Öğretici: Azure Machine Learning Studio'da kod olmayan AutoML ile sınıflandırma modelini eğitin

Azure Machine Learning Studio'da otomatikleştirilmiş modeli kullanarak kod Azure Machine Learning AutoML ile ML modeli Azure Machine Learning öğrenin. Bu sınıflandırma modeli, bir müşterinin bir finans kurumunda sabit vadeli bir ödemeye abone olup olamayacaklarını tahmin ediyor.

Otomatikleştirilmiş ML zaman alan görevleri otomatik hale ebilirsiniz. Otomatik makine öğrenmesi, seçtiğiniz bir başarı ölçümüne göre en iyi modeli bu bulmanıza yardımcı olmak için birçok algoritma ve hiperparametre bileşimini hızla tekrarlar.

Bu öğreticide kod yazmaz, eğitim gerçekleştirmek için studio arabirimini kullanır. Aşağıdaki görevleri nasıl gerçekleştirebilirsiniz?

Ayrıca bu diğer model türleri için otomatik makine öğrenmesi deneyin:

• Tahmine kod olmayan bir örnek için bkz. Öğretici: Talep tahmini ve AutoML &.
• Bir regresyon modelinin kod ilk örneği için bkz. Öğretici: AutoML ile regresyon modeli.

Önkoşullar

• Azure aboneliği. Azure aboneliğiniz yoksa ücretsiz bir hesap oluşturun.

• Veri bankmarketing_train.csv indirin. y sütunu, bir müşterinin sabit vadeli bir ödemeye abone olup olamayacaklarını gösterir. Bu sütun daha sonra bu öğreticide tahminler için hedef sütun olarak tanımlanır.

Çalışma alanı oluşturma

Çalışma Azure Machine Learning, bulutta makine öğrenmesi modellerini denemek, eğitmek ve dağıtmak için kullanabileceğiniz temel bir kaynaktır. Azure aboneliğinizi ve kaynak grubunu hizmette kolayca tüketilen bir nesneye bağlar.

Çalışma alanı oluşturmanın birçok yolu vardır. Bu öğreticide, Azure kaynaklarınızı yönetmeye Azure portal tabanlı bir konsol olan Azure portal aracılığıyla bir çalışma alanı oluşturacağız.

1. Azure aboneliğinizin kimlik bilgilerini kullanarak Azure Portal oturum açın.

2. Azure portal sol üst köşesinde üç çubuğu ve + kaynak oluştur' u seçin.

   

3. Machine Learning bulmak için arama çubuğunu kullanın.

4. Machine Learning seçin.

   

5. Başlamak için Machine Learning bölmesinde Oluştur ' u seçin.

6. Yeni çalışma alanınızı yapılandırmak için aşağıdaki bilgileri sağlayın:

   Alan	Açıklama
   Çalışma alanı adı	Çalışma alanınızı tanımlayan benzersiz bir ad girin. Bu örnekte docs-WS kullanıyoruz. Adlar, kaynak grubu genelinde benzersiz olmalıdır. Başkaları tarafından oluşturulan çalışma alanlarını birbirinden ayırmak ve geri çekmek için kolay bir ad kullanın.
   Abonelik	Kullanmak istediğiniz Azure aboneliğini seçin.
   Kaynak grubu	Aboneliğinizde var olan bir kaynak grubunu kullanın veya yeni bir kaynak grubu oluşturmak için bir ad girin. Kaynak grubu, bir Azure çözümü için ilgili kaynakları barındırır. Bu örnekte docs-AML kullanılır.
   Konum	Çalışma alanınızı oluşturmak için kullanıcılarınıza en yakın konumu ve veri kaynaklarını seçin.

7. Çalışma alanını yapılandırmayı tamamladıktan sonra, gözden geçir + oluştur' u seçin.

8. Çalışma alanını oluşturmak için Oluştur ' u seçin.

   Uyarı

   Çalışma alanınızı bulutta oluşturmak birkaç dakika sürebilir.

   İşlem tamamlandığında, bir dağıtım başarı iletisi görüntülenir.

9. Yeni çalışma alanını görüntülemek için Kaynağa git'i seçin.

10. Çalışma alanınızı portal görünümünden Studio'ya başlat'ı seçerek Azure Machine Learning stüdyosu.

