Självstudie 3: Distribuera kreditriskmodellen – Machine Learning Studio (klassisk)

GÄLLER FÖR: Machine Learning Studio (klassisk) Azure Machine Learning

Viktigt

Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.

Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.

• Se information om hur du flyttar maskininlärningsprojekt från ML Studio (klassisk) till Azure Machine Learning.
• Läs mer om Azure Machine Learning

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

I den här självstudien tittar vi närmare på hur du utvecklar en lösning för förutsägelseanalys. Du utvecklar en enkel modell i Machine Learning Studio (klassisk). Sedan distribuerar du modellen som en Machine Learning-webbtjänst. Den här distribuerade modellen kan göra förutsägelser med nya data. Den här självstudien är del tre i en självstudieserie i tre delar.

Anta att du behöver förutsäga kreditrisken för en person baserat på den information som han eller hon fyller i på en kreditansökan.

Kreditriskbedömning är ett komplext problem, men den här självstudien kommer att förenkla processen. Du använder den som ett exempel på hur du kan skapa en lösning för förutsägelseanalys med hjälp av Machine Learning Studio (klassisk). Du använder Machine Learning Studio (klassisk) och en Machine Learning-webbtjänst för den här lösningen.

I den här självstudien i tre delar börjar du med offentligt tillgängliga kreditriskdata. Därefter utvecklar du och tränar en förutsägelsemodell. Slutligen distribuerar du modellen som en webbtjänst.

I del ett av självstudien skapade du en Machine Learning Studio-arbetsyta (klassisk), laddade upp data och skapade ett experiment.

I del två av självstudien tränade och utvärderade du modeller.

I den här delen av självstudien ska du:

• Förbereda för distribution
• Distribuera webbtjänsten
• Testa webbtjänsten
• Hantera webbtjänsten
• Få åtkomst till webbtjänsten

Förutsättningar

Slutför del två av självstudien.

Förbereda för distribution

För att ge andra chansen att använda den förutsägande modell som du utvecklade i självstudien, måste du distribuera den som en webbtjänst i Azure.

Hittills har du experimenterat med att träna vår modell. Men den distribuerade tjänsten kommer inte längre att tränas – den kommer att generera nya förutsägelser genom bedömning av användarindata baserat på vår modell. Därför ska vi förbereda oss för att konvertera det här experimentet från ett träningsexperiment till ett förutsägelseexperiment .

Att förbereda distributionen är en process i tre steg:

1. Ta bort en av modellerna
2. Konvertera det träningsexperiment som du skapade till ett förutsägelseexperiment
3. Distribuera förutsägelseexperimentet som en webbtjänst

Ta bort en av modellerna

Först behöver du minska experimentet lite. du har just nu två olika modeller i experimentet, men du ska bara använda en modell när du distribuerar det som en webbtjänst.

Vi antar att du har bestämt dig för att trädmodellen presterade bättre än SVM-modellen. Så det första du ska göra är att ta bort modulen Tvåklassig dator för vektorstöd och de moduler som användes för att träna den. Du kan göra en kopia av experimentet först genom att klicka på Spara som längst ned på arbetsytan för experimentet.

du måste ta bort följande moduler:

• Two-Class Support Vector Machine (Tvåklassig dator för vektorstöd)
• Modulerna Train Model (Träningsmodell) och Score Model (Poängmodell) som var anslutna till den
• Normalisera data (båda två)
• Evaluate Model (Utvärdera modellen) (eftersom vi är klara med modellutvärderingen)

Markera varje modul och tryck på Delete-tangenten, eller högerklicka på modulen och välj Ta bort.

Nu bör modellen se ut ungefär så här:

Nu är vi redo att distribuera modellen med hjälp av Two-Class Boosted Decision Tree (Tvåklassigt förbättrat beslutsträd).

