Руководство по Создание модели классификации с использованием автоматизированного машинного обучения в службе "Машинное обучение Azure".Tutorial: Create a classification model with automated ML in Azure Machine Learning

Из этого учебника вы узнаете, как с помощью интерфейса автоматизированного машинного обучения в Студии машинного обучение Azure создать простую модель классификации, не написав ни одной строки кода.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. Эта модель классификации прогнозирует согласие клиента на депозит с фиксированным сроком, предложенный финансовым учреждением.This classification model predicts if a client will subscribe to a fixed term deposit with a financial institution.

Автоматическое машинное обучение позволяет автоматизировать задачи, которые занимают много времени.With automated machine learning, you can automate away time intensive tasks. Автоматическое машинное обучение позволяет быстро выполнить итерацию множества сочетаний алгоритмов и гиперпараметров, пока не будет найдена лучшая модель на основе выбранных удачных метрик.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.

Пример прогнозирования временных рядов см. в статье Руководство. Прогнозирование спроса на прокат велосипедов с помощью автоматизированного машинного обучения.For a time-series forecasting example, see Tutorial: Demand forecasting & AutoML.

Из этого руководства вы узнаете, как выполнять такие задачи:In this tutorial, you learn how to do the following tasks:

  • Создайте рабочую область машинного обучения Azure.Create an Azure Machine Learning workspace.
  • Выполнение эксперимента автоматического машинного обучения.Run an automated machine learning experiment.
  • Просмотр сведений об эксперименте.View experiment details.
  • Развертывание модели.Deploy the model.

Предварительные требованияPrerequisites

  • Подписка Azure.An Azure subscription. Если у вас еще нет подписки Azure, создайте бесплатную учетную запись Azure.If you don't have an Azure subscription, create a free account.

  • Скачайте файл данных bankmarketing_train.csv.Download the bankmarketing_train.csv data file. Столбец y в нем указывает, подписан ли клиент на депозит с фиксированным сроком. Впоследствии он будет выбран в этом учебнике как целевой столбец для прогнозов.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.

Создание рабочей областиCreate a workspace

Рабочая область машинного обучения Azure — это основной ресурс в облаке для экспериментов, обучения и развертывания моделей машинного обучения.An Azure Machine Learning workspace is a foundational resource in the cloud that you use to experiment, train, and deploy machine learning models. Она связывает подписку и группу ресурсов Azure с легко используемым объектом в службе.It ties your Azure subscription and resource group to an easily consumed object in the service.

Создайте рабочую область с помощью портала Azure, веб-консоли для управления ресурсами Azure.Create a workspace via the Azure portal, a web-based console for managing your Azure resources.

  1. Войдите на портал Azure с помощью учетных данных вашей подписки Azure.Sign in to the Azure portal by using the credentials for your Azure subscription.

  2. В верхнем левом углу окна портала Azure щелкните + Создать ресурс.In the upper-left corner of the Azure portal, select + Create a resource.

    Снимок экрана: действие "Создать ресурс".

  3. С помощью строки поиска выполните поиск по запросу Машинное обучение.Use the search bar to find Machine Learning.

  4. Выберите Машинное обучение.Select Machine Learning.

  5. В области Машинное обучение выберите Создать.In the Machine Learning pane, select Create to begin.

  6. Укажите следующие сведения для настройки новой рабочей области:Provide the following information to configure your new workspace:

    ПолеField DescriptionDescription
    имя рабочей области.Workspace name Введите уникальное имя для идентификации рабочей области.Enter a unique name that identifies your workspace. В этом примере мы используем docs-ws.In this example, we use docs-ws. Имена должны быть уникальными в группе ресурсов.Names must be unique across the resource group. Используйте имя, которое позволит легко запомнить рабочую область и отличить ее от областей, созданных другими пользователями.Use a name that's easy to recall and to differentiate from workspaces created by others.
    SubscriptionSubscription Выберите подписку Azure, которую нужно использовать.Select the Azure subscription that you want to use.
    группа ресурсов.Resource group Используйте группу ресурсов, которая есть в подписке, или введите имя, чтобы создать группу ресурсов.Use an existing resource group in your subscription, or enter a name to create a new resource group. Группа ресурсов содержит связанные ресурсы для решения Azure.A resource group holds related resources for an Azure solution. В этом примере мы используем docs-aml.In this example, we use docs-aml.
    LocationLocation Выберите ближайшее к пользователям и ресурсам данных расположение, чтобы создать рабочую область.Select the location closest to your users and the data resources to create your workspace.
    Выпуск рабочей областиWorkspace edition Выберите Базовый в качестве типа рабочей области для этого учебника.Select Basic as the workspace type for this tutorial. Тип рабочей области определяет возможности, к которым у вас есть доступ, и цены.The workspace type determines the features to which you'll have access and pricing. Все, что описывается в этом учебнике, можно выполнять с помощью рабочей области как уровня "Базовый", так и уровня "Корпоративный".Everything in this tutorial can be performed with either a Basic or Enterprise workspace.
  7. После окончания настройки рабочей области выберите Просмотр и создание.After you're finished configuring the workspace, select Review + Create.

