Tutorial: Previsión de la demanda mediante el aprendizaje automático automatizado sin código en Estudio de Azure Machine Learning

Aprenda a crear un modelo de previsión de series temporales sin escribir una sola línea de código mediante el aprendizaje automático automatizado en Estudio de Azure Machine Learning. Este modelo predice la demanda de alquiler de un servicio de uso compartido de bicicletas.

No escribirá ningún código en este tutorial. En su lugar, utilizas la interfaz de Studio para llevar a cabo el entrenamiento. Aprenderá a realizar las siguientes tareas:

Para probar el aprendizaje automático automatizado para otros tipos de modelos, consulte:

• Para ver un ejemplo sin código de un modelo de clasificación, consulte Tutorial: Creación de un modelo de clasificación con aprendizaje automático automatizado en Azure Machine Learning.
• Para obtener un ejemplo de código primero de un modelo de detección de objetos, consulte Tutorial: Entrenamiento de un modelo de detección de objetos con AutoML y Python.

Prerrequisitos

• Un área de trabajo de Azure Machine Learning. Consulte Creación de recursos del área de trabajo.

• Descargue el archivo de datos bike-no.csv .

Inicie sesión en Azure Machine Learning Studio

En este tutorial, va a crear una ejecución de experimento de ML automatizado en Azure Machine Learning Studio. Estudio de Azure Machine Learning es una interfaz web consolidada que incluye herramientas de aprendizaje automático para realizar escenarios de ciencia de datos para profesionales de ciencia de datos de todos los niveles de aptitudes.

1. Inicie sesión en Azure Machine Learning Studio.

2. Seleccione la suscripción y el área de trabajo que ha creado.

Creación de un experimento

1. En la sección Creación del menú de la izquierda, seleccione Ml automatizado:

   

2. Seleccione Nuevo trabajo de AutoML para iniciar el proceso de envío de un trabajo de AutoML.

   De forma predeterminada, el proceso selecciona la opción Entrenar automáticamente en la pestaña Método de entrenamiento y continúa con los valores de configuración.

3. En la pestaña Configuración básica, escriba los valores de los ajustes necesarios, incluidos el nombre del trabajo y el nombre del experimento. Para este tutorial, use automl-bikeshare como nombre del experimento. También puede especificar los valores de los ajustes opcionales, como prefiera.

4. Seleccione Siguiente para continuar.

Configuración del tipo de tarea y el conjunto de datos

En la pestaña Tipo de tarea y datos , especifique el recurso de datos para el experimento y el modelo de aprendizaje automático que se va a usar para entrenar los datos. En este tutorial, use el archivo bike-no.csv . Si no ha descargado el archivo, descárguelo ahora.

1. En el formulario Tipo de tarea y datos , seleccione Previsión de series temporales como tipo de tarea.

2. Seleccione Crear para crear un nuevo recurso de datos desde el archivo descargado.

3. En la página Tipo de datos , escriba un nombre para el conjunto de datos y proporcione una descripción opcional. Establezca el tipo de conjunto de datos en Tabular. Seleccione Siguiente para continuar.

4. En la página Origen de datos, seleccione Desde archivos locales.

Las opciones adicionales aparecen en el menú izquierdo para configurar el origen de datos.

1. Seleccione Siguiente para continuar con la página Tipo de almacenamiento de destino, donde se especifica la ubicación de Azure Storage para cargar el recurso de datos.

   1. Para el Tipo de almacén de datos, seleccione Azure Blob Storage.
   2. En la lista de almacenes de datos, seleccione el almacén de datos predeterminado que el proceso de creación del área de trabajo configura automáticamente: workspaceblobstore.
   3. Seleccione Next (Siguiente).

2. En la página Selección de archivos y carpetas , use el menú desplegable Cargar archivos o carpetas y seleccione la opción Cargar archivos .