Konvertera träningsexperimentet till ett förutsägelseexperiment

För att förbereda den här modellen för distribution, måste du konvertera träningsexperimentet till ett förutsägelseexperiment. Detta omfattar tre steg:

1. Spara modellen som du har tränat och ersätt sedan träningsmodulerna
2. Minska storleken på experimentet genom att ta bort moduler som endast behövdes till träningen
3. Definiera var webbtjänsten ska ta emot indata och var den genererar utdata

du kan göra detta manuellt om du vill, men som tur är kan alla tre stegen utföras genom att klicka på Set Up Web Service (Konfigurera webbtjänst) längst ned på arbetsytan för experimentet (och välja alternativet Predictive Web Service (Förutsägelsewebbtjänst)).

Tips

Om du vill ha mer information om vad som händer när du konverterar ett träningsexperiment till ett förutsägelseexperiment kan du läsa Förbereda din modell för distribution i Machine Learning Studio (klassisk).

När du klickar på Set Up Web Service (Konfigurera webbtjänst) händer flera saker:

• Den tränade modellen konverteras till den enda modulen för Trained Model (Tränad modell) och lagras i modulpaletten till vänster om arbetsytan för experimentet (du hittar den under Trained Models (Tränade modeller))
• Moduler som har använts för träning tas bort, exempelvis:
  • Tvåklassigt förbättrat beslutsträd
  • Träningsmodell
  • Dela data
  • den andra modulen Kör R-skript som användes för testdata
• Den sparade tränade modellen har lagts tillbaka i experimentet
• Modulerna Web service input (Webbtjänstens indata) och Web service output (Webbtjänstens utdata) har lagts till (de identifierar var användarens data kommer in i modellen, vilka data som returneras och när webbtjänsten används)

Anteckning

Du kan se att experimentet sparas i två delar under flikar som lagts till överst i arbetsytan för experimentet. Det ursprungliga träningsexperimentet finns under fliken Träningsexperiment och det nyligen skapade förutsägelseexperiment finns i Förutsägelseexperiment. Du ska distribuera förutsägelseexperimentet som en webbtjänst.

du måste vidta ytterligare en åtgärd i det här experimentet. du har lagt till två moduler för Kör R-skript för att få en viktad funktion till datan. Det var bara något som användes i din träning och testning, så du kan ta bort dessa moduler i den slutliga modellen. Machine Learning Studio (klassisk) tog bort en Execute R Script-modul när modulen Split togs bort. Nu kan du ta bort den andra och ansluta Metadata Editor direkt till Score Model (Poängmodell).

Vårt experiment bör nu se ut så här:

Anteckning

Du kanske undrar varför du lämnade kvar datamängden UCI German Credit Card Data i förutsägelseexperimentet. Tjänsten kommer att bedöma användarens data, inte den ursprungliga datauppsättningen, så varför ska vi ha kvar den ursprungliga datauppsättningen i modellen?

Det stämmer att tjänsten inte behöver den ursprungliga kreditkortsinformationen. Men den behöver schemat för dessa data, där det exempelvis finns information om hur många kolumner som finns och vilka kolumner som är numeriska. Den här schemainformationen är nödvändig för att vi ska kunna tolka användarens data. du kan låta dessa komponenter vara anslutna så att bedömningsmodulen har datamängdsschemat när tjänsten körs. Datan används inte, bara schemat.

Observera att om din ursprungliga datamängd innehöll etiketten, kommer det förväntade schemat från webbindatan också förväntas innehålla en kolumn med etiketten! Du kan undvika problemet genom att ta bort etiketten och andra data som finns i datamängden för träning men som inte ska finnas i webbindatan, innan du kopplar webbindatan och datamängden för träning till en gemensam modul.

Kör experimentet en sista gång (klicka på Kör.) Om du vill kontrollera att modellen fortfarande fungerar klickar du på utdata för modulen Poängsätta modell och väljer Visa resultat. Du kan se att ursprungliga data visas tillsammans med kreditriskvärdet (”Scored Labels” (Poängsatta etiketter)) och bedömningens sannolikhetsvärde (”Scored Probabilities” (Poängsatt sannolikhet).)

Distribuera webbtjänsten

Du kan distribuera experimentet som antingen en klassisk webbtjänst eller som en ny webbtjänst som baseras på Azure Resource Manager.