    Предупреждение

    Создание рабочей области в облаке может занять несколько минут.It can take several minutes to create your workspace in the cloud.

    По завершении процесса появится сообщение об успешном развертывании.When the process is finished, a deployment success message appears.

  8. Чтобы просмотреть новую рабочую область, выберите Перейти к ресурсу.To view the new workspace, select Go to resource.

Важно!

Запишите рабочую область и подписку.Take note of your workspace and subscription. Они понадобятся вам для того, чтобы создать эксперимент в нужном месте.You'll need these to ensure you create your experiment in the right place.

Начало работы в Студии машинного обучения AzureGet started in Azure Machine Learning studio

Выполните указанные ниже действия по настройке и выполнению эксперимента с помощью студии "Машинное обучение Azure" в объединенном веб-интерфейсе на странице https://ml.azure.com, включающем в себя средства машинного обучения для выполнения сценариев обработки и анализа данных и предназначенном для специалистов в этой области с любым уровнем навыков.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. Студия не поддерживается в браузерах Internet Explorer.The studio is not supported on Internet Explorer browsers.

  1. Войдите в Студию машинного обучения Azure.Sign in to Azure Machine Learning studio.

  2. Выберите свою подписку и рабочую область, которую создали.Select your subscription and the workspace you created.

  3. Выберите Начать.Select Get started.

  4. На панели слева выберите Automated ML (Автоматизированное ML) в разделе Автор.In the left pane, select Automated ML under the Author section.

    Так как это ваш первый эксперимент автоматизированного машинного обучения, вы увидите пустой список и ссылки на документацию.Since this is your first automated ML experiment, you'll see an empty list and links to documentation.

    Страница "Начало работы"

  5. Выберите +Новое выполнение автоматизированного машинного обучения.Select +New automated ML run.

Создание и загрузка набора данныхCreate and load dataset

Прежде чем настроить эксперимент, отправьте файл данных в рабочую область в виде набора данных Машинного обучения Azure.Before you configure your experiment, upload your data file to your workspace in the form of an Azure Machine Learning dataset. Это позволит правильно отформатировать данные для эксперимента.Doing so, allows you to ensure that your data is formatted appropriately for your experiment.

  1. Создайте набор данных, выбрав из раскрывающегося списка + Create DataSet (+Создать набор данных) пункт From local files (Из локальных файлов).Create a new dataset by selecting From local files from the +Create dataset drop-down.

    1. В форме Общие сведения присвойте набору данных имя и по желанию добавьте описание.On the Basic info form, give your dataset a name and provide an optional description. Так как интерфейс автоматизированного машинного обучения сейчас поддерживает только табличные наборы данных, по умолчанию следует использовать тип набора данных Табличный.The automated ML interface currently only supports TabularDatasets, so the dataset type should default to Tabular.

    2. Выберите Далее внизу слева.Select Next on the bottom left

    3. В форме Выбор хранилища данных и файлов выберите хранилище данных по умолчанию, которое было автоматически настроено при создании рабочей области workspaceblobstore (хранилище BLOB-объектов 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). Сюда вы будете загружать файл данных, чтобы сделать его доступным для рабочей области.This is where you'll upload your data file to make it available to your workspace.

    4. Нажмите кнопку Обзор.Select Browse.

    5. Выберите файл bankmarketing_train.csv на локальном компьютере.Choose the bankmarketing_train.csv file on your local computer. Это тот файл, который вы скачали при подготовке необходимых компонентов.This is the file you downloaded as a prerequisite.

    6. Присвойте набору данных уникальное имя и укажите дополнительное описание.Give your dataset a unique name and provide an optional description.

