Lernprogramm: Prognose der Nachfrage mithilfe von automatisiertem maschinellem Lernen ohne Code in Azure Machine Learning Studio

Erfahren Sie, wie Sie ein Zeitreihen-Prognosemodell erstellen, ohne eine einzelne Codezeile zu schreiben, indem Sie automatisiertes maschinelles Lernen in Azure Machine Learning Studio verwenden. Mit diesem Modell wird die Mietnachfrage für einen Bike-Sharing-Dienst vorhergesagt.

In diesem Tutorial schreiben Sie keinen Code. Stattdessen verwenden Sie die Studioschnittstelle, um Schulungen durchzuführen. Sie lernen, wie Sie die folgenden Aufgaben ausführen:

Informationen zum automatisierten Maschinellen Lernen für andere Modelltypen finden Sie unter:

• Ein Beispiel ohne Code für ein Klassifizierungsmodell finden Sie unter Tutorial: Erstellen eines Klassifizierungsmodells mit automatisiertem maschinellem Lernen in Azure Machine Learning.
• Ein Codebeispiel für ein Objekterkennungsmodell finden Sie im Lernprogramm: Trainieren eines Objekterkennungsmodells mit AutoML und Python.

Voraussetzungen

• Ein Azure Machine Learning-Arbeitsbereich. Siehe Erstellen von Arbeitsbereichsressourcen.

• Laden Sie die bike-no.csv Datendatei herunter.

Beim Studio anmelden

In diesem Lernprogramm erstellen Sie Ihr automatisiertes ML-Experiment in Azure Machine Learning Studio. Azure Machine Learning Studio ist eine konsolidierte Webschnittstelle, die Machine Learning-Tools umfasst, um Data Science-Szenarien für Data Science-Experten aller Qualifikationsstufen durchzuführen.

1. Melden Sie sich bei Azure Machine Learning Studio an.

2. Wählen Sie Ihr Abonnement und den erstellten Arbeitsbereich aus.

Erstellen eines Experiments

1. Wählen Sie im Abschnitt " Dokumenterstellung " im linken Menü "Automatisierte ML" aus:

   

2. Wählen Sie Neuer Automated ML-Auftrag aus, um den Vorgang Senden eines automatisierten ML-Auftrags zu starten.

   Standardmäßig wählt der Prozess die Option Automatisch Trainieren auf der Registerkarte Trainingsmethode aus und setzt die Konfigurationseinstellungen fort.

3. Geben Sie auf der Registerkarte Standardeinstellungen Werte für die erforderlichen Einstellungen ein, einschließlich des Namens des Auftrags und des Experiments. Verwenden Sie für dieses Tutorial automl-bikeshare als Namen für das Experiment. Sie können wenn gewünscht auch Werte für die optionalen Einstellungen angeben.

4. Wählen Sie Weiter aus, um fortzufahren.

Konfigurieren des Aufgabentyps und des Datasets

Geben Sie auf der Registerkarte " Vorgangstyp und Daten " die Datenressource für das Experiment und das Machine Learning-Modell an, das zum Trainieren der Daten verwendet werden soll. Verwenden Sie in diesem Lernprogramm die bike-no.csv Datei. Wenn Sie die Datei nicht heruntergeladen haben, laden Sie sie jetzt herunter.

1. Wählen Sie im Formular "Vorgangstyp" und "Datenformular" die Option "Zeitreihenvorhersage" als Vorgangstyp aus.

2. Wählen Sie "Erstellen" aus, um eine neue Datenressource aus der heruntergeladenen Datei zu erstellen.

3. Geben Sie auf der Seite "Datentyp " einen Namen für Ihr Dataset ein, und geben Sie eine optionale Beschreibung an. Legen Sie den Datasettyp auf "Tabellarisch" fest. Wählen Sie Weiter aus, um fortzufahren.

4. Wählen Sie auf der Seite DatenquelleAus lokalen Dateien aus.

Weitere Optionen werden im linken Menü angezeigt, damit Sie die Datenquelle konfigurieren können.

1. Wählen Sie Weiter aus, um auf der Seite Zielspeichertyp fortzufahren, auf der Sie den Azure Storage-Speicherort angeben, um Ihre Datenressource hochzuladen.

