Självstudie: förutsäga Automobile-priset med designer (för hands version)Tutorial: Predict automobile price with the designer (preview)

gäller för:  ingen Basic  -utgåva ja Enterprise Edition                         (Uppgradera till Enterprise)APPLIES TO: noBasic edition yesEnterprise edition                       (Upgrade to Enterprise)

I den här självstudien får du lära dig hur du använder Azure Machine Learning designer för att träna och distribuera en maskin inlärnings modell som förutsäger priset på en bil.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. Designern är ett dra-och-släpp-verktyg som gör att du kan skapa maskin inlärnings modeller utan en enda rad kod.The designer is a drag-and-drop tool that lets you create machine learning models without a single line of code.

I del ett av självstudien får du lära dig att:In part one of the tutorial, you'll learn how to:

  • Skapa en ny pipeline.Create a new pipeline.
  • Importera data.Import data.
  • Förbered data.Prepare data.
  • Träna en maskin inlärnings modell.Train a machine learning model.
  • Utvärdera en maskin inlärnings modell.Evaluate a machine learning model.

I del två av självstudien distribuerar du din modell som en inferencing-slutpunkt i real tid för att förutsäga priset på en bil baserat på tekniska specifikationer som du skickar den.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.

Anteckning

En slutförd version av den här självstudien är tillgänglig som en exempel pipeline.A completed version of this tutorial is available as a sample pipeline.

Du hittar det genom att gå till designern på arbets ytan.To find it, go to the designer in your workspace. I det nya pipeline -avsnittet väljer du exempel 1-regression: Automobile pris förutsägelse (grundläggande).In the New pipeline section, select Sample 1 - Regression: Automobile Price Prediction(Basic).

Viktigt

Om du inte ser några grafiska element som nämns i det här dokumentet, till exempel knappar i Studio eller designer, kanske du inte har rätt behörighets nivå för arbets ytan.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. Kontakta administratören för Azure-prenumerationen för att kontrol lera att du har beviljats rätt åtkomst nivå.Please contact your Azure subscription administrator to verify that you have been granted the correct level of access. Mer information finns i Hantera användare och roller.For more information, see Manage users and roles.

Skapa en ny pipelineCreate a new pipeline

Azure Machine Learning pipelines ordnar flera maskin inlärnings-och data bearbetnings steg i en enda resurs.Azure Machine Learning pipelines organize multiple machine learning and data processing steps into a single resource. Pipelines gör det möjligt att organisera, hantera och återanvända komplexa Machine Learning-arbetsflöden mellan projekt och användare.Pipelines let you organize, manage, and reuse complex machine learning workflows across projects and users.

Om du vill skapa en Azure Machine Learning pipeline behöver du en Azure Machine Learning arbets yta.To create an Azure Machine Learning pipeline, you need an Azure Machine Learning workspace. I det här avsnittet får du lära dig hur du skapar båda dessa resurser.In this section, you learn how to create both these resources.

Skapa en ny arbetsytaCreate a new workspace

För att kunna använda designern behöver du först en Azure Machine Learning-arbetsyta.In order to use the designer, you first need an Azure Machine Learning workspace. Arbets ytan är den översta resursen för Azure Machine Learning, den innehåller en central plats där du kan arbeta med alla artefakter som du skapar i 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.

Om du har en Azure Machine Learning-arbetsyta med en Enterprise-utgåva går du vidare till nästa avsnitt.If you have an Azure Machine Learning workspace with an Enterprise edition, skip to the next section.

  1. Logga in på Azure Portal med hjälp av autentiseringsuppgifterna för din Azure-prenumeration.Sign in to the Azure portal by using the credentials for your Azure subscription.

  2. I det övre vänstra hörnet av Azure Portal väljer du + skapa en resurs.In the upper-left corner of the Azure portal, select + Create a resource.