   1. Seleccione el archivo bike-no.csv de su equipo local. Este archivo es el que descargó como requisito previo.

   2. Después de cargar los archivos, seleccione Siguiente.

3. Compruebe los datos cargados en la página Configuración para obtener precisión. Los campos de la página se rellenan previamente en función del tipo de archivo de los datos:

   Campo	Descripción	Valor del tutorial
   Formato de archivo	Define el diseño y el tipo de datos almacenados en un archivo.	Delimitado
   Delimitador	Uno o más caracteres para especificar el límite entre regiones independientes en texto sin formato u otros flujos de datos.	Coma
   Codificación	Identifica qué tabla de esquema de bits a caracteres se usa para leer el conjunto de datos.	UTF-8
   Encabezados de columna	Indica cómo se tratan los encabezados del conjunto de datos, si existen.	Solo el primer archivo tiene encabezados
   Omitir filas	Indica el número de filas, si hay alguna, que se omiten en el conjunto de datos.	Ninguno

4. Seleccione Siguiente para continuar con la página Esquema. Esta página también se rellena previamente en función de las selecciones de Configuración.

   1. En este tutorial, elija omitir las columnas casuales y registradas . Estas columnas son un desglose de la columna cnt , por lo que no las incluya.

   2. Además, en este tutorial, deje los valores predeterminados de Propiedades y Tipo.

   3. Seleccione Siguiente para continuar con la página Revisar y crear .

5. Revise la configuración del recurso de datos. Si todo tiene buen aspecto, seleccione Crear para crear el recurso de datos.

Configuración de las opciones de tarea y previsión

Cuando el recurso de datos esté listo, Machine Learning studio vuelve a la pestaña Tipo de tarea y datos para el proceso enviar un trabajo de ML automatizado. El nuevo recurso de datos aparece en la página.

Siga estos pasos para completar la configuración del trabajo:

1. Expanda el menú desplegable Seleccionar tipo de tarea y elija Previsión de series temporales.

2. Después de especificar el modelo de entrenamiento, seleccione el conjunto de datos en la lista. Seleccione Siguiente para continuar con la pestaña Configuración de la tarea.

3. En la lista desplegable Columna de destino, seleccione la columna cnt que se va a usar para las predicciones del modelo.

4. Seleccione date (fecha) como Time column (Columna de hora) y deje Time series identifiers (Identificadores de serie temporal) en blanco.

5. La frecuencia es la frecuencia con la que se recopilan los datos históricos. Mantenga seleccionada detección automática.

6. El horizonte de previsión es la longitud de tiempo en el futuro que se quiere predecir. Desactive Detección automática y escriba 14 en el campo.

7. Deje Habilitar el aprendizaje profundo deseleccionada.

8. Seleccione View additional configuration settings (Ver opciones de configuración adicionales) y rellene los campos como se indica a continuación. Estos ajustes te ayudan a controlar mejor el trabajo de entrenamiento y a especificar los ajustes de tu previsión. De lo contrario, los valores predeterminados se aplican en función de la selección y los datos del experimento.

   Configuraciones adicionales	Descripción	Valor del tutorial
   Métrica principal	Métrica de evaluación por la que se mide el algoritmo de aprendizaje automático.	Error cuadrático medio normalizado
   Explicación del mejor modelo	Muestra automáticamente la explicabilidad del mejor modelo creado mediante aprendizaje automático automatizado.	Habilitar
   Modelos bloqueados	Algoritmos que desea excluir del trabajo de entrenamiento.	Árboles aleatorios extremos
   Ajustes adicionales de pronóstico	Esta configuración ayuda a mejorar la precisión del modelo. Retardos de la variable objetivo de previsión: hasta cuántos períodos atrás desea crear los retardos de la variable objetivo Ventana móvil de destino: especifica el tamaño de la ventana móvil sobre la que se generan características, como el max, el min y la sum.	Retrasos de objetivo de previsión: Ninguno Tamaño de la ventana móvil de objetivo: Ninguno
   Límites	Si se cumple un criterio, el trabajo de entrenamiento se detiene.	Pruebas simultáneas máximas: 6 Umbral de puntuación de métrica: Ninguno Tiempo de espera del experimento (minutos): 180

9. En el formulario [Opcional] Validar y probar :

   1. Seleccione la validación cruzada k-fold como tipo de validación.

   2. Seleccione 5 como número de validaciones cruzadas.

10. Seleccione Guardar.

Configuración del destino de proceso

Después de cargar y configurar los datos, configure el destino de proceso remoto.