   1. Wählen Sie unter Datenspeichertyp die Option Azure Blob Storage aus.
   2. Wählen Sie in der Liste der Datenspeicher den Standarddatenspeicher aus, den der Arbeitsbereicherstellungsprozess automatisch einrichtet: workspaceblobstore.
   3. Wählen Sie Weiter aus.

2. Verwenden Sie auf der Seite "Datei- und Ordnerauswahl " das Dropdownmenü " Dateien oder Ordner hochladen ", und wählen Sie die Option " Dateien hochladen " aus.

   1. Wählen Sie auf Ihrem lokalen Computer die Datei bike-no.csv aus. Diese Datei ist die Datei, die Sie als Voraussetzung heruntergeladen haben.

   2. Wählen Sie nach dem Hochladen der Dateien Weiter aus.

3. Überprüfen Sie ihre hochgeladenen Daten auf der Seite "Einstellungen " auf Genauigkeit. Die Felder auf der Seite werden basierend auf dem Dateityp Ihrer Daten vorab aufgefüllt:

   Feld	BESCHREIBUNG	Wert für das Tutorial
   Dateiformat	Definiert das Layout und den Typ der in einer Datei gespeicherten Daten.	Durch Trennzeichen getrennt
   Trennzeichen	Ein oder mehrere Zeichen zur Angabe der Grenze zwischen getrennten, unabhängigen Bereichen in Klartext oder anderen Datenströmen.	Komma
   Codieren	Gibt an, welche Bit-zu-Zeichen-Schematabelle verwendet werden soll, um Ihr Dataset zu lesen.	UTF-8
   Spaltenüberschriften	Gibt an, wie die Header des Datasets, sofern vorhanden, behandelt werden.	Nur erste Datei enthält Header
   Zeilen überspringen	Gibt an, wie viele Zeilen im Dataset übersprungen werden.	Keine

4. Wählen Sie Weiter aus, um auf der Seite Schema fortzufahren. Diese Seite wird auch basierend auf Ihren Einstellungen vorab befüllt.

   1. Wählen Sie für dieses Lernprogramm aus, die ungezwungenen und registrierten Spalten zu ignorieren. Bei diesen Spalten handelt es sich um eine Aufschlüsselung der Spalte "cnt ", sodass sie nicht eingeschlossen werden.

   2. Lassen Sie auch für dieses Tutorial die Standardwerte für die Eigenschaften und den Typ.

   3. Wählen Sie "Weiter" aus, um mit der Seite " Überprüfen + Erstellen " fortzufahren.

5. Überprüfen Sie die Einstellungen für Ihre Datenressource. Wenn alles gut aussieht, wählen Sie "Erstellen" aus, um die Datenressource zu erstellen.

Konfigurieren von Vorgangs- und Prognoseeinstellungen

Wenn die Datenressource bereit ist, kehrt Machine Learning Studio zur Registerkarte Aufgabentyp & Daten für den Prozess Automatisierten ML-Auftrag übermitteln zurück. Die neue Datenressource wird auf der Seite angezeigt.

Führen Sie die folgenden Schritte aus, um die Auftragskonfiguration abzuschließen:

1. Erweitern Sie das Dropdownmenü " Vorgangstyp auswählen ", und wählen Sie "Zeitreihenprognose" aus.

2. Nachdem Sie das Schulungsmodell angegeben haben, wählen Sie ihr Dataset in der Liste aus. Wählen Sie Weiter aus, um mit der Registerkarte Vorgangseinstellungen fortzufahren.

3. Wählen Sie in der Dropdownliste " Zielspalte " die Spalte "cnt " aus, die für die Modellvorhersagen verwendet werden soll.

4. Wählen Sie date als Zeitspalte aus, und lassen Sie Zeitreihenkennungen leer.

5. Die Häufigkeit gibt an, wie oft Ihre Verlaufsdaten gesammelt werden. Lassen Sie Automatische Erkennung ausgewählt.

6. Forecast horizon (Vorhersagehorizont) ist die Zeitspanne für die Zukunftsprognose. Deaktivieren Sie Automatische Erkennung und geben Sie „14“ in das Feld ein.