    Skapa en ny resurs

  3. Använd Sök fältet för att hitta Machine Learning.Use the search bar to find Machine Learning.

  4. Välj Machine Learning.Select Machine Learning.

  5. I fönstret Machine Learning väljer du skapa för att börja.In the Machine Learning pane, select Create to begin.

  6. Ange följande information för att konfigurera din nya arbets yta:Provide the following information to configure your new workspace:

    FieldField BeskrivningDescription
    Namn på arbetsytaWorkspace name Ange ett unikt namn som identifierar din arbets yta.Enter a unique name that identifies your workspace. I det här exemplet använder vi dokument-WS.In this example, we use docs-ws. Namn måste vara unika i resurs gruppen.Names must be unique across the resource group. Använd ett namn som är enkelt att återkalla och särskilja från arbets ytor som skapats av andra.Use a name that's easy to recall and to differentiate from workspaces created by others.
    PrenumerationSubscription Ange den prenumeration som du vill använda.Select the Azure subscription that you want to use.
    ResursgruppResource group Använd en befintlig resurs grupp i din prenumeration eller ange ett namn för att skapa en ny resurs grupp.Use an existing resource group in your subscription, or enter a name to create a new resource group. En resurs grupp innehåller relaterade resurser för en Azure-lösning.A resource group holds related resources for an Azure solution. I det här exemplet använder vi AML-dokument.In this example, we use docs-aml.
    PlatsLocation Välj den plats som är närmast dina användare och data resurserna för att skapa din arbets yta.Select the location closest to your users and the data resources to create your workspace.
    Arbetsyte versionWorkspace edition Välj företag.Select Enterprise. Den här självstudien kräver att Enterprise Edition används.This tutorial requires the use of the Enterprise edition. Enterprise-utgåvan är i för hands version och lägger inte till några extra kostnader.The Enterprise edition is in preview and doesn't currently add any extra costs.
  7. När du är klar med konfigurationen av arbets ytan väljer du skapa.After you're finished configuring the workspace, select Create.

    Varning

    Det kan ta flera minuter att skapa din arbets yta i molnet.It can take several minutes to create your workspace in the cloud.

    När processen är klar visas ett meddelande om lyckad distribution.When the process is finished, a deployment success message appears.

  8. Om du vill visa den nya arbets ytan väljer du gå till resurs.To view the new workspace, select Go to resource.

Skapa pipelinenCreate the pipeline

  1. Logga in på ml.Azure.comoch välj den arbets yta som du vill arbeta med.Sign in to ml.azure.com, and select the workspace you want to work with.

  2. Välj Designer.Select Designer.

    Skärm bild av den visuella arbets ytan som visar hur du får åtkomst till designern

  3. Välj lättanvända inbyggda moduler.Select Easy-to-use prebuilt modules.

  4. Längst upp på arbets ytan väljer du standard pipelinen för pipelinen – skapad – på.At the top of the canvas, select the default pipeline name Pipeline-Created-on. Byt namn på den till bil förutsägelser.Rename it to Automobile price prediction. Namnet behöver inte vara unikt.The name doesn't need to be unique.

Ange standard beräknings målSet the default compute target

En pipeline körs på ett beräknings mål, som är en beräknings resurs som är kopplad till din arbets yta.A pipeline runs on a compute target, which is a compute resource that's attached to your workspace. När du har skapat ett beräknings mål kan du återanvända det för framtida körningar.After you create a compute target, you can reuse it for future runs.

Du kan ange ett standard beräknings mål för hela pipelinen, vilket anger att varje modul ska använda samma beräknings mål som standard.You can set a Default compute target for the entire pipeline, which will tell every module to use the same compute target by default. Du kan dock ange beräknings mål per modul.However, you can specify compute targets on a per-module basis.

  1. Bredvid pipelinens namn väljer du  skärm bild av kugg hjuls ikonen längst upp på arbets ytan för att öppna fönstret Inställningar .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. I fönstret Inställningar till höger om arbets ytan väljer du Välj Compute Target (Välj Compute Target).In the Settings pane to the right of the canvas, select Select compute target.

    Om du redan har ett tillgängligt beräknings mål kan du välja att köra denna pipeline.If you already have an available compute target, you can select it to run this pipeline.

    Anteckning

    Designern kan bara köra utbildnings experiment på Azure Machine Learning Compute-och Azure Machine Learning Compute-instanser, men andra beräknings mål visas inte.The designer can only run training experiments on Azure Machine Learning Compute and Azure Machine Learning compute instances but other compute targets won't be shown.

  3. Ange ett namn för beräknings resursen.Enter a name for the compute resource.

  4. Välj Spara.Select Save.

    Anteckning

    Det tar cirka fem minuter att skapa en beräknings resurs.It takes approximately five minutes to create a compute resource. När resursen har skapats kan du återanvända den och hoppa över vänte tiden för framtida körningar.After the resource is created, you can reuse it and skip this wait time for future runs.