Studio'da oturum açma

Aşağıdaki deneme ayarlama adımlarını tamamlar ve tüm beceri düzeylerinde veri bilimi uygulayıcıları için veri bilimi senaryolarını gerçekleştirmek üzere makine öğrenmesi araçlarını içeren birleştirilmiş bir web arabirimi olan Azure Machine Learning Studio aracılığıyla https://ml.azure.com çalıştırabilirsiniz. Studio, tüm tarayıcılarda Internet Explorer değildir.

1. Azure Machine Learning Studio'da oturum açma.

2. Aboneliğinizi ve oluşturduğunuz çalışma alanını seçin.

3. Öğesini Kullanmaya başlayın.

4. Sol bölmede Yazar bölümünün altında Otomatik ML'yi seçin.

   Bu ilk otomatik denemeniz ML boş bir liste ve belgelere bağlantılar görüntülenir.

   

5. +Yeni otomatikleştirilmiş seçeneğini ML çalıştırın.

Veri kümesi oluşturma ve yükleme

Denemenizi yapılandırmadan önce veri dosyanızı çalışma alanınıza bir veri kümesi Azure Machine Learning yükleyin. Bunu yapmak, verilerinizin denemeniz için uygun şekilde biçimlendirildiklerini garantiler.

1. +Veri kümesi oluştur açılan listesinden Yerel dosyalardan'ı seçerek yeni bir veri kümesi oluşturun.

   1. Temel bilgi formunda veri kümenize bir ad girin ve isteğe bağlı bir açıklama girin. Otomatikleştirilmiş ML arabirimi şu anda yalnızca TabularDatasets'i desteklediği için veri kümesi türünün varsayılan olarak Tabular olması gerekir.

   2. Sol alttaki Sonraki'yi seçin

   3. Veri deposu ve dosya seçim formunda, çalışma alanı oluşturma işleminiz sırasında otomatik olarak ayarlanmış varsayılan veri deposu olan workspaceblobstore (Azure Blob Depolama) seçin. Veri dosyanızı çalışma alanınız için kullanılabilir hale yüklemek için bu noktada karşıya yükleyebilirsiniz.

   4. Gözat'ı seçin.

   5. Yerel bankmarketing_train.csv dosyanızı seçin. Bu, önkoşul olarak indirdiğiniz dosyadır.

   6. Veri kümenize benzersiz bir ad girin ve isteğe bağlı bir açıklama girin.

   7. Çalışma alanı oluşturma işleminiz sırasında otomatik olarak ayarlanmış varsayılan kapsayıcıya yüklemek için sol alttaki Sonraki'yi seçin.

      Karşıya yükleme tamamlandığında, Ayarlar ve önizleme formu dosya türüne göre önceden doldurulur.

   8. Ayarlar ve önizleme formunun aşağıdaki gibi doldurulduğundan emin olup Sonraki'yi seçin.

      Alan	Açıklama	Öğretici değeri
      Dosya biçimi	Bir dosyada depolanan verilerin düzenini ve türünü tanımlar.	Sınırlandırılmış
      Sınırlayıcı	Düz metin veya diğer veri akışlarında ayrı, bağımsız bölgeler arasındaki   sınırı belirtmek için bir veya daha fazla karakter.	Virgül
      Encoding	Veri kümenizi okumak için hangi bit-karakter şema tablosu kullanı tanımlar.	UTF-8
      Sütun başlıkları	Varsa veri kümesi üst bilgilerini nasıl işleyeceklerini gösterir.	Tüm dosyalar aynı üst bilgileri içerir
      Satırları atla	Veri kümesinde kaç satır (varsa) atlanır olduğunu gösterir.	Hiçbiri

   9. Şema formu, bu deneme için verilerinizin daha fazla yapılandırmasını sağlar. Bu örnekte, dahil etmek için day_of_week için iki durumlu düğmeyi seçin. İleri’yi seçin.

   10. Ayrıntıları onayla formunda, bilgilerin Daha önce Temel bilgiler, Veri Deposu ve dosya seçiminde doldurulan bilgilerle eş Ayarlar ve önizleme formlarını doğrulayın.