7. Lassen Sie Deep Learning aktivieren deaktiviert.

8. Klicken Sie auf Zusätzliche Konfigurationseinstellungen anzeigen, und füllen Sie die Felder wie folgt aus. Diese Einstellungen helfen Ihnen, den Schulungsauftrag besser zu steuern und Einstellungen für Ihre Prognose anzugeben. Andernfalls werden die Standardwerte auf Basis der Experimentauswahl und -daten angewendet.

   Zusätzliche Konfigurationen	BESCHREIBUNG	Wert für das Tutorial
   Primäre Metrik	Auswertungsmetrik, von der der Maschinelle Lernalgorithmus gemessen wird.	Normalisierte Wurzel der mittleren quadratischen Abweichung (RMSE)
   Explain best model (Bestes Modell erläutern)	Zeigt automatisch die Erklärbarkeit für das beste Modell an, das durch automatisiertes ML erstellt wurde.	Aktivieren
   Blockierte Modelle	Algorithmen, die Sie aus den Trainingsauftrag ausschließen möchten.	„Extreme Random Trees“ (Extreme Zufallsstrukturen)
   Zusätzliche Vorhersageeinstellungen	Diese Einstellungen tragen dazu bei, die Genauigkeit des Modells zu verbessern. Prognosezielverzögerungen: Wie weit zurück Sie die Verzögerungen der Zielvariablen erstellen möchten Zielfenster: Gibt die Größe des rollierenden Fensters an, über das Features wie max, min und sum generiert werden.	Verzögerungen des Prognoseziels: Keine Zielgröße für gleitendes Fenster: Keine
   Limits	Wenn ein Kriterium erfüllt ist, stoppt der Schulungsauftrag.	Max. gleichzeitige Testläufe: 6 Schwellenwert für Metrikwert: Keiner Zeitlimit für das Experiment (Minuten): 180

9. Im Formular [Optional] Validieren und testen:

   1. Wählen Sie die k-fache Kreuzvalidierung als Validierungstyp aus.

   2. Wählen Sie "5 " als Anzahl der Kreuzüberprüfungen aus.

10. Wählen Sie Speichern aus.

Konfigurieren Sie das Rechenziel

Nachdem Sie Ihre Daten geladen und konfiguriert haben, richten Sie Ihr Remotecomputeziel ein.

1. Füllen Sie das Computeformular wie folgt auf:

   1. Verwenden Sie die Dropdownliste " Computetyp auswählen", um computecluster als Computetyp auszuwählen.

   2. Wählen Sie +Neu aus, um Ihr Rechenziel zu konfigurieren. Automated ML unterstützt nur Azure Machine Learning-Compute.

      1. Füllen Sie das Formular „Virtuelle Maschine auswählen“ aus, um Ihre Rechenressource einzurichten:

         Feld	BESCHREIBUNG	Wert für das Tutorial
         Stufe der VM	Wählen Sie aus, welche Priorität ihr Experiment aufweisen soll.	Dediziert
         Typ des virtuellen Computers	Wählen Sie den Typ der virtuellen Maschine für Ihre Rechenressource aus.	CPU (Zentralprozessor)
         Größe des virtuellen Computers	Wählen Sie die Größe der virtuellen Maschine für Ihre Computeressource aus. Eine Liste der empfohlenen Größen wird auf der Grundlage Ihrer Daten und des Experimenttyps bereitgestellt.	Standard_DS12_V2

      2. Wählen Sie "Weiter" aus, um das Formular "Einstellungen konfigurieren " aufzufüllen:

         Feld	BESCHREIBUNG	Wert für das Tutorial
         Name der Recheninstanz	Ein eindeutiger Name, der Ihren Rechenkontext identifiziert.	bike-compute
         Min / Max Knoten	Um ein Datenprofil zu erstellen, müssen Sie mindestens einen Knoten angeben.	Minimale Knotenanzahl: 1 Max. Knoten: 6
         Leerlaufzeit in Sekunden vor dem Herunterskalieren	Leerlaufzeit vor dem automatischen Herunterskalieren des Clusters auf die minimale Knotenanzahl	120 (Standardwert)
         Erweiterte Einstellungen	Einstellungen zum Konfigurieren und Autorisieren eines virtuellen Netzwerks für Ihr Experiment	Keine

      3. Wählen Sie Erstellen aus, um das Rechenziel zu erstellen.

         Dieser Schritt dauert ein paar Minuten, bis er abgeschlossen ist.

