deployment takes about 20 minutes to complete. O processo de implantação envolve várias etapas, incluindo o registro do modelo, a geração de recursos e a configuração deles para o serviço Web.The deployment process entails several steps including registering the model, generating resources, and configuring them for the web service.

  1. Selecione VotingEnsemble para abrir a página específica do modelo.Select VotingEnsemble to open the model-specific page.

  2. Selecione o botão Implantar na parte superior esquerda.Select the Deploy button in the top-left.

  3. Preencha o painel Implantar um Modelo da seguinte maneira:Populate the Deploy a model pane as follows:

    CampoField ValorValue
    Nome da implantaçãoDeployment name my-automl-deploymy-automl-deploy
    Descrição da implantaçãoDeployment description Minha primeira implantação de experimento de aprendizado de máquina automatizadoMy first automated machine learning experiment deployment
    Tipo de computaçãoCompute type Selecionar ACI (Instância de Computação do Azure)Select Azure Compute Instance (ACI)
    Habilitar autenticaçãoEnable authentication Desabilite.Disable.
    Usar implantações personalizadasUse custom deployments Desabilite.Disable. Permite que o arquivo de driver padrão (script de pontuação) e o arquivo de ambiente sejam gerados automaticamente.Allows for the default driver file (scoring script) and environment file to be autogenerated.

    Para este exemplo, usamos os padrões fornecidos no menu Avançado.For this example, we use the defaults provided in the Advanced menu.

  4. Selecione Implantar.Select Deploy.

    Uma mensagem de sucesso verde aparece na parte superior da tela Executar e, no painel Resumo de modelo, uma mensagem de status é exibida em Status de implantação.A green success message appears at the top of the Run screen, and in the Model summary pane, a status message appears under Deploy status. Selecione Atualizar periodicamente para verificar o status da implantação.Select Refresh periodically to check the deployment status.

Agora você tem um serviço Web operacional para gerar previsões.Now you have an operational web service to generate predictions.

Vá para as Próximas Etapas para saber mais sobre como consumir seu novo serviço Web e testar as previsões usando o suporte interno do Power BI ao Azure Machine Learning.Proceed to the Next Steps to learn more about how to consume your new web service, and test your predictions using Power BI's built in Azure Machine Learning support.

Limpar os recursosClean up resources

Os arquivos de implantação são maiores que os dados e os arquivos de teste, portanto, eles custam mais para serem armazenados.Deployment files are larger than data and experiment files, so they cost more to store. Exclua somente os arquivos de implantação para minimizar os custos de sua conta ou se você quiser manter o workspace e os arquivos do experimento.Delete only the deployment files to minimize costs to your account, or if you want to keep your workspace and experiment files. Caso contrário, se você não planeja usar nenhum dos arquivos, exclua o grupo de recursos inteiro.Otherwise, delete the entire resource group, if you don't plan to use any of the files.

Excluir a instância de implantaçãoDelete the deployment instance

Exclua apenas a instância de implantação do Azure Machine Learning em https://ml.azure.com/ se desejar manter o grupo de recursos e o workspace para outros tutoriais e explorações.Delete just the deployment instance from Azure Machine Learning at https://ml.azure.com/, if you want to keep the resource group and workspace for other tutorials and exploration.

  1. Acesse Azure Machine Learning.Go to Azure Machine Learning. Navegue até o workspace e, no lado esquerdo, no painel Ativos, selecione Pontos de extremidade.Navigate to your workspace and on the left under the Assets pane, select Endpoints.

  2. Selecione a implantação que você deseja excluir e selecione Excluir.Select the deployment you want to delete and select Delete.

  3. Selecione Continuar.Select Proceed.

Exclua o grupo de recursosDelete the resource group

Importante

Os recursos que você criou podem ser usados como pré-requisitos em outros tutoriais e artigos de instruções do Azure Machine Learning.The resources that you created can be used as prerequisites to other Azure Machine Learning tutorials and how-to articles.

Se você não pretende usar os recursos criados, exclua-os para não gerar encargos:If you don't plan to use the resources that you created, delete them so you don't incur any charges:

  1. No portal do Azure, selecione Grupos de recursos no canto esquerdo.In the Azure portal, select Resource groups on the far left.

  2. Selecione o grupo de recursos que você criou por meio da lista.From the list, select the resource group that you created.

  3. Selecione Excluir grupo de recursos.Select Delete resource group.

    Captura de tela das seleções para excluir um grupo de recursos no portal do Azure.

  4. Insira o nome do grupo de recursos.Enter the resource group name. Em seguida, selecione Excluir.Then select Delete.

Próximas etapasNext steps

Neste tutorial de machine learning automatizado, você usou a interface de ML automatizado do Azure Machine Learning para criar e implantar um modelo de classificação.In this automated machine learning tutorial, you used Azure Machine Learning's automated ML interface to create and deploy a classification model. Confira estes artigos para obter mais informações e ver as próximas etapas:See these articles for more information and next steps:

Observação

Esse conjunto de dados de marketing bancário é disponibilizado sob a licença Creative Commons (CCO: Domínio Público).This Bank Marketing dataset is made available under the Creative Commons (CCO: Public Domain) License. Todos os direitos no conteúdo individual do banco de dados são licenciados sob a Licença de Conteúdo do Banco de Dados e estão disponíveis no Kaggle.Any rights in individual contents of the database are licensed under the Database Contents License and available on Kaggle. Esse conjunto de dados estava originalmente disponível no banco de dados de aprendizado de máquina da UCI.This dataset was originally available within the UCI Machine Learning Database.

[Moro et al., 2014] S. Moro, P. Cortez and P. Rita.[Moro et al., 2014] S. Moro, P. Cortez and P. Rita. Uma abordagem controlada por dados para prever o sucesso do telemarketing bancário.A Data-Driven Approach to Predict the Success of Bank Telemarketing. Sistemas de suporte a decisões, Elsevier, 62:22-31, junho de 2014.Decision Support Systems, Elsevier, 62:22-31, June 2014.