1. Rellene el formulario Compute como se indica a continuación:

   1. Use la lista desplegable Seleccionar tipo de proceso para seleccionar el clúster de proceso como tipo de proceso.

   2. Seleccione +Nuevo para configurar el destino de proceso. ML automatizado solo admite el proceso de Azure Machine Learning.

      1. Rellene el formulario Seleccionar máquina virtual para configurar los recursos de proceso:

         Campo	Descripción	Valor del tutorial
         Nivel de máquina virtual	Seleccione qué prioridad debe tener el experimento.	Dedicado
         Tipo de máquina virtual	Seleccione el tipo de máquina virtual para su capacidad de cómputo	CPU (Unidad central de procesamiento)
         Tamaño de la máquina virtual	Seleccione el tamaño de la máquina virtual para el proceso. Se proporciona una lista de los tamaños recomendados en función de los datos y el tipo de experimento.	Standard_DS12_V2

      2. Seleccione Siguiente para rellenar el formulario Configurar opciones :

         Campo	Descripción	Valor del tutorial
         Nombre de cómputo	Un nombre único que identifica el contexto de cómputo.	bike-compute
         Nodos mín./máx.	Para generar perfiles de datos, debe especificar uno o más nodos.	Número mínimo de nodos: 1 Número máximo de nodos: 6
         Segundos de inactividad antes de reducir la escala	Tiempo de inactividad antes de que el clúster se reduzca verticalmente de manera automática hasta el número mínimo de nodos.	120 (valor predeterminado)
         Configuración avanzada	Valores para configurar y autorizar una red virtual para el experimento.	Ninguno

      3. Seleccione Crear para crear el destino de proceso.

         Este paso tarda un par de minutos en completarse.

      4. Después de la creación, seleccione el nuevo destino de proceso en la lista desplegable.

   3. Seleccione Siguiente para continuar con la página Revisar. Revise el resumen de los ajustes de configuración para el trabajo.

Ejecutar experimento

Para ejecutar el experimento, seleccione Enviar trabajo de entrenamiento. Se abre la pantalla Detalles del trabajo con el Estado del trabajo en la parte superior junto al número de trabajo. Este estado se actualiza a medida que el experimento progresa. Las notificaciones también aparecen en la esquina superior derecha del estudio para informarle del estado del experimento.

Exploración de modelos

Vaya a la pestaña Models y trabajos secundarios para ver los algoritmos (modelos) probados. De forma predeterminada, los modelos se ordenan por puntuación de las métricas a medida que se completan. En este tutorial, el modelo que puntúa el más alto en función de la métrica de error cuadrático medio normalizado elegida aparece en la parte superior de la lista.

Mientras espera a que terminen todos los modelos del experimento, seleccione Algorithm name (Nombre de algoritmo) de un modelo completado para explorar los detalles de rendimiento.

En el ejemplo siguiente se muestra cómo seleccionar un modelo en la lista de modelos creados por el trabajo. A continuación, seleccione las pestañas Información general y Métricas para ver las propiedades, las métricas y los gráficos de rendimiento del modelo seleccionado.

Implementación del modelo

El aprendizaje automático automatizado en Estudio de Azure Machine Learning le ayuda a implementar el mejor modelo en un punto de conexión en línea en tiempo real en unos pocos pasos. La implementación es la integración del modelo para que pueda predecir datos nuevos e identificar posibles áreas de oportunidad.

Para este experimento, la implementación en un punto de conexión en tiempo real significa que la empresa de recursos compartidos de bicicletas ahora tiene una solución web escalable para la previsión de la demanda de alquiler de recursos compartidos de bicicletas.

