Tutorial: Prever o preço de um automóvel com o estruturadorTutorial: Predict automobile price with the designer

Neste tutorial de duas partes, aprende-se a usar o designer Azure Machine Learning para treinar e implementar um modelo de machine learning que prevê o preço de qualquer carro.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. O designer é uma ferramenta de arrastar e largar que permite criar modelos de machine learning sem uma única linha de código.The designer is a drag-and-drop tool that lets you create machine learning models without a single line of code.

Na primeira parte do tutorial, vais aprender a:In part one of the tutorial, you'll learn how to:

  • Criar um novo oleoduto.Create a new pipeline.
  • Dados de importação.Import data.
  • Preparar dados.Prepare data.
  • Treine um modelo de aprendizagem automática.Train a machine learning model.
  • Avaliar um modelo de aprendizagem automática.Evaluate a machine learning model.

Na segunda parte do tutorial, irá implementar o seu modelo como um ponto final inferencing em tempo real para prever o preço de qualquer carro com base nas especificações técnicas que o envia.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.

Nota

Uma versão completa deste tutorial está disponível como um pipeline de amostra.A completed version of this tutorial is available as a sample pipeline.

Para encontrá-lo, vá ao designer no seu espaço de trabalho.To find it, go to the designer in your workspace. Na secção Novo pipeline, selecione Sample 1 - Regression: Automobile Price Prediction (Basic).In the New pipeline section, select Sample 1 - Regression: Automobile Price Prediction(Basic).

Importante

Se não vir elementos gráficos mencionados neste documento, como botões em estúdio ou designer, poderá não ter o nível certo de permissões para o espaço de trabalho.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. Contacte o administrador de subscrição da Azure para verificar se lhe foi concedido o nível de acesso correto.Please contact your Azure subscription administrator to verify that you have been granted the correct level of access. Para obter mais informações, consulte Gerir os utilizadores e as funções.For more information, see Manage users and roles.

Criar um novo oleodutoCreate a new pipeline

Os oleodutos Azure Machine Learning organizam múltiplas etapas de aprendizagem automática e processamento de dados num único recurso.Azure Machine Learning pipelines organize multiple machine learning and data processing steps into a single resource. Os oleodutos permitem organizar, gerir e reutilizar fluxos complexos de aprendizagem automática em projetos e utilizadores.Pipelines let you organize, manage, and reuse complex machine learning workflows across projects and users.

Para criar um oleoduto Azure Machine Learning, precisa de um espaço de trabalho para aprendizagem automática Azure.To create an Azure Machine Learning pipeline, you need an Azure Machine Learning workspace. Nesta secção, aprende-se a criar estes dois recursos.In this section, you learn how to create both these resources.

Criar uma nova área de trabalhoCreate a new workspace

Precisa de um espaço de trabalho para aprender máquinas Azure para usar o designer.You need an Azure Machine Learning workspace to use the designer. O espaço de trabalho é o recurso de alto nível para a Azure Machine Learning, fornece um lugar centralizado para trabalhar com todos os artefactos que você cria em 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. Para obter instruções sobre a criação de um espaço de trabalho, consulte Criar e gerir espaços de trabalho de Aprendizagem automática Azure.For instruction on creating a workspace, see Create and manage Azure Machine Learning workspaces.

Nota

Se o seu espaço de trabalho utilizar uma rede Virtual, existem passos de configuração adicionais que deve utilizar para utilizar o designer.If your workspace uses a Virtual network, there are additional configuration steps you must use to use the designer. Para mais informações, consulte o estúdio Use Azure Machine Learning numa rede virtual AzureFor more information, see Use Azure Machine Learning studio in an Azure virtual network

Criar o pipelineCreate the pipeline

  1. Inscreva-se para ml.azure.come selecione o espaço de trabalho com o quais pretende trabalhar.Sign in to ml.azure.com, and select the workspace you want to work with.