Distribuera som en klassisk webbtjänst

Om du vill distribuera en klassisk webbtjänst som härletts från vårt experiment, klickar du på Distribuera webbtjänst under arbetsytan och väljer Distribuera webbtjänst [klassisk]. Machine Learning Studio (klassisk) distribuerar experimentet som en webbtjänst och tar dig till instrumentpanelen för webbtjänsten. Från den här sidan kan du återgå till experimentet (Visa ögonblicksbild eller Visa senaste) och köra ett enkelt test av webbtjänsten (finns i Testa webbtjänsten nedan). Det finns även information här för att skapa program som har åtkomst till webbtjänsten (mer information finns i nästa steg i den här självstudien).

Du kan konfigurera tjänsten genom att klicka på fliken KONFIGURATION . Här kan du ändra tjänstnamnet (det ges experimentnamnet som standard) och ge det en beskrivning. Du kan också ange fler egna etiketter för inkommande och utgående data.

Distribuera som en ny webbtjänst

Anteckning

Du måste ha tillräcklig behörighet i prenumerationen som du distribuerar webbtjänsten till när du distribuerar en ny webbtjänst. Mer information finns i Hantera en webbtjänst med machine learning-webbtjänstportalen.

Distribuera en ny webbtjänst från vårt experiment:

1. Klicka på Distribuera webbtjänst under arbetsytan och välj Distribuera webbtjänst [nytt]. Machine Learning Studio (klassisk) överför dig till sidan Distribuera experiment för Machine Learning-webbtjänster.

2. Ange ett namn på webbtjänsten.

3. I Prisplan kan du välja en befintlig prisplan eller ”Skapa ny”, namnge den nya planen och välja alternativet för en månatlig plan. Planen får som standard nivåerna för planer i din standardregion och din webbtjänst distribueras till den regionen.

4. Klicka på Distribuera.

Efter några minuter öppnas sidan Snabbstart för din webbtjänst.

Du kan konfigurera tjänsten genom att klicka på fliken Konfigurera . Här kan du ändra tjänstens rubrik och ge den en beskrivning.

Om du vill testa webbtjänsten klickar du på fliken Testa (se Testa webbtjänsten nedan). Om du vill ha mer information om hur du skapar program med åtkomst till webbtjänsten, klickar du på fliken Förbruka (nästa steg i den här självstudien beskriver detta mer detaljerat).

Tips

Du kan uppdatera webbtjänsten efter att du har distribuerat den. Om du till exempel vill ändra modell kan du redigera träningsexperimentet, justera modellparametrarna och klicka på Distribuera webbtjänst, välja Distribuera webbtjänst [klassisk] eller Distribuera webbtjänst [nytt]. När du distribuerar experimentet igen ersätts webbtjänsten med den uppdaterade modellen.

Testa webbtjänsten

När webbtjänsten används kommer användarens data in via modulen Webbtjänstens indata där den skickas till modulen Poängmodell och poängsätts. På det sätt som du har konfigurerat förutsägelseexperimentet förväntar sig modellen data i samma format som den ursprungliga kreditriskdatamängden. Resultaten returneras till användaren från webbtjänsten via modulen Webbtjänstens utdata.

Tips

På det sätt som förutsägelseexperimentet har konfigurerats, returneras hela resultatet från modulen Poängmodell. Detta inkluderar alla indata plus kreditriskvärdet och bedömningen av sannolikheten. Men du kan returnera något annat om du vill – du kan till exempel returnera enbart kreditriskvärdet. Det gör du genom att infoga modulen Välj kolumner mellan Poängsätta modell och webbtjänstens utdata för att eliminera kolumner som du inte vill att webbtjänsten ska returnera.

Du kan testa en klassisk webbtjänst antingen i Machine Learning Studio (klassisk) eller i Azure Machine Learning Web Services-portalen . Du kan bara testa en ny webbtjänst i Machine Learning Web Services-portalen .