    7. Нажмите кнопку Далее внизу слева, чтобы отправить его в контейнер по умолчанию, который был автоматически настроен при создании рабочей области.Select Next on the bottom left, to upload it to the default container that was automatically set up during your workspace creation.

      Когда загрузка завершится, форма "Settings and preview" (Настройки и предварительный просмотр) будет автоматически заполнена в зависимости от типа файла.When the upload is complete, the Settings and preview form is pre-populated based on the file type.

    8. Убедитесь, что форма Settings and preview (Настройки и предварительный просмотр) заполнена, как описано ниже, и щелкните Далее.Verify that the Settings and preview form is populated as follows and select Next.

      ПолеField ОписаниеDescription Значение для руководстваValue for tutorial
      Формат файлаFile format Свойство определяет структуру и тип данных, хранящихся в файле.Defines the layout and type of data stored in a file. С разделителямиDelimited
      РазделительDelimiter Один или несколько символов для указания границы между  отдельными, независимыми регионами в виде простого текста или других потоков данных.One or more characters for specifying the boundary between  separate, independent regions in plain text or other data streams. ЗапятаяComma
      КодированиеEncoding Определяет, какой бит следует использовать в таблице схемы символов, чтобы считать набор данных.Identifies what bit to character schema table to use to read your dataset. UTF-8UTF-8
      Заголовки столбцовColumn headers Указывает, как будут обрабатываться заголовки набора данных, если таковые имеются.Indicates how the headers of the dataset, if any, will be treated. Все файлы имеют одинаковые заголовкиAll files have same headers
      Пропустить строкиSkip rows Указывает, сколько строк, если таковые имеются, пропускается в наборе данных.Indicates how many, if any, rows are skipped in the dataset. NoneNone
    9. Форма Схема позволяет выполнять дальнейшую настройку данных для этого эксперимента.The Schema form allows for further configuration of your data for this experiment. В этом примере выберите переключатель для функции day_of_week, чтобы не включать его в этот эксперимент.For this example, select the toggle switch for the day_of_week feature, so as to not include it for this experiment. Выберите Далее.Select Next.

      Конфигурация на вкладке "Предварительный просмотр"

    10. В форме Confirm details (Подтверждение сведений) проверьте правильность сведений, которые ранее были введены в формах Basic info, Datastore and file selection (Базовые сведения, хранилище данных и выбор файлов) и Settings and preview (Параметры и просмотр).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. Выберите Создать, чтобы завершить создание набора данных.Select Create to complete the creation of your dataset.

    12. Выберите набор данных, когда он появится в списке.Select your dataset once it appears in the list.

    13. Используйте Просмотр данных, чтобы убедиться, что вы не включили day_of_week, затем выберите ОК.Review the Data preview to ensure you didn't include day_of_week then, select OK.

    14. Нажмите кнопку Далее.Select Next.

Настройка запуска экспериментаConfigure experiment run

После загрузки и настройки данных можно настроить эксперимент.After you load and configure your data, you can set up your experiment. Эта настройка включает в себя такие задачи разработки эксперимента, как выбор размера вычислительной среды и указание столбца, который необходимо спрогнозировать.This setup includes experiment design tasks such as, selecting the size of your compute environment and specifying what column you want to predict.

  1. Заполните форму Configure Run (Настройка выполнения) следующим образом.Populate the Configure Run form as follows:

    1. Введите для эксперимента имя my-1st-automl-experiment.Enter this experiment name: my-1st-automl-experiment

    2. Выберите y в качестве столбца целевого объекта, для которого будут выполняться прогнозы.Select y as the target column, what you want to predict. Этот столбец содержит сведения о том, подписан ли клиент на срочный депозит или нет.This column indicates whether the client subscribed to a term deposit or not.

    3. Щелкните Create a new compute (Создать новую вычислительную среду) и настройте целевой объект вычислений.Select Create a new compute and configure your compute target. Целевым объектом вычислений называется локальная или облачная среда, в которой будет запущен сценарий обучения или размещена развернутая служба.A compute target is a local or cloud-based resource environment used to run your training script or host your service deployment. Для этого эксперимента мы используем облачный вычислительный ресурс.For this experiment, we use a cloud-based compute.