  2. Selecione Designer.Select Designer.

    Screenshot do espaço de trabalho visual mostrando como aceder ao designer

  3. Selecione módulos pré-construídos fáceis de usar.Select Easy-to-use prebuilt modules.

  4. Na parte superior da tela, selecione o nome de gasoduto padrão Pipeline-Created-on.At the top of the canvas, select the default pipeline name Pipeline-Created-on. Mude-o para previsão de preços do automóvel.Rename it to Automobile price prediction. O nome não tem de ser exclusivo.The name doesn't need to be unique.

Definir o alvo de computação padrãoSet the default compute target

Um oleoduto funciona num alvo de computação, que é um recurso computacional que está ligado ao seu espaço de trabalho.A pipeline runs on a compute target, which is a compute resource that's attached to your workspace. Depois de criar um alvo de computação, pode reutilizá-lo para futuras execuções.After you create a compute target, you can reuse it for future runs.

Pode definir um alvo de computação padrão para todo o pipeline, que irá dizer a cada módulo para usar o mesmo alvo de computação por padrão.You can set a Default compute target for the entire pipeline, which will tell every module to use the same compute target by default. No entanto, pode especificar alvos de cálculo numa base por módulo.However, you can specify compute targets on a per-module basis.

  1. Ao lado do nome do pipeline, selecione o ícone de Gear Screenshot do ícone de  engrenagem na parte superior da tela para abrir o painel de Definições.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. No painel de Definições à direita da tela, selecione Selecione o alvo de cálculo.In the Settings pane to the right of the canvas, select Select compute target.

    Se já tiver um alvo de computação disponível, pode selecioná-lo para executar este pipeline.If you already have an available compute target, you can select it to run this pipeline.

    Nota

    O designer só pode realizar experiências de treino no Azure Machine Learning Compute, mas outros alvos de computação não serão mostrados.The designer can only run training experiments on Azure Machine Learning Compute but other compute targets won't be shown.

  3. Insira um nome para o recurso compute.Enter a name for the compute resource.

  4. Selecione Guardar.Select Save.

    Nota

    Leva aproximadamente cinco minutos para criar um recurso computacional.It takes approximately five minutes to create a compute resource. Depois de criado o recurso, pode reutilizá-lo e saltar este tempo de espera para futuras execuções.After the resource is created, you can reuse it and skip this wait time for future runs.

    O recurso computacional escala automaticamente para zero nós quando é inativo para economizar custos.The compute resource autoscales to zero nodes when it's idle to save cost. Quando voltar a usá-lo depois de um atraso, poderá experimentar aproximadamente cinco minutos de tempo de espera enquanto volta a aumentar.When you use it again after a delay, you might experience approximately five minutes of wait time while it scales back up.

Importar dadosImport data

Existem vários conjuntos de dados de amostras incluídos no designer para você experimentar.There are several sample datasets included in the designer for you to experiment with. Para este tutorial, utilize os dados sobre os preços do automóvel (Raw).For this tutorial, use Automobile price data (Raw).

  1. À esquerda da tela do gasoduto está uma paleta de conjuntos de dados e módulos.To the left of the pipeline canvas is a palette of datasets and modules. Selecione conjuntos de dados de amostra para ver os conjuntos de dados da amostra disponíveis.Select Sample datasets to view the available sample datasets.

  2. Selecione os dados dados de preços do automóvel (Raw) e arraste-os para a tela.Select the dataset Automobile price data (Raw), and drag it onto the canvas.

    Arraste dados para tela

Ver os dadosVisualize the data

Pode visualizar os dados para entender o conjunto de dados que utilizará.You can visualize the data to understand the dataset that you'll use.

  1. Clique com o botão direito nos dados de preços do automóvel (Raw) e selecione Visualize > Dataset output.Right-click the Automobile price data (Raw) and select Visualize > Dataset output.

  2. Selecione as diferentes colunas na janela de dados para visualizar informações sobre cada uma delas.Select the different columns in the data window to view information about each one.