   11. Veri kümenizi oluşturma işlemini tamamlamak için Oluştur'a seçin.

   12. Listede göründüğünde veri kümenizi seçin.

   13. Veri önizlemesini gözden geçirerek verileri dahil etmeyebilirsiniz day_of_week'yi seçin.

   14. Sonraki'yi seçin.

Çalıştırmayı yapılandırma

Verilerinizi yükp yapılandırdikten sonra denemenizi kurabilirsiniz. Bu kurulum, işlem ortamının boyutunu seçme ve tahmin etmek istediğiniz sütunu belirtme gibi deneme tasarımı görevlerini içerir.

1. Yeni oluştur radyo düğmesini seçin.

2. Çalıştırmayı Yapılandır formunu aşağıdaki gibi doldurun:

   1. Şu deneme adını girin: my-1st-automl-experiment

   2. Tahmin etmek istediğiniz hedef sütun olarak y'yi seçin. Bu sütun, istemcinin bir dönem için ödemeye abone olup olmadığını gösterir.

   3. İşlem türünüz olarak işlem kümesi'ni seçin.

   4. İşlem hedefinizi yapılandırmak için +Yeni. İşlem hedefi, eğitim betiğinizi çalıştırmak veya hizmet dağıtımınızı barındırmak için kullanılan yerel veya bulut tabanlı bir kaynak ortamıdır. Bu deneme için bulut tabanlı bir işlem kullanıyoruz.

      1. İşlemlerinizi ayarlamak için Sanal makine seçin formunu doldurun.

         Alan	Açıklama	Öğretici değeri
         Sanal   makine   önceliği	Denemenizin hangi önceliğe sahip olması gerektiğini seçin	Ayrılmış
         Sanal   makine   türü	İşlem için sanal makine türünü seçin.	CPU (Merkezi Işlem birimi)
         Sanal   makine   boyutu	İşlem için sanal makine boyutunu seçin. Önerilen boyutların listesi verilerinize ve deneme türüne göre belirlenir.	Standard_DS12_V2

      2. Yapılandırma ayarları formunu doldurmak için İleri ' yi seçin.

         Alan	Açıklama	Öğretici için değer
         İşlem adı	İşlem bağlamını tanımlayan benzersiz bir ad.	Oto ml-işlem
         En az/en fazla düğüm	Veri profili için, 1 veya daha fazla düğüm belirtmeniz gerekir.	En az düğümler: 1 En fazla düğüm: 6
         Ölçeği ölçeklendirmeye başlamadan önce boşta geçen Saniyeler	Küme otomatik olarak en düşük düğüm sayısına ölçeklendirildiğinde boşta geçen süre.	120 (varsayılan)
         Gelişmiş ayarlar	denemeniz için bir sanal ağı yapılandırmak ve yetkilendirmek Ayarlar.	Hiçbiri

      3. İşlem hedefini oluşturmak için Oluştur ' u seçin.

         Bu, tamamlanacak birkaç dakika sürer.

         

      4. Oluşturulduktan sonra, açılan listeden yeni işlem hedefini seçin.

   5. İleri’yi seçin.

3. görev ve ayarları seç formunda, machine learning görev türünü ve yapılandırma ayarlarını belirterek otomatik ML denemenizin kurulumunu doldurun.

   1. Makine öğrenimi görev türü olarak Sınıflandırmayı seçin.

   2. Ek yapılandırma ayarlarını görüntüle ' yi seçin ve alanları aşağıdaki gibi doldurun. Bu ayarlar, eğitim işini daha iyi denetliyor. Aksi takdirde, denemeler seçimine ve verilerine göre varsayılan ayarlar uygulanır.

      Ek   yapılandırma	Açıklama	Öğretici için   değer
      Birincil ölçüm	Makine öğrenimi algoritmasının ölçülecek değerlendirme ölçümü.	AUC_weighted
      En iyi modeli açıkla	Otomatik ML tarafından oluşturulan en iyi modelde explainability 'yi otomatik olarak gösterir.	Etkinleştir
      Engellenen algoritmalar	Eğitim işinden dışlamak istediğiniz algoritmalar	Hiçbiri
      Çıkış ölçütü	Bir kriterle karşılanırsa eğitim işi durdurulur.	Eğitim   işi   süresi (saat): 1 Ölçüm   puan   eşiği: yok
      Doğrulama	Çapraz doğrulama türü ve test sayısı seçin.	Doğrulama türü:   çapraz doğrulamayı yana kesme Doğrulama sayısı: 2
      Eşzamanlılık	Yineleme başına yürütülen en fazla paralel yineleme sayısı	En fazla   eşzamanlı   yineleme: 5

      Kaydet’i seçin.