      ПолеField ОписаниеDescription Значение для руководстваValue for tutorial
      Имя вычислительной средыCompute name Уникальное имя для идентификации контекста вычислительной среды.A unique name that identifies your compute context. automl-computeautoml-compute
      Virtual machine typeVirtual machine type Выберите тип виртуальной машины для вычислительной среды.Select the virtual machine type for your compute. ЦП (центральный процессор)CPU (Central Processing Unit)
      Virtual machine sizeVirtual machine size Выберите размер виртуальной машины для вычислительной среды.Select the virtual machine size for your compute. Standard_DS12_V2Standard_DS12_V2
      Min/Max nodes (Минимальное и максимальное количество узлов)Min / Max nodes Для профилирования данных необходимо указать один или больше узлов.To profile data, you must specify 1 or more nodes. Min nodes (Минимум узлов): 1Min nodes: 1
      Max nodes (Максимум узлов): 6Max nodes: 6
      Время до уменьшения масштаба (сек)Idle seconds before scale down Время простоя перед автоматическим уменьшением масштаба кластера до минимального количества узлов.Idle time before the cluster is automatically scaled down to the minimum node count. 120 (по умолчанию)120 (default)
      Дополнительные параметрыAdvanced settings Параметры для настройки и авторизации виртуальной сети для эксперимента.Settings to configure and authorize a virtual network for your experiment. NoneNone
      1. Выберите Создать, чтобы получить целевой объект вычислений.Select Create to get the compute target.

        Операция займет несколько минут.This takes a couple minutes to complete.

      2. Когда создание целевого объекта вычислений завершится, выберите его из раскрывающегося списка.After creation, select your new compute target from the drop-down list.

    4. Выберите Далее.Select Next.

  2. В форме Task type and settings (Тип задачи и параметры) завершите настройку эксперимента автоматического машинного обучения, указав тип задачи и параметры конфигурации машинного обучения.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. Выберите Классификация в качестве типа задачи машинного обучения.Select Classification as the machine learning task type.

    2. Выберите View additional configuration settings (Просмотреть дополнительные параметры конфигурации) и заполните поля следующим образом.Select View additional configuration settings and populate the fields as follows. Эти настройки предназначены для лучшего управления заданием для обучения.These settings are to better control the training job. В противном случае применяются значения по умолчанию, основанные на выборе эксперимента и данных.Otherwise, defaults are applied based on experiment selection and data.

      Дополнительные конфигурацииAdditional configurations ОписаниеDescription Значение для руководстваValue for tutorial
      Основная метрикаPrimary metric Оценочная метрика, по которой будет проверяться алгоритм машинного обучения.Evaluation metric that the machine learning algorithm will be measured by. AUC_weightedAUC_weighted
      Пояснения для наилучшей моделиExplain best model Автоматическое отображение пояснений для лучшей модели, созданной с помощью автоматизированного машинного обучения.Automatically shows explainability on the best model created by automated ML. ВключитьEnable
      Запрещенные алгоритмыBlocked algorithms Алгоритмы, которые вы хотите исключить из задания обучения.Algorithms you want to exclude from the training job NoneNone
      Критерий выходаExit criterion Если условия соблюдены, задание обучения останавливается.If a criteria is met, the training job is stopped. Время задания обучения (ч): 1Training job time (hours): 1
      Порог оценки метрики: NoneMetric score threshold: None
      ПроверкаValidation Выберите тип перекрестной проверки и число тестов.Choose a cross-validation type and number of tests. Тип проверки:Validation type:
      перекрестная проверка в  k-кратном порядке . k-fold cross-validation

      Количество проверок: 2Number of validations: 2
      ПараллелизмConcurrency Максимальное число выполняемых параллельных итераций за одну итерацию.The maximum number of parallel iterations executed per iteration Максимальное число параллельных итераций: 5Max concurrent iterations: 5

      Щелкните Сохранить.Select Save.

  3. Нажмите кнопку Готово, чтобы запустить эксперимент.Select Finish to run the experiment. Откроется экран Сведения о выполнении, содержащий в верхней части значение Состояние выполнения после начала подготовки эксперимента.The Run Detail screen opens with the Run status at the top as the experiment preparation begins.

Важно!

Подготовка к запуску эксперимента занимает 10-15 минут.Preparation takes 10-15 minutes to prepare the experiment run. С начала эксперимента на каждую итерацию уходит 2-3 минуты.Once running, it takes 2-3 minutes more for each iteration.
Чтобы увидеть состояние выполнения в ходе выполнения эксперимента, периодически щелкайте Обновить.Select Refresh periodically to see the status of the run as the experiment progresses.