    Cada linha representa um automóvel, e as variáveis associadas a cada automóvel aparecem como colunas.Each row represents an automobile, and the variables associated with each automobile appear as columns. Há 205 linhas e 26 colunas neste conjunto de dados.There are 205 rows and 26 columns in this dataset.

Preparar dadosPrepare data

Os conjuntos de dados normalmente requerem algum pré-processamento antes da análise.Datasets typically require some preprocessing before analysis. Deve ter reparado em alguns valores em falta quando inspecionou o conjunto de dados.You might have noticed some missing values when you inspected the dataset. Estes valores em falta devem ser limpos para que o modelo possa analisar os dados corretamente.These missing values must be cleaned so that the model can analyze the data correctly.

Remover uma colunaRemove a column

Quando treinas um modelo, tens de fazer alguma coisa em relação aos dados que faltam.When you train a model, you have to do something about the data that's missing. Neste conjunto de dados, a coluna de perdas normalizada está a perder muitos valores, pelo que excluirá completamente essa coluna do modelo.In this dataset, the normalized-losses column is missing many values, so you will exclude that column from the model altogether.

  1. Na paleta de módulos à esquerda da tela, expanda a secção de Transformação de Dados e encontre as Colunas Selecionadas no módulo Dataset.In the module palette to the left of the canvas, expand the Data Transformation section and find the Select Columns in Dataset module.

  2. Arraste as colunas selecionais no módulo Dataset para a tela.Drag the Select Columns in Dataset module onto the canvas. Deixe cair o módulo abaixo do módulo de conjunto de dados.Drop the module below the dataset module.

  3. Ligue o conjunto de dados de preços do automóvel (Raw) ao conjunto de colunas selecionadas no módulo Dataset.Connect the Automobile price data (Raw) dataset to the Select Columns in Dataset module. Arraste da porta de saída do conjunto de dados, que é o pequeno círculo na parte inferior do conjunto de dados na tela, para a porta de entrada de Colunas Selecionadas no Conjunto de Dados, que é o pequeno círculo na parte superior do módulo.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.

    Dica

    Cria-se um fluxo de dados através do seu oleoduto quando liga a porta de saída de um módulo a uma porta de entrada de outro.You create a flow of data through your pipeline when you connect the output port of one module to an input port of another.

    Ligar módulos

  4. Selecione as Colunas Selecionadas no módulo Dataset.Select the Select Columns in Dataset module.

  5. No painel de detalhes do módulo à direita da tela, selecione Editar coluna.In the module details pane to the right of the canvas, select Edit column.

  6. Expandir os nomes da Coluna cair ao lado de Incluir, e selecione Todas as colunas.Expand the Column names drop down next to Include, and select All columns.

  7. Selecione + o para adicionar uma nova regra.Select the + to add a new rule.

  8. A partir dos menus suspensos, selecione Os nomes De Excluir e Colunas.From the drop-down menus, select Exclude and Column names.

  9. Introduza as perdas normalizadas na caixa de texto.Enter normalized-losses in the text box.

  10. No inferior direito, selecione Guardar para fechar o seletor de colunas.In the lower right, select Save to close the column selector.

    Excluir uma coluna

  11. Selecione as Colunas Selecionadas no módulo Dataset.Select the Select Columns in Dataset module.

  12. No painel de detalhes do módulo à direita da tela, selecione a caixa de texto 'Comentar' e introduza excluir perdas normalizadas.In the module details pane to the right of the canvas, select the Comment text box and enter Exclude normalized losses.

    Os comentários aparecerão no gráfico para ajudá-lo a organizar o seu oleoduto.Comments will appear on the graph to help you organize your pipeline.

Limpar dados em faltaClean missing data

O seu conjunto de dados ainda tem valores em falta depois de remover a coluna de perdas normalizada.Your dataset still has missing values after you remove the normalized-losses column. Pode remover os dados restantes em falta utilizando o módulo De Dados Desaparecidos Limpos.You can remove the remaining missing data by using the Clean Missing Data module.