4. Denemeyi çalıştırmak için son ' u seçin. Çalışma ayrıntısı ekranı, deneme hazırlığı başladığında en üstteki çalıştırma durumuyla birlikte açılır. Deneme ilerledikçe bu durum güncellenir. Ayrıca, denemenizin durumunu bildirmek üzere Studio 'nun sağ üst köşesinde bildirimler görüntülenir.

Modelleri keşfet

Test edilen algoritmaları (modeller) görmek için modeller sekmesine gidin. Modeller, varsayılan olarak, tamamlandığı gibi ölçüm puanına göre sıralanır. Bu öğretici için, seçili AUC_weighted ölçüsüne göre en yüksek düzeyde puan veren model listenin en üstünde yer alır.

Deneme modellerinin tümünün bitmesini beklerken, performans ayrıntılarını araştırmak için tamamlanmış bir modelin algoritma adını seçin.

Aşağıdakiler, seçili modelin özelliklerini, ölçümlerini ve performans grafiklerini görüntülemek için Ayrıntılar ve ölçümler sekmelerinde gezinir.

Model açıklamaları

Modellerin tamamlanmasını beklerken, model açıklamalarını gözden geçirebilir ve hangi veri özelliklerinin (ham ya da Mühendislik) belirli bir modelin tahminlerini etkileme şeklini görebilirsiniz.

Bu model açıklamaları isteğe bağlı olarak oluşturulabilir ve açıklamalar (Önizleme) sekmesinin bir parçası olan model açıklamaları panosunda özetlenir.

Model açıklamalarını oluşturmak için

1. Modeller ekranına geri gitmek için en üstteki 1. Çalıştır ' ı seçin.

2. Modeller sekmesini seçin.

3. Bu öğretici için ilk Maxabsscaler, LightGBM modelini seçin.

4. Üstteki açıkla modeli düğmesini seçin. Sağ tarafta, açıkla modeli bölmesi görüntülenir.

5. Daha önce oluşturduğunuz oto ml-COMPUTE ' ı seçin. Bu işlem kümesi, model açıklamalarını oluşturmak için bir alt çalışma başlatır.

6. Alt kısımdaki Oluştur ' u seçin. Ekranınızın tepesine doğru yeşil bir başarı iletisi görüntülenir.

   Not

   Explainability çalıştırmasının tamamlanabilmesi yaklaşık 2-5 dakika sürer.

7. Açıklamalar (Önizleme) düğmesini seçin. Bu sekme, explainability çalıştırması tamamlandıktan sonra doldurulur.

8. Sol taraftaki bölmeyi genişletin ve Özellikler altında RAW belirten satırı seçin.

9. Sağdaki Toplam özellik önem sekmesini seçin. Bu grafik, seçilen modelin tahminlerini etkileyen veri özelliklerini gösterir.

   Bu örnekte, süre bu modelin tahminlerinin en çok etkisi olan şekilde görünür.

   

En iyi modeli dağıtma

Otomatik makine öğrenimi arabirimi, birkaç adımda Web hizmeti olarak en iyi modeli dağıtmanıza olanak tanır. Dağıtım, yeni verileri tahmin etmek ve potansiyel fırsat bölgelerini belirlemek için modelin Tümleştirmesidir.

Bu deneme için, bir Web hizmetine dağıtım, artık, potansiyel sabit depozito müşterilerinin tanımlanmasından sonra, mali kurumda yinelenen ve ölçeklenebilir bir Web çözümüne sahip olduğu anlamına gelir.

Denemenizin tamamlanıp tamamlanmamalarınızın olup olmadığını denetleyin. Bunu yapmak için, ekran üst kısmında Çalıştır 1'i seçerek üst çalıştırma sayfasına geri gidin. Ekranın sol üst kısmında Tamamlandı durumu gösterilir.