    Beräknings resursen skalar automatiskt till noll noder när den är inaktiv för att spara pengar.The compute resource autoscales to zero nodes when it's idle to save cost. När du använder den igen efter en fördröjning kan du uppleva ungefär fem minuters vänte tid medan den skalas upp.When you use it again after a delay, you might experience approximately five minutes of wait time while it scales back up.

Importera dataImport data

Det finns flera exempel data uppsättningar som ingår i designern som du kan experimentera med.There are several sample datasets included in the designer for you to experiment with. I den här självstudien använder du bil-pris data (RAW).For this tutorial, use Automobile price data (Raw).

  1. Till vänster om arbets ytan för pipelinen är en palett med data uppsättningar och moduler.To the left of the pipeline canvas is a palette of datasets and modules. Välj data uppsättningaroch Visa sedan avsnittet exempel för att visa tillgängliga exempel data uppsättningar.Select Datasets, and then view the Samples section to view the available sample datasets.

  2. Välj data uppsättningens bil pris data (RAW) och dra den till arbets ytan.Select the dataset Automobile price data (Raw), and drag it onto the canvas.

    Dra data till arbets yta

Visualisera datanVisualize the data

Du kan visualisera data för att förstå den data uppsättning som du kommer att använda.You can visualize the data to understand the dataset that you'll use.

  1. Välj modulen Automobile Price data (RAW) .Select the Automobile price data (Raw) module.

  2. I informations fönstret för moduler till höger om arbets ytan väljer du utdata + log.In the module details pane to the right of the canvas, select Outputs + log.

  3. Välj diagram ikonen för att visualisera data.Select the graph icon to visualize the data.

    Alternativ text här.

  4. Välj olika kolumner i data fönstret om du vill visa information om var och en.Select the different columns in the data window to view information about each one.

    Varje rad representerar en bil och variablerna som är kopplade till varje bil visas som kolumner.Each row represents an automobile, and the variables associated with each automobile appear as columns. Det finns 205 rader och 26 kolumner i den här data uppsättningen.There are 205 rows and 26 columns in this dataset.

Förbereda dataPrepare data

Data uppsättningar kräver vanligt vis lite för bearbetning före analys.Datasets typically require some preprocessing before analysis. Du kanske har märkt vissa saknade värden när du kontrollerade data uppsättningen.You might have noticed some missing values when you inspected the dataset. De värden som saknas måste rengöras så att modellen kan analysera data korrekt.These missing values must be cleaned so that the model can analyze the data correctly.

Ta bort en kolumnRemove a column

När du tränar en modell måste du göra något om de data som saknas.When you train a model, you have to do something about the data that's missing. I den här data uppsättningen saknar kolumnen normaliserade förluster många värden, så du kommer att utesluta den kolumnen från modellen helt och hållet.In this dataset, the normalized-losses column is missing many values, so you will exclude that column from the model altogether.

  1. I paletten modul till vänster om arbets ytan, expanderar du avsnittet datatransformering och letar upp modulen Välj kolumner i data uppsättning .In the module palette to the left of the canvas, expand the Data Transformation section and find the Select Columns in Dataset module.

  2. Dra modulen Välj kolumner i data uppsättning till arbets ytan.Drag the Select Columns in Dataset module onto the canvas. Släpp modulen under data uppsättnings modulen.Drop the module below the dataset module.

  3. Anslut data uppsättningen för Automobil pris data (RAW) till modulen Välj kolumner i data uppsättning .Connect the Automobile price data (Raw) dataset to the Select Columns in Dataset module. Dra från data uppsättningens utgående port, som är den lilla cirkeln längst ned i data uppsättningen på arbets ytan, till Indataporten för Select-kolumner i data uppsättningen, som är den lilla cirkeln överst i modulen.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.

    Tips

    Du skapar ett data flöde via din pipeline när du ansluter utdataporten för en modul till en annan indataport.You create a flow of data through your pipeline when you connect the output port of one module to an input port of another.

    Anslut moduler

  4. Välj modulen Välj kolumner i data uppsättning .Select the Select Columns in Dataset module.

  5. I informations fönstret för moduler till höger om arbets ytan väljer du Redigera kolumn.In the module details pane to the right of the canvas, select Edit column.