Dica

A limpeza dos valores em falta dos dados de entrada é um pré-requisito para a utilização da maioria dos módulos do designer.Cleaning the missing values from input data is a prerequisite for using most of the modules in the designer.

  1. Na paleta de módulos à esquerda da tela, expanda a secção Transformação de Dados e encontre o módulo de Dados Desaparecidos Limpos.In the module palette to the left of the canvas, expand the section Data Transformation, and find the Clean Missing Data module.

  2. Arraste o módulo de dados em falta para a tela do gasoduto.Drag the Clean Missing Data module to the pipeline canvas. Conecte-o ao módulo Select Columns no dataset.Connect it to the Select Columns in Dataset module.

  3. Selecione o módulo de dados em falta.Select the Clean Missing Data module.

  4. No painel de detalhes do módulo à direita da tela, selecione Editar Coluna.In the module details pane to the right of the canvas, select Edit Column.

  5. Nas Colunas a limpar a janela que aparece, expanda o menu suspenso ao lado de Incluir.In the Columns to be cleaned window that appears, expand the drop-down menu next to Include. Selecione, Todas as colunasSelect, All columns

  6. Selecione GuardarSelect Save

  7. No painel de detalhes do módulo à direita da tela, selecione Remover toda a linha no modo de limpeza.In the module details pane to the right of the canvas, select Remove entire row under Cleaning mode.

  8. No painel de detalhes do módulo à direita da tela, selecione a caixa de comentários e introduza Remover as linhas de valor em falta.In the module details pane to the right of the canvas, select the Comment box, and enter Remove missing value rows.

    O seu oleoduto deve agora ser parecido com isto:Your pipeline should now look something like this:

    Selecione coluna

Preparar um modelo de machine learningTrain a machine learning model

Agora que tem os módulos no local para processar os dados, pode configurar os módulos de treino.Now that you have the modules in place to process the data, you can set up the training modules.

Porque queres prever o preço, que é um número, podes usar um algoritmo de regressão.Because you want to predict price, which is a number, you can use a regression algorithm. Para este exemplo, utiliza-se um modelo linear de regressão.For this example, you use a linear regression model.

Dividir os dadosSplit the data

Dividir dados é uma tarefa comum na aprendizagem automática.Splitting data is a common task in machine learning. Dividirá os seus dados em dois conjuntos de dados separados.You will split your data into two separate datasets. Um conjunto de dados irá treinar o modelo e o outro irá testar o quão bem o modelo foi executado.One dataset will train the model and the other will test how well the model performed.

  1. Na paleta de módulos, expanda a secção Transformação de Dados e encontre o módulo de Dados Divididos.In the module palette, expand the section Data Transformation and find the Split Data module.

  2. Arraste o módulo de dados divididos para a tela do gasoduto.Drag the Split Data module to the pipeline canvas.

  3. Ligue a porta esquerda do módulo de dados em falta ao módulo Dados Divididos.Connect the left port of the Clean Missing Data module to the Split Data module.

    Importante

    Certifique-se de que as portas de saída esquerda de Dados Desaparecidos Limpos se ligam a Dados Divididos.Be sure that the left output ports of Clean Missing Data connects to Split Data. A porta esquerda contém os dados limpos.The left port contains the the cleaned data. A porta direita contém os dados discartados.The right port contains the discarted data.

  4. Selecione o módulo de dados divididos.Select the Split Data module.

  5. No painel de detalhes do módulo à direita da tela, defina a Fração de linhas no primeiro conjunto de dados de saída para 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.

    Esta opção divide 70% dos dados para treinar o modelo e 30% para testá-lo.This option splits 70 percent of the data to train the model and 30 percent for testing it. O conjunto de dados de 70% será acessível através da porta de saída esquerda.The 70 percent dataset will be accessible through the left output port. Os restantes dados estarão disponíveis através da porta de saída certa.The remaining data will be available through the right output port.