      4. Wählen Sie nach dem Erstellen Ihr neues Computeziel aus der Dropdownliste aus.

   3. Wählen Sie Weiter aus, um mit der Seite Überprüfen fortzufahren. Überprüfen Sie die Zusammenfassung Ihrer Konfigurationseinstellungen für den Auftrag.

Ausführen des Experiments

Um Ihr Experiment auszuführen, wählen Sie "Schulungsauftrag übermitteln" aus. Im daraufhin geöffneten Bildschirm Auftragsdetails wird oben neben der Auftragsnummer der Auftragsstatus angezeigt. Dieser Status wird im Verlauf des Experiments aktualisiert. Benachrichtigungen werden auch in der oberen rechten Ecke des Studios angezeigt, um Sie über den Status Ihres Experiments zu informieren.

Untersuchen von Modellen

Navigieren Sie zur Registerkarte Modelle + untergeordnete Aufträge, um die getesteten Algorithmen (Modelle) anzuzeigen. Standardmäßig werden die Modelle nach ihrem Metrikwert sortiert, sobald sie abgeschlossen sind. In diesem Tutorial steht das Modell, das basierend auf der ausgewählten Metrik Normalized root mean squared error die höchste Bewertung erzielt, oben in der Liste.

Während Sie auf den Abschluss aller Experimentmodelle warten, können Sie den Algorithmusnamen eines abgeschlossenen Modells auswählen und sich die zugehörigen Leistungsdetails ansehen.

Das folgende Beispiel zeigt die Auswahl eines Modells aus der Liste der Modelle, die der Auftrag erstellt hat. Anschließend wählen Sie die Registerkarten "Übersicht" und "Metriken " aus, um die Eigenschaften, Metriken und Leistungsdiagramme des ausgewählten Modells anzuzeigen.

Stellen Sie das Modell bereit

Automatisiertes maschinelles Lernen in Azure Machine Learning Studio hilft Ihnen, das beste Modell in einem Echtzeit-Online-Endpunkt in wenigen Schritten bereitzustellen. Bei der Bereitstellung handelt es sich um die Integration des Modells, sodass neue Daten vorhergesagt und potenzielle Verkaufschancen identifiziert werden können.

Für dieses Experiment bedeutet die Bereitstellung an einem Echtzeitendpunkt, dass das Fahrradfreigabeunternehmen jetzt über eine skalierbare Weblösung für die Prognose der Nachfrage nach Fahrradfreigaben verfügt.

Wenn Sie über die Seite "Automatisierte ML " bereitstellen, müssen Sie kein Bewertungsskript oder eine Umgebung vorbereiten. Azure Machine Learning generiert beides automatisch und hostet das Modell auf einem vollständig verwalteten Onlineendpunkt.

Wenn der Auftrag abgeschlossen ist, wählen Sie "Auftrag 1 " am oberen Rand des Bildschirms aus, um zur übergeordneten Auftragsseite zurückzukehren.

Im Abschnitt „Zusammenfassung des besten Modells“ wird das beste Modell im Kontext dieses Experiments anhand der Metrik „normalisierter mittlerer quadratischer Fehler“ ausgewählt.

Stellen Sie dieses Modell bereit. Die Bereitstellung dauert einige Minuten. Der Bereitstellungsprozess registriert das Modell, generiert automatisch das Bewertungsskript und die Umgebung und stellt den Onlineendpunkt bereit.

1. Wählen Sie das beste Modell aus, um die modellspezifische Seite zu öffnen.

2. Wählen Sie Bereitstellen>Echtzeitendpunkt aus.

   Azure Machine Learning generiert das Modell und die Umgebung, die für die Bereitstellung erforderlich ist.