  6. Expandera List rutan med kolumn namn bredvid Inkluderaoch markera alla kolumner.Expand the Column names drop down next to Include, and select All columns.

  7. Välj + för att lägga till en ny regel.Select the + to add a new rule.

  8. I list menyerna väljer du Uteslut och kolumn namn.From the drop-down menus, select Exclude and Column names.

  9. Ange normaliserade förluster i text rutan.Enter normalized-losses in the text box.

  10. I det nedre högra hörnet väljer du Spara för att stänga kolumn väljaren.In the lower right, select Save to close the column selector.

    Undanta en kolumn

  11. Välj modulen Välj kolumner i data uppsättning .Select the Select Columns in Dataset module.

  12. I informations fönstret för moduler till höger om arbets ytan markerar du text rutan kommentar och anger exkludera normaliserade förluster.In the module details pane to the right of the canvas, select the Comment text box and enter Exclude normalized losses.

    Kommentarerna visas i grafen för att hjälpa dig att organisera din pipeline.Comments will appear on the graph to help you organize your pipeline.

Rensa saknade dataClean missing data

Din data uppsättning har fortfarande värden som saknas efter att du tagit bort kolumnen normaliserade förluster .Your dataset still has missing values after you remove the normalized-losses column. Du kan ta bort återstående data som saknas med hjälp av modulen Rensa data som saknas .You can remove the remaining missing data by using the Clean Missing Data module.

Tips

Att rensa saknade värden från indata är ett krav för att använda de flesta moduler i designern.Cleaning the missing values from input data is a prerequisite for using most of the modules in the designer.

  1. I paletten modul till vänster om arbets ytan, expanderar du avsnittet data omvandlingoch letar reda på modulen Rensa data som saknas .In the module palette to the left of the canvas, expand the section Data Transformation, and find the Clean Missing Data module.

  2. Dra modulen Rensa data som saknas till pipeline-arbetsytan.Drag the Clean Missing Data module to the pipeline canvas. Anslut den till modulen Välj kolumner i data uppsättning .Connect it to the Select Columns in Dataset module.

  3. Välj modulen Rensa data som saknas .Select the Clean Missing Data module.

  4. I informations fönstret för moduler till höger om arbets ytan väljer du Redigera kolumn.In the module details pane to the right of the canvas, select Edit Column.

  5. I fönstret kolumner som ska rensas visas expanderar du den nedrullningsbara menyn bredvid Inkludera.In the Columns to be cleaned window that appears, expand the drop-down menu next to Include. Markera, alla kolumnerSelect, All columns

  6. Välj SparaSelect Save

  7. I informations fönstret för moduler till höger om arbets ytan väljer du ta bort hela raden under rensnings läge.In the module details pane to the right of the canvas, select Remove entire row under Cleaning mode.

  8. I informations fönstret för moduler till höger om arbets ytan markerar du rutan kommentar och anger ta bort saknade värde rader.In the module details pane to the right of the canvas, select the Comment box, and enter Remove missing value rows.

    Din pipeline bör nu se ut ungefär så här:Your pipeline should now look something like this:

    Select-Column

Träna en Machine Learning-modellTrain a machine learning model

Nu när du har modulerna på plats för att bearbeta data kan du ställa in träna moduler.Now that you have the modules in place to process the data, you can set up the training modules.

Eftersom du vill förutsäga pris, vilket är ett tal, kan du använda en Regressions algoritm.Because you want to predict price, which is a number, you can use a regression algorithm. I det här exemplet använder du en linjär Regressions modell.For this example, you use a linear regression model.

Dela upp dataSplit the data

Att dela data är en vanlig uppgift i Machine Learning.Splitting data is a common task in machine learning. Du kommer att dela upp dina data i två separata data uppsättningar.You will split your data into two separate datasets. En data uppsättning kommer att träna modellen och den andra kommer att testa hur väl modellen utförs.One dataset will train the model and the other will test how well the model performed.

  1. I modulen modul expanderar du avsnittet data omvandling och letar reda på modulen dela data .In the module palette, expand the section Data Transformation and find the Split Data module.

  2. Dra modulen dela data till pipeline-arbetsytan.Drag the Split Data module to the pipeline canvas.

  3. Anslut den vänstra porten för modulen Rensa data som saknas till modulen dela data .Connect the left port of the Clean Missing Data module to the Split Data module.