  6. No painel de detalhes do módulo à direita da tela, selecione a caixa de comentários e introduza dividir o conjunto de dados no conjunto de treino (0.7) e no conjunto de teste (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).

Preparar o modeloTrain the model

Treine o modelo dando-lhe um conjunto de dados que inclui o preço.Train the model by giving it a dataset that includes the price. O algoritmo constrói um modelo que explica a relação entre as características e o preço apresentado pelos dados de formação.The algorithm constructs a model that explains the relationship between the features and the price as presented by the training data.

  1. Na paleta de módulos, expanda os algoritmos de aprendizagem automática.In the module palette, expand Machine Learning Algorithms.

    Esta opção exibe várias categorias de módulos que pode utilizar para inicializar algoritmos de aprendizagem.This option displays several categories of modules that you can use to initialize learning algorithms.

  2. Selecione Regression > Linear Regression, e arraste-a para a tela do gasoduto.Select Regression > Linear Regression, and drag it to the pipeline canvas.

  3. Na paleta de módulos, expanda a secção De formação do Módulo, e arraste o módulo Train Model para a tela.In the module palette, expand the section Module training, and drag the Train Model module to the canvas.

  4. Ligue a saída do módulo linear de regressão à entrada esquerda do módulo Modelo de Comboio.Connect the output of the Linear Regression module to the left input of the Train Model module.

  5. Ligue a saída de dados de treino (porta esquerda) do módulo Dados Divididos à entrada direita do módulo Modelo de Comboio.Connect the training data output (left port) of the Split Data module to the right input of the Train Model module.

    Importante

    Certifique-se de que as portas de saída esquerda de Dados Divididos se ligam ao Modelo de Comboio.Be sure that the left output ports of Split Data connects to Train Model. A porta esquerda contém o conjunto de treino.The left port contains the the training set. A porta direita contém o conjunto de teste.The right port contains the test set.

    Screenshot mostrando a configuração correta do módulo Modelo de Comboio. O módulo linear de regressão liga-se à porta esquerda do módulo Modelo de Comboio e o módulo de Dados Divididos liga-se à porta direita do Modelo de Comboio.

  6. Selecione o módulo Modelo de Comboio.Select the Train Model module.

  7. No painel de detalhes do módulo à direita da tela, selecione Editar o seletor de colunas.In the module details pane to the right of the canvas, select Edit column selector.

  8. Na caixa de diálogo da coluna Label, expanda o menu suspenso e selecione os nomes da Coluna.In the Label column dialog box, expand the drop-down menu and select Column names.

  9. Na caixa de texto, insira o preço para especificar o valor que o seu modelo vai prever.In the text box, enter price to specify the value that your model is going to predict.

    Importante

    Certifique-se de inserir o nome da coluna exatamente.Make sure you enter the column name exactly. Não capitalize o preço.Do not capitalize price.

    O seu oleoduto deve ser assim:Your pipeline should look like this:

    Screenshot mostrando a configuração correta do pipeline depois de adicionar o módulo Modelo de Comboio.

Adicione o módulo Modelo de PontuaçãoAdd the Score Model module

Depois de treinar o seu modelo utilizando 70% dos dados, pode usá-lo para marcar os outros 30% para ver como funciona o seu modelo.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. Introduza o modelo de pontuação na caixa de pesquisa para encontrar o módulo 'Modelo de Pontuação'.Enter score model in the search box to find the Score Model module. Arraste o módulo para a tela do gasoduto.Drag the module to the pipeline canvas.

  2. Ligue a saída do módulo Train Model à porta de entrada da esquerda de Score Model.Connect the output of the Train Model module to the left input port of Score Model. Ligue a saída de dados de teste (porta da direita) do módulo Split Data à porta de entrada da direita de Score Model.Connect the test data output (right port) of the Split Data module to the right input port of Score Model.

