Självstudie: Använda Azure Machine Learning-modeller i Power BI

Den här självstudien vägleder dig genom att skapa en Power BI-rapport som baseras på en maskininlärningsmodell. När du är färdig med självstudien kommer du att kunna:

  • Bedöma maskininlärningsmodeller (distribuerade med Azure Machine Learning) i Power BI.
  • Ansluta till en Azure Machine Learning-modell i Power Query Editor.
  • Skapa en rapport med en visualisering baserad på den modellen.
  • Publicera rapporten i Power BI-tjänsten.
  • Aktivera schemalagd uppdatering för rapporten.

Förutsättningar

Innan du påbörjar den här självstudien måste du:

Skapa datamodellen

Öppna Power BI Desktop och välj Hämta data. I dialogrutan Hämta data söker du efter webb. Välj Webbadress > Anslut.

Skärmbild som visar webbdata.

I dialogrutan Från webb kopierar och klistrar du in följande webbadress i rutan:

https://www4.stat.ncsu.edu/~boos/var.select/diabetes.tab.txt

Skärmbild som visar webbadress.

Välj OK.

I Åtkomst till webbinnehåll väljer du Anonym > Anslut.

Skärmbild som visar anonym åtkomst för webbinnehåll.

Välj Omvandla data för att öppna fönstret för Power Query Editor.

Välj knappen Azure Machine Learning i menyfliksområdet i Power Query Editor.

Skärmbild som visar Power Query Editor.

När du har loggat in på ditt Azure-konto med enkel inloggning visas en lista över tillgängliga tjänster. Välj My-sklearn-service- som du skapade från självstudien Träna och distribuera en maskininlärningsmodell.

Power Query fyller i kolumnerna automatiskt åt dig. Som du kanske minns från vårt schema för tjänsten hade vi en Python-dekoratör som specificerade indata. Välj OK.

Skärmbild som visar Azure Machine Learning-modeller.

Anteckning

För tidsseriemodeller kan Power BI inte automatiskt identifiera datumformatet för tidskolumnen. Konvertera tidskolumnen till Datum/tid-typ i Power BI innan du Azure Machine Learning.

Om du väljer OK anropas Azure Machine Learning Service. Den utlöser en varning om datasekretess för både data och slutpunkten.

Skärmbild som visar sekretessvarning.

Välj Fortsätt. På nästa skärm väljer du Ignorera sekretessnivåkontroller för den här filen > Spara.

När data har bedömts skapar Power Query en ytterligare kolumn med namnet AzureML.my-diabetes-Model.

Skärmbild som visar tillagd bedömd kolumn.

De data som tjänsten returnerar är en lista.

Anteckning

Om du har distribuerat en designermodell visas en post.

För att få förutsägelserna väljer du den dubbelriktade pilen i kolumnrubriken AzureML.my-diabetes-model och väljer > expandera till nya rader.

Skärmbild som visar ikonen Expandera kolumn.

Efter expansionen visas förutsägelserna i kolumnen AzureML.my-diabetes-Model.

Skärmbild som visar expansion.

Följ dessa efterföljande steg för att slutföra rensningen av datamodellen.

  1. Byt namn på kolumnen AzureML.my-diabetes-Model till förutsagda.
  2. Byt namn på kolumnen Y till faktiska.
  3. Ändra typen för kolumnen faktiska: Markera kolumnen och välj sedan Datatyp > Decimaltal i menyfliksområdet Omvandla.
  4. Ändra typen för kolumnen Förutsagda: Markera kolumnen och välj sedan Datatyp följt av Decimaltal i menyfliksområdet > Omvandla.
  5. Välj Stäng och tillämpa på menyfliksområdet Start.

Skapa en rapport med visualiseringar

Nu kan du skapa vissa visualiseringar för att visa dina data.

  1. Välj ett Linjediagram i fönstret Visualiseringar.
  2. Med visualiseringen Linjediagram markerad:
  3. Dra fältet ÅLDER till axeln.
  4. Dra fältet faktiska till Värden.
  5. Dra fältet förutsagda till Värden.

Ändra storlek på linjediagrammet för att fylla sidan. Rapporten har nu ett enda linjediagram med två rader, en för de förväntade och en för de faktiska värdena, fördelade efter ålder.

Skärmbild som visar rapportvisualisering.

Publicera rapporten

Du kan lägga till fler visualiseringar om du vill. I den här självstudien publicerar vi rapporten kortfattat.

  1. Spara rapporten.

  2. Välj Fil > Publicera > Publicera till Power BI.

  3. Logga in på Power BI-tjänsten.

  4. Välj Min arbetsyta.

  5. När rapporten har publicerats väljer du länken Öppna <MY_PBIX_FILE.pbix> i Power BI. Rapporten öppnar rapporten i Power BI i webbläsaren.

    Skärmbild som visar en lyckad publicering.

Aktivera datamängder för uppdatering

I ett scenario där datakällan uppdateras med nya data som ska poängsättas måste du uppdatera dina autentiseringsuppgifter så att data kan poängsättas.

Välj Fler alternativ (...) > Inställningar > Inställningar i det svarta sidhuvudfältet i Min arbetsyta i Power BI-tjänsten.

Skärmbild som visar inställningar.

Välj Datamängder, expandera datakällans autentiseringsuppgifter och välj sedan Redigera autentiseringsuppgifter.

Skärmbild som visar uppdatering av autentiseringsuppgifter.

Följ anvisningarna för både azureMLFunctions och Webb. Kom ihåg att välja en sekretessnivå. Nu kan du ange en schemalagd uppdatering av data. Välj en uppdateringsfrekvens och tidszon. Du kan också välja en e-postadress dit Power BI kan skicka meddelanden om uppdateringsproblem.

Skärmbild som visar datamängd och uppdatering av bedömning.

Välj Använd.

Anteckning

När data uppdateras skickar de även data till din Azure Machine Learning-slutpunkt för bedömning.

Rensa resurser

Viktigt

Du kan använda de resurser som du har skapat som förutsättningar för andra Azure Machine Learning-självstudier och instruktionsartiklar.

Om du inte planerar att använda de resurser som du skapade kan du ta bort dem, så att du inte debiteras några avgifter.

  1. I Azure-portalen väljer du Resursgrupper längst till vänster.

  2. Välj resursgruppen som du skapade från listan.

  3. Välj Ta bort resursgrupp.

    Skärmbild av valen för att ta bort en resursgrupp i Azure Portal.

  4. Ange resursgruppsnamnet. Välj sedan Ta bort.

  5. I min arbetsyta i Power BI-tjänsten tar du bort rapporten och den relaterade datamängden. Du behöver inte ta bort Power BI Desktop eller rapporten på din dator. Power BI Desktop är kostnadsfritt.

Nästa steg

I den här självstudien får du lära dig hur du ställer in ett schema i Power BI så att nya data kan bedömas av bedömningsslutpunkten i Azure Machine Learning.