    Viktigt

    Se till att de vänstra Utdataportarna av rensa saknade data ansluter till delade data.Be sure that the left output ports of Clean Missing Data connects to Split Data. Den vänstra porten innehåller de rensade data.The left port contains the the cleaned data. Rätt port innehåller discarted-data.The right port contains the discarted data.

  4. Välj modulen dela data .Select the Split Data module.

  5. I informations fönstret för moduler till höger om arbets ytan, ställer du in del av raderna i den första data uppsättningen för utdata till 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.

    Det här alternativet delar upp 70 procent av data för att träna modellen och 30 procent för att testa den.This option splits 70 percent of the data to train the model and 30 percent for testing it. Data uppsättningen 70 procent kan nås via den vänstra utdataporten.The 70 percent dataset will be accessible through the left output port. Återstående data kommer att vara tillgängliga via den högra utdataporten.The remaining data will be available through the right output port.

  6. I informations fönstret för moduler till höger om arbets ytan markerar du rutan kommentar och anger dela in data uppsättningen i Training set (0,7) och test uppsättning (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).

Träna modellenTrain the model

Träna modellen genom att ge den en data uppsättning som inkluderar priset.Train the model by giving it a dataset that includes the price. Algoritmen skapar en modell som förklarar förhållandet mellan funktionerna och priset som presenteras av tränings data.The algorithm constructs a model that explains the relationship between the features and the price as presented by the training data.

  1. I paletten modul expanderar du Machine Learning algoritmer.In the module palette, expand Machine Learning Algorithms.

    Med det här alternativet visas flera kategorier av moduler som du kan använda för att initiera Learning-algoritmer.This option displays several categories of modules that you can use to initialize learning algorithms.

  2. Välj regression > linjär regressionoch dra den till pipeline-arbetsytan.Select Regression > Linear Regression, and drag it to the pipeline canvas.

  3. I modulen modul expanderar du träna modul-moduloch drar modulen träna modell till arbets ytan.In the module palette, expand the section Module training, and drag the Train Model module to the canvas.

  4. Anslut utdata från modulen linjär regression till vänster indata för modulen träna modell .Connect the output of the Linear Regression module to the left input of the Train Model module.

  5. Anslut övnings data utmatningen (den vänstra porten) för modulen dela data till rätt indata för modulen träna modell .Connect the training data output (left port) of the Split Data module to the right input of the Train Model module.

    Viktigt

    Se till att de vänstra Utdataportarna för delade data ansluter till träna modell.Be sure that the left output ports of Split Data connects to Train Model. Den vänstra porten innehåller inlärnings uppsättningen.The left port contains the the training set. Rätt port innehåller test uppsättningen.The right port contains the test set.

    Skärm bild som visar korrekt konfiguration av modulen träna modell. Modulen linjär regression ansluter till den vänstra porten för modulen träna modell och modulen dela data ansluts till rätt port för träna modell.

  6. Välj träningsmodellmodulen.Select the Train Model module.

  7. I informations fönstret för moduler till höger om arbets ytan väljer du Redigera kolumn väljare.In the module details pane to the right of the canvas, select Edit column selector.

  8. I dialog rutan etikett kolumn expanderar du den nedrullningsbara menyn och väljer kolumn namn.In the Label column dialog box, expand the drop-down menu and select Column names.

  9. I text rutan anger du pris för att ange det värde som din modell ska förutsäga.In the text box, enter price to specify the value that your model is going to predict.

    Viktigt

    Se till att du anger kolumn namnet exakt.Make sure you enter the column name exactly. Lägg inte till versala priser.Do not capitalize price.

    Din pipeline bör se ut så här:Your pipeline should look like this:

    Skärm bild som visar korrekt konfiguration av pipelinen efter att du lagt till modulen träna modell.

Lägg till modulen Poäng modellAdd the Score Model module

När du har tränat din modell genom att använda 70 procent av data kan du använda den för att se hur väl modellen fungerar.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. Ange Poäng modell i sökrutan för att hitta modulen Poäng modell .Enter score model in the search box to find the Score Model module. Dra modulen till pipeline-arbetsytan.Drag the module to the pipeline canvas.