Adicione o módulo de modelo de avaliaçãoAdd the Evaluate Model module

Utilize o módulo Modelo avaliar para avaliar o quão bem o seu modelo obteve o conjunto de dados de teste.Use the Evaluate Model module to evaluate how well your model scored the test dataset.

  1. Introduza a avaliação na caixa de pesquisa para encontrar o módulo Modelo avaliar.Enter evaluate in the search box to find the Evaluate Model module. Arraste o módulo para a tela do gasoduto.Drag the module to the pipeline canvas.

  2. Ligue a saída do módulo 'Modelo de Pontuação' à entrada esquerda do Modelo de Avaliação.Connect the output of the Score Model module to the left input of Evaluate Model.

    O oleoduto final deve ser mais ou menos assim:The final pipeline should look something like this:

    Screenshot mostrando a configuração correta do pipeline.

Enviar o oleodutoSubmit the pipeline

Agora que o seu oleoduto está todo configurado, pode submeter uma corrida de gasoduto para treinar o seu modelo de aprendizagem automática.Now that your pipeline is all setup, you can submit a pipeline run to train your machine learning model. Pode submeter um gasoduto válido a qualquer ponto, que pode ser usado para rever alterações no seu pipeline durante o desenvolvimento.You can submit a valid pipeline run at any point, which can be used to review changes to your pipeline during development.

  1. Na parte superior da tela, selecione Enviar por favor.At the top of the canvas, select Submit.

  2. Na caixa de diálogo de execução do gasoduto set up, selecione Criar novo.In the Set up pipeline run dialog box, select Create new.

    Nota

    Experiências grupo semelhantes oleodutos funciona juntos.Experiments group similar pipeline runs together. Se executar um oleoduto várias vezes, pode selecionar a mesma experiência para execuções sucessivas.If you run a pipeline multiple times, you can select the same experiment for successive runs.

    1. Para novos nomes experimentais, insira Tutorial-CarPrices.For New experiment Name, enter Tutorial-CarPrices.

    2. Selecione Submeter.Select Submit.

    Pode ver o estado de execução e os detalhes no canto superior direito da tela.You can view run status and details at the top right of the canvas.

    Se esta for a primeira corrida, pode levar até 20 minutos para o seu oleoduto terminar de funcionar.If this is the first run, it may take up to 20 minutes for your pipeline to finish running. As definições de computação padrão têm um tamanho mínimo de nó de 0, o que significa que o designer deve alocar recursos depois de estar inativo.The default compute settings have a minimum node size of 0, which means that the designer must allocate resources after being idle. As repetidas operações de gasoduto levarão menos tempo, uma vez que os recursos de computação já estão atribuídos.Repeated pipeline runs will take less time since the compute resources are already allocated. Além disso, o designer utiliza resultados em cache para cada módulo para melhorar ainda mais a eficiência.Additionally, the designer uses cached results for each module to further improve efficiency.

Ver rótulos pontuadosView scored labels

Após a execução concluída, pode ver os resultados do percurso do gasoduto.After the run completes, you can view the results of the pipeline run. Primeiro, veja as previsões geradas pelo modelo de regressão.First, look at the predictions generated by the regression model.

  1. Clique com o botão direito no módulo 'Modelo de pontuação' e selecione visualize > o conjunto de dados marcado para ver a sua saída.Right-click the Score Model module, and select Visualize > Scored dataset to view its output.

    Aqui pode ver os preços previstos e os preços reais a partir dos dados de teste.Here you can see the predicted prices and the actual prices from the testing data.

    Screenshot da visualização de saída realçando a coluna Marcador

Avaliar modelosEvaluate models

Utilize o Modelo de Avaliação para ver como o modelo treinado foi bem executado no conjunto de dados de teste.Use the Evaluate Model to see how well the trained model performed on the test dataset.