Al implementar desde la página ML automatizado, no es necesario preparar un script de evaluación ni un entorno. Azure Machine Learning genera automáticamente y hospeda el modelo en un punto de conexión en línea totalmente administrado.

Cuando finalice el trabajo, seleccione Trabajo 1 en la parte superior de la pantalla para volver a la página del trabajo primario.

En la sección Best model summary (Resumen del mejor modelo), se selecciona el mejor modelo en el contexto de este experimento en función de la métrica Normalized root mean squared error (Error cuadrático medio normalizado ).

Implemente este modelo. La implementación tarda unos minutos en completarse. El proceso de implementación registra el modelo, genera automáticamente el script de puntuación y el entorno, y aprovisiona el punto de conexión en línea.

1. Seleccione el mejor modelo para abrir la página específica del modelo.

2. Seleccione Implementar>Punto de conexión en tiempo real.

   Azure Machine Learning genera el modelo y el entorno necesarios para la implementación.

3. En el asistente de implementación, especifique los siguientes valores. Mantenga los valores predeterminados de los campos que no se muestran.

   Campo	Importancia
   Nombre del punto final	Escriba un nombre único, como bikeshare-endpoint.
   Nombre del despliegue	Escriba un nombre, como bikeshare-deploy.
   Máquina virtual	Mantenga el tamaño de máquina virtual predeterminado recomendado.
   Recuento de instancias	1
   Tipo de autenticación	Mantenga el valor predeterminado (autenticación basada en claves).

4. Complete los pasos restantes del asistente y, a continuación, seleccione Implementar.

   Una notificación confirma que la implementación se inició correctamente. Realice un seguimiento del progreso en el panel Resumen del modelo en Estado de implementación.

Cuando el despliegue se completa correctamente, dispondrá de un endpoint en tiempo real operativo que genera predicciones.

Para más información sobre cómo consumir el nuevo punto de conexión y probar las predicciones mediante la compatibilidad integrada de Power BI Azure Machine Learning, consulte Pasos siguientes.

Para obtener más opciones de implementación, incluido el SDK de CLI de Azure y Python, consulte Implementación de un modelo de AutoML en un punto de conexión en línea.

Limpieza de recursos

Los archivos de implementación son mayores que los archivos de datos y del experimento, por lo que cuesta más almacenarlos. Elimine solo los archivos de implementación para minimizar costos en su cuenta y si desea conservar el área de trabajo y los archivos del experimento. De lo contrario, elimine todo el grupo de recursos si no tiene previsto usar ninguno de los archivos.

Eliminación del punto de conexión en tiempo real

Si desea mantener el grupo de recursos y el área de trabajo para otros tutoriales y exploración, elimine solo el punto de conexión en tiempo real de Estudio de Azure Machine Learning. Al eliminar el punto de conexión también se elimina su implementación asociada.

1. Vaya a Azure Machine Learning Studio. Vaya al área de trabajo y, a la izquierda, en el panel Assets (Recursos), seleccione Endpoints (Puntos de conexión).

2. Seleccione el punto de conexión que desea eliminar y seleccione Eliminar.

3. Seleccione Continuar.

Eliminar el grupo de recursos

Si no va a usar ninguno de los recursos que ha creado, elimínelos para no incurrir en cargos:

1. En Azure Portal, en el cuadro de búsqueda, escriba Grupos de recursos y selecciónelo en los resultados.

2. En la lista, seleccione el grupo de recursos que creó.

3. En la página Información general, seleccione Eliminar grupo de recursos.

   

4. Escriba el nombre del grupo de recursos. A continuación, seleccione Eliminar.

Pasos siguientes

En este tutorial se ha usado ML automatizado en Azure Machine Learning Studio para crear e implementar un modelo de previsión de series temporales que prediga la demanda de alquiler de bicicletas.

• Más información acerca del aprendizaje automático automatizado.
• Para más información sobre las métricas de clasificación y los gráficos, consulte el artículo de descripción de los resultados de aprendizaje automático automatizado.
• Más información sobre las preguntas más frecuentes sobre la previsión.