  2. Anslut utdataporten för modulen Träna modell till den vänstra indataporten för Poängsätta modell.Connect the output of the Train Model module to the left input port of Score Model. Anslut utdataporten för testning (den högra porten) för modulen Dela data till den högra indataporten för Poängsätta modell.Connect the test data output (right port) of the Split Data module to the right input port of Score Model.

Lägga till modulen Utvärdera modellAdd the Evaluate Model module

Använd modulen utvärdera modell för att utvärdera hur bra din modell bevisar test data uppsättningen.Use the Evaluate Model module to evaluate how well your model scored the test dataset.

  1. Välj utvärdera i sökrutan för att hitta modulen utvärdera modell .Enter evaluate in the search box to find the Evaluate Model module. Dra modulen till pipeline-arbetsytan.Drag the module to the pipeline canvas.

  2. Anslut utdata från modulen Poäng modell till den vänstra inmatningen av utvärdera modell.Connect the output of the Score Model module to the left input of Evaluate Model.

    Den sista pipelinen bör se ut ungefär så här:The final pipeline should look something like this:

    Skärm bild som visar korrekt konfiguration av pipelinen.

Skicka pipelinenSubmit the pipeline

Nu när din pipeline är all konfiguration kan du skicka en pipeline-körning för att träna din Machine Learning-modell.Now that your pipeline is all setup, you can submit a pipeline run to train your machine learning model. Du kan skicka en giltig pipeline-körning när som helst, som kan användas för att granska ändringar i din pipeline under utvecklingen.You can submit a valid pipeline run at any point, which can be used to review changes to your pipeline during development.

  1. Välj Skickapå arbets ytans överkant.At the top of the canvas, select Submit.

  2. I dialog rutan Konfigurera pipeline-körning väljer du Skapa ny.In the Set up pipeline run dialog box, select Create new.

    Anteckning

    Experiment grupp liknande pipeliner körs tillsammans.Experiments group similar pipeline runs together. Om du kör en pipeline flera gånger kan du välja samma experiment för efterföljande körningar.If you run a pipeline multiple times, you can select the same experiment for successive runs.

    1. Ange ett beskrivande namn på nytt experiment namn.Enter a descriptive name for New experiment Name.

    2. Välj Skicka.Select Submit.

    Du kan visa körnings status och information överst till höger på arbets ytan.You can view run status and details at the top right of the canvas.

    Om är den första körningen kan det ta upp till 20 minuter innan din pipeline har slutförts.If is the first run, it may take up to 20 minutes for your pipeline to finish running. Standard beräknings inställningarna har en minsta Node-storlek på 0, vilket innebär att Designer måste allokera resurser efter inaktivitet.The default compute settings have a minimum node size of 0, which means that the designer must allocate resources after being idle. Upprepade pipelines körningar tar mindre tid eftersom beräknings resurserna redan har allokerats.Repeated pipeline runs will take less time since the compute resources are already allocated. Dessutom använder designern cachelagrade resultat för varje modul för att ytterligare förbättra effektiviteten.Additionally, the designer uses cached results for each module to further improve efficiency.

Visa Poäng etiketterView scored labels

När körningen är klar kan du visa resultatet av pipeline-körningen.After the run completes, you can view the results of the pipeline run. Börja med att titta på förutsägelserna som genereras av Regressions modellen.First, look at the predictions generated by the regression model.

  1. Välj modulen Poäng modell för att visa dess utdata.Select the Score Model module to view its output.

  2. I informations fönstret för moduler till höger om arbets ytan väljer du utdata + loggar > ikon  för att visa resultat.In the module details pane to the right of the canvas, select Outputs + logs > graph icon visualize icon to view results.

    Här kan du se de förutsagda priser och de faktiska priserna från test data.Here you can see the predicted prices and the actual prices from the testing data.

    Skärm bild av utmatnings visualiseringen som markerar den markerade etikett kolumnen

Utvärdera modellerEvaluate models

Använd utvärdera modell för att se hur väl den tränade modellen utförts på test data uppsättningen.Use the Evaluate Model to see how well the trained model performed on the test dataset.

  1. Välj modulen utvärdera modell för att visa dess utdata.Select the Evaluate Model module to view its output.

  2. I informations fönstret för moduler till höger om arbets ytan väljer du utdata + loggar > ikon  för att visa resultat.In the module details pane to the right of the canvas, select Outputs + logs > graph icon visualize icon to view results.