В рабочей среде у вас будет время заняться другими делами.In production, you'd likely walk away for a bit. Но в рамках этого учебника мы рекомендуем начинать изучение протестированных алгоритмов на вкладке Модели сразу по мере их появления, пока остальные алгоритмы еще выполняются.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.

Изучение моделейExplore models

Перейдите на вкладку Модели, чтобы просмотреть протестированные алгоритмы (модели).Navigate to the Models tab to see the algorithms (models) tested. По умолчанию модели упорядочиваются по оценке метрики по мере их завершения.By default, the models are ordered by metric score as they complete. В этом учебнике в начале списка отображается модель, имеющая наибольшее значение по выбранной метрике AUC_weighted.For this tutorial, the model that scores the highest based on the chosen AUC_weighted metric is at the top of the list.

В ожидании завершения всех моделей эксперимента вы можете щелкнуть Algorithm name (Имя алгоритма) для любой завершенной модели, чтобы просмотреть сведения о ее эффективности.While you wait for all of the experiment models to finish, select the Algorithm name of a completed model to explore its performance details.

Чтобы просмотреть свойства, метрики и диаграммы производительности выбранной модели, воспользуйтесь вкладками Подробности и Метрики из следующего примера:The following navigates through the Details and the Metrics tabs to view the selected model's properties, metrics, and performance charts.

Сведения о выполнении итераций

Развертывание лучшей моделиDeploy the best model

Интерфейс автоматизированного машинного обучения позволяет развернуть лучшую модель как веб-службу, выполнив всего несколько действий.The automated machine learning interface allows you to deploy the best model as a web service in a few steps. Развертывание — это интеграция модели для прогнозирования по новым данным и определения потенциальных новых возможностей.Deployment is the integration of the model so it can predict on new data and identify potential areas of opportunity.

Для этого эксперимента развертывание в веб-службе предоставит финансовому учреждению итеративное и масштабируемое решение для определения потенциальных клиентов по депозитам с фиксированным сроком.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.

Проверьте, завершено ли выполнение эксперимента.Check to see if your experiment run is complete. Для этого вернитесь на страницу родительского выполнения, выбрав Run 1 (Запуск 1) в верхней части экрана.To do so, navigate back to the parent run page by selecting Run 1 at the top of your screen. Состояние Завершено отображается в левом верхнем углу экрана.A Completed status is shown on the top left of the screen.

После выполнения эксперимента страница Сведения заполняется данными раздела Best model summary (Сводка по лучшей модели).Once the experiment run is complete, the Details page is populated with a Best model summary section. В контексте этого эксперимента лучшей моделью принимается VotingEnsemble, исходя из значения метрики AUC_weighted.In this experiment context, VotingEnsemble is considered the best model, based on the AUC_weighted metric.

Мы развернем эту модель. Учитывайте, что процесс развертывания занимает около 20 минут.We deploy this model, but be advised, deployment takes about 20 minutes to complete. Процесс развертывания выполняется за несколько шагов, включая регистрацию модели, создание ресурсов и их настройку для веб-службы.The deployment process entails several steps including registering the model, generating resources, and configuring them for the web service.

  1. Выберите VotingEnsemble, чтобы открыть страницу для конкретной модели.Select VotingEnsemble to open the model-specific page.

  2. Нажмите кнопку Развернуть в левом верхнем углу.Select the Deploy button in the top-left.

  3. Заполните панель Deploy a model (Развертывание модели), как показано ниже.Populate the Deploy a model pane as follows:

    ПолеField ЗначениеValue
    Deployment name (Имя развертывания)Deployment name my-automl-deploymy-automl-deploy
    Deployment description (Описание развертывания)Deployment description My first automated machine learning experiment deployment (Первое развертывание эксперимента автоматического машинного обучения)My first automated machine learning experiment deployment
    Тип вычисленияCompute type Выберите "Вычислительная операция Azure (ACI)"Select Azure Compute Instance (ACI)
    Включить проверку подлинностиEnable authentication Отключите.Disable.
    Использовать настраиваемые развертыванияUse custom deployments Отключите.Disable. Это позволяет автоматически создавать файл драйвера (скрипт оценки) и файл среды по умолчанию.Allows for the default driver file (scoring script) and environment file to be autogenerated.