Deneme çalıştırması tamamlandıktan sonra Ayrıntılar sayfası En iyi model özeti bölümüyle doldurulur. Bu deneme bağlamında VotingEnsemble, veri tabanlı ölçüme göre en iyi AUC_weighted kabul edilir.

Bu modeli dağıtın ancak dağıtımın tamamlanması yaklaşık 20 dakika sürer. Dağıtım işlemi, modeli kaydetme, kaynak oluşturma ve web hizmeti için yapılandırma gibi çeşitli adımları içerir.

1. Modele özgü sayfayı açmak için VotingEnsemble öğesini seçin.

2. Sol üst tarafta Dağıt düğmesini seçin.

3. Model dağıtma bölmesini aşağıdaki gibi değiştirin:

   Alan	Değer
   Dağıtım adı	my-automl-deploy
   Dağıtım açıklaması	İlk otomatik makine öğrenmesi deneme dağıtımım
   İşlem türü	Örnek Azure İşlem (ACI) öğesini seçin
   Kimlik doğrulamayı etkinleştir	Devre dışı bırakmak.
   Özel dağıtımları kullanma	Devre dışı bırakmak. Varsayılan sürücü dosyasının (puanlama betiği) ve ortam dosyasının otomatik olarak oluşturulmaya olanak sağlar.

   Bu örnekte, Gelişmiş menüsünde sağlanan varsayılanları kullanıyoruz.

4. Dağıt'ı seçin.

   Çalıştırma ekranlarının üst kısmında yeşil bir başarı iletisi görüntülenir ve Model özeti bölmesinde, Dağıt durumu altında bir durum iletisi görüntülenir. Dağıtım durumunu kontrol etmek için Düzenli aralıklarla Yenile'yi seçin.

Artık tahminler oluşturmak için bir işletimsel web hizmetiniz var.

Yeni web hizmetinizi kullanma hakkında daha fazla bilgi edinmek ve yerleşik destek için Power BI kullanarak tahminlerinizi test Azure Machine Learning devam edin.

Kaynakları temizleme

Dağıtım dosyaları verilerden ve deneme dosyalardan daha büyük olduğu için depolama maliyeti daha fazladır. Hesabınıza maliyetleri en aza indirmek için veya çalışma alanınızı ve deneme dosyalarınızı tutmak için yalnızca dağıtım dosyalarını silin. Aksi takdirde, dosyalardan herhangi birini kullanmayı planlamayacaksanız kaynak grubunun tamamını silin.

Dağıtım örneğini silme

Diğer öğreticiler ve keşifler Azure Machine Learning kaynak grubunu ve çalışma alanını tutmak ml.azure.com/ https: /ml.azure.com/ adresinden yalnızca dağıtım / örneğini silin.

1. Azure Machine Learning. Çalışma alanınıza gidin ve sol tarafta Varlıklar bölmesinin altında Uç Noktalar'ı seçin.

2. Silmek istediğiniz dağıtımı seçin ve Sil'i seçin.

3. Devam'ı seçin.

Kaynak grubunu silme

Oluşturduğunuz kaynakları kullanmayı planlamıyorsanız, herhangi bir ücret ödemeden bu şekilde silin:

1. Azure portalının en sol tarafındaki Kaynak gruplarını seçin.

2. Listeden oluşturduğunuz kaynak grubunu seçin.

3. Kaynak grubunu sil'i seçin.

   

4. Kaynak grubu adını girin. Ardından Sil’i seçin.

Sonraki adımlar

Bu otomatik makine öğrenmesi öğreticisinde, Azure Machine Learning modeli oluşturmak ML için ML otomatik makine öğrenmesi arabirimini kullandın. Daha fazla bilgi ve sonraki adımlar için şu makalelere bakın:

• Otomatik makine öğrenmesi hakkında daha fazla bilgi.
• Sınıflandırma ölçümleri ve grafikleri hakkında daha fazla bilgi için Otomatik makine öğrenmesi sonuçlarını anlama makalesine bakın.
• Featurization hakkında daha fazla bilgi.
• Veri profili oluşturma hakkında daha fazla bilgi.