Tips

När du testar i Machine Learning Web Services-portalen kan du låta portalen skapa exempeldata som du kan använda för att testa Request-Response-tjänsten. På sidan Konfigurera väljer du ”Ja” i Sample Data Enabled (Aktivera exempeldata?). När du öppnar fliken Begäran–svar på sidan Test, fyller portalen i exempeldata som hämtas från den ursprungliga kreditriskdatamängden.

Testa en klassisk webbtjänst

Du kan testa en klassisk webbtjänst i Machine Learning Studio (klassisk) eller i Machine Learning Web Services-portalen.

Testa i Machine Learning Studio (klassisk)

1. På sidan INSTRUMENTPANEL för webbtjänsten klickar du på knappen Test under Standardslutpunkt. En dialogruta visas och du uppmanas att ange indata för tjänsten. Det här är samma kolumner som fanns i den ursprungliga kreditriskdatamängden.

2. Ange en uppsättning data och klicka sedan på OK.

Testa i portalen för Machine Learning-webbtjänster

1. På sidan INSTRUMENTPANEL i webbtjänsten klickar du på länken Testa förhandsversion under Standardslutpunkt. Testsidan i Machine Learning Web Services-portalen för webbtjänstslutpunkten öppnas och frågar efter indata för tjänsten. Det här är samma kolumner som fanns i den ursprungliga kreditriskdatamängden.

2. Klicka på Testa begäran–svar.

Testa en ny webbtjänst

Du kan enbart testa en ny webbtjänst i portalen för Machine Learning-webbtjänster.

1. I Machine Learning Web Services-portalen klickar du på Testa överst på sidan. Sidan Test öppnas och du kan ange data för tjänsten. Indatafälten som visas motsvarar de kolumner som visades i den ursprungliga kreditriskdatamängden.

2. Ange en uppsättning med data och klicka sedan på Testa begäran–svar.

Resultatet av testet visas till höger på sidan i utdatakolumnen.

Hantera webbtjänsten

När du har distribuerat webbtjänsten, oavsett om den är klassisk eller ny, kan du hantera den från Machine Learning Web Services-portalen .

Övervaka webbtjänstens prestanda:

1. Logga in på Machine Learning Web Services-portalen
2. Klicka på Webbtjänster
3. Klicka på din webbtjänst
4. Klicka på Instrumentpanel

Få åtkomst till webbtjänsten

Du har distribuerat en webbtjänst som använder din kreditriskförutsägelsemodell i föregående steg i den här självstudien. Användarna kan nu skicka data till den och ta emot resultaten.

Webbtjänsten är en Azure-webbtjänst som kan ta emot och returnera data med hjälp av REST API:er på ett av följande två sätt:

• Begäran/svar – Användaren skickar en eller flera rader med kreditdata till tjänsten med hjälp av ett HTTP-protokoll och tjänsten svarar med en eller flera resultatuppsättningar.
• Batchkörning – Användaren lagrar en eller flera rader med kreditdata i en Azure-blob och skickar sedan blobplatsen till tjänsten. Tjänsten bedömer alla rader med data i indatabloben, lagrar resultatet i en annan blob och returnerar URL:en för containern.

Anteckning

Funktionskolumnnamn i Studio (klassisk) är skiftlägeskänsliga. Kontrollera att dina indata för att anropa webbtjänsten har samma kolumnnamn som i träningsdatauppsättningen.

Mer information om hur du kommer åt och använder webbtjänsten finns i Använda en Machine Learning-webbtjänst med en webbappmall.

Rensa resurser

Om du inte behöver de resurser som du skapade i den här artikeln kan du ta bort dem så att du undviker eventuella kostnader. Det kan du lära dig i artikeln om att exportera och ta bort användardata i produkten.

Nästa steg

I den här självstudien har du slutfört dessa steg:

• Förbereda för distribution
• Distribuera webbtjänsten
• Testa webbtjänsten
• Hantera webbtjänsten
• Få åtkomst till webbtjänsten

Du kan också skapa ett anpassat program som får åtkomst till webbtjänsten med hjälp av startkod som finns i programmeringsspråken R, C# och Python.

Använda en Machine Learning-webbtjänst