3. Geben Sie im Bereitstellungs-Assistenten die folgenden Werte an. Behalten Sie die Standardwerte für alle Felder bei, die nicht aufgeführt sind.

   Feld	Wert
   Endpunktname	Geben Sie einen eindeutigen Namen ein, z. B. bikeshare-endpoint.
   Bereitstellungsname	Geben Sie einen Namen ein, z. B. bikeshare-deploy.
   Virtuelle Maschine	Behalten Sie die empfohlene Standardgröße des virtuellen Computers bei.
   Instanzanzahl	1
   Authentifizierungsart	Behalten Sie die Standardauthentifizierung bei (schlüsselbasierte Authentifizierung).

4. Führen Sie die verbleibenden Schritte im Assistenten aus, und wählen Sie dann "Bereitstellen" aus.

   Eine Benachrichtigung bestätigt, dass die Bereitstellung erfolgreich gestartet wurde. Verfolgen Sie den Fortschritt im Bereich "Modellzusammenfassung " unter "Bereitstellungsstatus".

Wenn die Bereitstellung erfolgreich ist, verfügen Sie über einen betriebsfähigen Echtzeitendpunkt, der Vorhersagen generiert.

Weitere Informationen dazu, wie Sie Ihren neuen Endpunkt verwenden und Ihre Vorhersagen mithilfe der integrierten Unterstützung von Azure Machine Learning in Power BI testen, finden Sie unter Nächste Schritte.

Weitere Bereitstellungsoptionen, einschließlich des Azure CLI und Python SDK, finden Sie unter Bereitstellen eines AutoML-Modells auf einem Onlineendpunkt.

Bereinigen von Ressourcen

Bereitstellungsdateien sind größer als Daten- und Experimentdateien, sodass ihre Speicherung teurer ist. Löschen Sie nur die Bereitstellungsdateien, um die Kosten für Ihr Konto zu minimieren, oder wenn Sie den Arbeitsbereich und die Experimentdateien beibehalten möchten. Löschen Sie andernfalls die gesamte Ressourcengruppe, wenn Sie keine der Dateien verwenden möchten.

Löschen des Echtzeitendpunkts

Wenn Sie die Ressourcengruppe und den Arbeitsbereich für andere Lernprogramme und -erkundungen beibehalten möchten, löschen Sie nur den Echtzeitendpunkt aus Azure Machine Learning Studio. Durch das Löschen des Endpunkts wird auch die zugehörige Bereitstellung gelöscht.

1. Navigieren Sie zu Azure Machine Learning Studio. Navigieren Sie zu Ihrem Arbeitsbereich, und wählen Sie links unter dem Bereich Ressourcen die Option Endpunkte aus.

2. Wählen Sie den Endpunkt aus, den Sie löschen möchten, und wählen Sie "Löschen" aus.

3. Wählen Sie Proceed (Fortfahren) aus.

Löschen der Ressourcengruppe

Wenn Sie die erstellten Ressourcen nicht mehr benötigen, löschen Sie diese, damit Ihnen keine Kosten entstehen:

1. Geben Sie im Azure-Portal den Suchbegriff Ressourcengruppen in das Suchfeld ein, und wählen Sie in den Ergebnissen die entsprechende Option aus.

2. Wählen Sie in der Liste die Ressourcengruppe aus, die Sie erstellt haben.

3. Wählen Sie auf der Seite Übersicht die Option Ressourcengruppe löschen aus.

   

4. Geben Sie den Ressourcengruppennamen ein. Wählen Sie anschließend die Option Löschen.

Nächste Schritte

In diesem Tutorial haben Sie automatisiertes ML in Azure Machine Learning Studio verwendet, um ein Zeitreihenvorhersagemodell zur Vorhersage der Mietnachfrage im Bike-Sharing-Bereich zu erstellen und bereitzustellen.

• Weitere Informationen zu automatisiertem Machine Learning.
• Weitere Informationen zu Klassifizierungsmetriken und Diagrammen finden Sie im Artikel Grundlegendes zu den Ergebnissen des automatisierten maschinellen Lernens.
• Weitere Informationen zu Häufig gestellten Fragen zu Prognosen.