Följande statistik visas för din modell:The following statistics are shown for your model:

  • Medelvärde för absolut fel (Mae): medelvärdet av absoluta fel.Mean Absolute Error (MAE): The average of absolute errors. Ett fel är skillnaden mellan det förväntade värdet och det faktiska värdet.An error is the difference between the predicted value and the actual value.
  • Rot genomsnitts fel (rmse): kvadratroten ur genomsnittet av de förutsägelser som gjorts på test data uppsättningen.Root Mean Squared Error (RMSE): The square root of the average of squared errors of predictions made on the test dataset.
  • Relativa absoluta fel: Medelvärdet av absoluta fel i förhållande till den absoluta skillnaden mellan faktiska värden och medelvärdet av alla faktiska värden.Relative Absolute Error: The average of absolute errors relative to the absolute difference between actual values and the average of all actual values.
  • Relativa kvadratfel: Medelvärdet av kvadratfel i förhållande till kvadratskillnaden mellan faktiska värden och medelvärdet av alla faktiska värden.Relative Squared Error: The average of squared errors relative to the squared difference between the actual values and the average of all actual values.
  • Friktionskoefficienten: även känt som R-kvadratvärdet anger det här statistik måttet hur väl en modell passar data.Coefficient of Determination: Also known as the R squared value, this statistical metric indicates how well a model fits the data.

För all felstatistik gäller att mindre är bättre.For each of the error statistics, smaller is better. Ett mindre värde anger att förutsägelserna är närmare de faktiska värdena.A smaller value indicates that the predictions are closer to the actual values. För att fastställa koefficienten är det närmare värdet en (1,0), desto bättre förutsägelser.For the coefficient of determination, the closer its value is to one (1.0), the better the predictions.

Rensa resurserClean up resources

Hoppa över det här avsnittet om du vill fortsätta med del 2 av självstudien, Distribuera modeller.Skip this section if you want to continue on with part 2 of the tutorial, deploying models.

Viktigt

Du kan använda de resurser som du har skapat som krav för andra Azure Machine Learning självstudier och instruktions artiklar.You can use the resources that you created as prerequisites for other Azure Machine Learning tutorials and how-to articles.

Ta bort alltDelete everything

Om du inte planerar att använda något som du har skapat tar du bort hela resurs gruppen så att du inte debiteras några avgifter.If you don't plan to use anything that you created, delete the entire resource group so you don't incur any charges.

  1. I Azure Portal väljer du resurs grupper på vänster sida av fönstret.In the Azure portal, select Resource groups on the left side of the window.

    Ta bort resursgrupp i Azure-portalen

  2. I listan väljer du den resurs grupp som du skapade.In the list, select the resource group that you created.

  3. Välj Ta bort resursgrupp.Select Delete resource group.

Om du tar bort resurs gruppen raderas även alla resurser som du skapade i designern.Deleting the resource group also deletes all resources that you created in the designer.

Ta bort enskilda till gångarDelete individual assets

I designern där du skapade experimentet kan du ta bort enskilda till gångar genom att markera dem och sedan välja knappen ta bort .In the designer where you created your experiment, delete individual assets by selecting them and then selecting the Delete button.

Beräknings målet som du skapade här automatiskt skalar automatiskt till noll noder när det inte används.The compute target that you created here automatically autoscales to zero nodes when it's not being used. Den här åtgärden vidtas för att minimera kostnaderna.This action is taken to minimize charges.Gör så här om du vill ta bort beräknings målet: If you want to delete the compute target, take these steps:

Ta bort till gångar

Du kan avregistrera data uppsättningar från din arbets yta genom att markera varje data uppsättning och välja avregistrera.You can unregister datasets from your workspace by selecting each dataset and selecting Unregister.

Avregistrera data uppsättning

Om du vill ta bort en data uppsättning går du till lagrings kontot genom att använda Azure Portal eller Azure Storage Explorer och manuellt ta bort dessa till gångar.To delete a dataset, go to the storage account by using the Azure portal or Azure Storage Explorer and manually delete those assets.

Nästa stegNext steps

I del två får du lära dig hur du distribuerar din modell som en slut punkt i real tid.In part two, you'll learn how to deploy your model as a real-time endpoint.