  1. Clique com o botão direito no módulo Modelo de Avaliação e selecione os resultados da Avaliação visualize > para ver a sua saída.Right-click the Evaluate Model module and select Visualize > Evaluation results to view its output.

As seguintes estatísticas são mostradas para o seu modelo:The following statistics are shown for your model:

  • Erro Absoluto Médio (MAE): A média de erros absolutos.Mean Absolute Error (MAE): The average of absolute errors. Um erro é a diferença entre o valor previsto e o valor real.An error is the difference between the predicted value and the actual value.
  • Raiz Média Erro Quadrado (RMSE): A raiz quadrada da média de erros quadrados de previsões feitas no conjunto de dados do teste.Root Mean Squared Error (RMSE): The square root of the average of squared errors of predictions made on the test dataset.
  • Erro relativo absoluto: A média dos 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 absoluto: A média dos erros ao quadrado relativos à diferença ao quadrado 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 valor quadrado R, esta métrica estatística indica o quão bem um modelo se encaixa nos dados.Coefficient of Determination: Also known as the R squared value, this statistical metric indicates how well a model fits the data.

Em cada uma das estatísticas de erros, quanto mais pequeno, melhor.For each of the error statistics, smaller is better. Um valor menor indica que as previsões estão mais próximas dos valores reais.A smaller value indicates that the predictions are closer to the actual values. Para o coeficiente de determinação, quanto mais próximo o seu valor for de um (1.0), melhor serão as previsões.For the coefficient of determination, the closer its value is to one (1.0), the better the predictions.

Limpar os recursosClean up resources

Salte esta secção se quiser continuar com a parte 2 do tutorial, implantando modelos.Skip this section if you want to continue on with part 2 of the tutorial, deploying models.

Importante

Pode utilizar os recursos que criou como pré-requisitos para outros tutoriais do Azure Machine Learning e artigos de procedimentos.You can use the resources that you created as prerequisites for other Azure Machine Learning tutorials and how-to articles.

Apagar tudoDelete everything

Se não planeia usar nada que tenha criado, elimine todo o grupo de recursos para não incorrer em quaisquer encargos.If you don't plan to use anything that you created, delete the entire resource group so you don't incur any charges.

  1. No portal Azure, selecione grupos de recursos no lado esquerdo da janela.In the Azure portal, select Resource groups on the left side of the window.

    Eliminar grupo de recursos no portal do Azure

  2. Na lista, selecione o grupo de recursos que criou.In the list, select the resource group that you created.

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

A eliminação do grupo de recursos também elimina todos os recursos que criou no designer.Deleting the resource group also deletes all resources that you created in the designer.

Eliminar ativos individuaisDelete individual assets

No designer onde criou a sua experiência, elimine os ativos individuais selecionando-os e selecionando o botão Eliminar.In the designer where you created your experiment, delete individual assets by selecting them and then selecting the Delete button.

O alvo de cálculo que criou aqui automaticamente escala automaticamente para zero nós quando não está a ser usado.The compute target that you created here automatically autoscales to zero nodes when it's not being used. Esta ação é tomada para minimizar as cargas.This action is taken to minimize charges. Se quiser eliminar o alvo do cálculo, tome estes passos:If you want to delete the compute target, take these steps:

Eliminar ativos

Pode desagregar conjuntos de dados do seu espaço de trabalho selecionando cada conjunto de dados e selecionando Unregister.You can unregister datasets from your workspace by selecting each dataset and selecting Unregister.

Conjunto de dados não registador

Para eliminar um conjunto de dados, aceda à conta de armazenamento utilizando o portal Azure ou o Azure Storage Explorer e elimine manualmente esses ativos.To delete a dataset, go to the storage account by using the Azure portal or Azure Storage Explorer and manually delete those assets.

Passos seguintesNext steps

Na segunda parte, aprenderás a implantar o teu modelo como ponto final em tempo real.In part two, you'll learn how to deploy your model as a real-time endpoint.