    Для этого примера мы воспользуемся стандартными параметрами, доступными в меню Дополнительно.For this example, we use the defaults provided in the Advanced menu.

  4. Выберите Развернуть.Select Deploy.

    В верхней части экрана Выполнение появится сообщение об успешном выполнении, выделенное зеленым цветом, а под надписью Состояние развертывания на панели Сводка по модели появится сообщение о состоянии.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. Периодически щелкайте Обновить, чтобы проверять состояние развертывания.Select Refresh periodically to check the deployment status.

Теперь у вас есть рабочая веб-служба для создания прогнозов.Now you have an operational web service to generate predictions.

Перейдите к дальнейшим действиям, чтобы узнать больше о том, как использовать новую веб-службу, и протестируйте прогнозы, используя встроенную поддержку Power BI в Машинном обучении Azure.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.

Очистка ресурсовClean up resources

Файлы развертывания имеют больший размер, чем файлы данных и экспериментов, поэтому их хранение обходится дороже.Deployment files are larger than data and experiment files, so they cost more to store. Вы можете удалить только файлы развертывания, чтобы снизить затраты на учетную запись, если хотите сохранить рабочую области и файлы экспериментов.Delete only the deployment files to minimize costs to your account, or if you want to keep your workspace and experiment files. В противном случае, если вы не планируете дальше использовать эти файлы, удалите всю группу ресурсов.Otherwise, delete the entire resource group, if you don't plan to use any of the files.

Удаление промежуточного развертыванияDelete the deployment instance

Чтобы сохранить группу ресурсов и рабочую область для изучения других руководств и собственных исследований, удалите из службы "Машинное обучение Azure" по адресу https://ml.azure.com/ только экземпляр развертывания.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. Перейдите в Машинное обучение Azure.Go to Azure Machine Learning. Перейдите в свою рабочую область и слева под областью Ресурсы выберите Конечные точки.Navigate to your workspace and on the left under the Assets pane, select Endpoints.

  2. Выберите развертывание для удаления и щелкните Удалить.Select the deployment you want to delete and select Delete.

  3. Выберите Продолжить.Select Proceed.

удаление группы ресурсов.Delete the resource group

Важно!

Созданные вами ресурсы могут использоваться в качестве необходимых компонентов при работе с другими руководствами по Машинному обучению Azure.The resources that you created can be used as prerequisites to other Azure Machine Learning tutorials and how-to articles.

Если вы не планируете использовать созданные вами ресурсы, удалите их, чтобы с вас не взималась плата:If you don't plan to use the resources that you created, delete them so you don't incur any charges:

  1. На портале Azure выберите Группы ресурсов в левой части окна.In the Azure portal, select Resource groups on the far left.

  2. Выберите созданную группу ресурсов из списка.From the list, select the resource group that you created.

  3. Выберите Удалить группу ресурсов.Select Delete resource group.

    Снимок экрана с выбранными параметрами для удаления группы ресурсов на портале Azure.

  4. Введите имя группы ресурсов.Enter the resource group name. Теперь щелкните Удалить.Then select Delete.

Дальнейшие действияNext steps

В ходе работы с этим руководством по автоматизированному машинному обучению вы создали и развернули модель классификации с помощью интерфейса автоматизированного машинного обучения в службе "Машинное обучение Azure".In this automated machine learning tutorial, you used Azure Machine Learning's automated ML interface to create and deploy a classification model. Дополнительные сведения и дальнейшие процедуры вы найдете в следующих статьях:See these articles for more information and next steps:

Примечание

Этот набор данных о банковском маркетинге предоставляется на условиях лицензии Creative Commons (CCO: Public Domain).This Bank Marketing dataset is made available under the Creative Commons (CCO: Public Domain) License. Все права на отдельное содержимое базы данных предоставляются на условиях лицензии на содержимое базы данных и доступны в Kaggle.Any rights in individual contents of the database are licensed under the Database Contents License and available on Kaggle. Этот набор данных изначально предоставлялся в базе данных UCI для машинного обучения.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. A Data-Driven Approach to Predict the Success of Bank Telemarketing. (Основанный на данных подход, позволяющий прогнозировать успешность телемаркетинга в банке.)A Data-Driven Approach to Predict the Success of Bank Telemarketing. Decision Support Systems (Системы поддержки принятия решений), Elsevier, 62:22-31, Июнь 2014 г.Decision Support Systems, Elsevier, 62:22-31, June 2014.