Esercitazione: Prevedere la domanda usando Machine Learning automatizzato senza codice in studio di Azure Machine Learning

Informazioni su come creare un modello di previsione di serie temporali senza scrivere una singola riga di codice usando Machine Learning automatizzato in studio di Azure Machine Learning. Questo modello stima la domanda di noleggio per un servizio di bike sharing.

In questa esercitazione non è prevista la scrittura di codice. Invece, si usa l'interfaccia di Studio per eseguire l'addestramento. Si apprenderà come eseguire le attività seguenti:

Per provare Machine Learning automatizzato per altri tipi di modello, vedere:

• Per un esempio senza codice di un modello di classificazione, vedere Esercitazione: Creare un modello di classificazione con Machine Learning automatizzato in Azure Machine Learning.
• Per un esempio di codice di un modello di rilevamento oggetti, vedere Esercitazione: Eseguire il training di un modello di rilevamento oggetti con AutoML e Python.

Prerequisiti

• Un'area di lavoro di Azure Machine Learning. Vedere Creare le risorse dell'area di lavoro.

• Scaricare il file di dati bike-no.csv .

Accedere allo studio

Per questa esercitazione viene creato l'esperimento di Machine Learning automatizzato eseguito in studio di Azure Machine Learning. studio di Azure Machine Learning è un'interfaccia Web consolidata che include strumenti di Machine Learning per eseguire scenari di data science per professionisti dell'analisi scientifica dei dati di tutti i livelli di competenza.

1. Accedere a studio di Azure Machine Learning.

2. Seleziona la sottoscrizione e l'area di lavoro che hai creato.

Creare un esperimento

1. Nella sezione Creazione nel menu a sinistra selezionare Ml automatizzato:

   

2. Selezionare Nuovo processo di ML automatizzato per avviare il processo Invia un processo di ML automatizzato.

   Per impostazione predefinita, il processo seleziona l'opzione Esegui training automaticamente nella scheda Metodo di training e continua con le impostazioni di configurazione.

3. Nella scheda Impostazioni di base, immettere i valori per le impostazioni richieste, inclusi il nome del Processo e il nome dell'Esperimento. Per questa esercitazione, usare automl-bikeshare come nome dell'esperimento. È anche possibile specificare i valori per le impostazioni facoltative, come desiderato.

4. Seleziona Avanti per continuare.

Configurare il tipo di attività e il set di dati

Nella scheda Tipo di attività e dati specificare l'asset di dati per l'esperimento e il modello di Machine Learning da usare per eseguire il training dei dati. In questa esercitazione usare il file bike-no.csv . Se il file non è stato scaricato, scaricarlo ora.

1. Nel modulo Tipo di attività e dati selezionare Previsione serie temporale come tipo di attività.

2. Selezionare Crea per creare un nuovo asset di dati dal file scaricato.

3. Nella pagina Tipo di dati immettere un nome per il set di dati e specificare una descrizione facoltativa. Impostare il tipo di set di dati su Tabulare. Seleziona Avanti per continuare.

4. Nella pagina Origine dati, selezionare Da file locali.

Nel menu a sinistra vengono visualizzate opzioni aggiuntive per configurare l'origine dati.

1. Selezionare Avanti per passare alla pagina Tipo di archiviazione di destinazione, in cui si specifica il percorso di Archiviazione di Azure per caricare l'asset di dati.

   1. Per Tipo di archivio dati, selezionare Archiviazione BLOB di Azure.
   2. Nell'elenco degli archivi dati selezionare l'archivio dati predefinito configurato automaticamente dal processo di creazione dell'area di lavoro: workspaceblobstore.
   3. Selezionare Avanti.

2. Nella pagina Selezione file e cartelle usare il menu a discesa Carica file o cartelle e selezionare l'opzione Carica file .

   1. Scegliere il file bike-no.csv nel computer locale. Questo file è quello scaricato come prerequisito.

   2. Dopo il caricamento dei file, selezionare Avanti.

3. Controllare i dati caricati nella pagina Impostazioni per verificare l'accuratezza. I campi nella pagina vengono precompilati in base al tipo di file dei dati:

   Campo	Descrizione	Valore per il tutorial
   Formato del file	Definisce il layout e il tipo di dati archiviati in un file.	delimitato
   Delimitatore	Uno o più caratteri per specificare il limite tra aree distinte indipendenti in testo normale o altri flussi di dati.	Virgola
   Codifica	Identifica la tabella dello schema bit-carattere da usare per leggere il set di dati.	UTF-8
   Intestazioni di colonna	Indica come verranno considerate le intestazioni del set di dati, se presenti.	Solo il primo file ha intestazioni
   Ignora righe	Indica quante righe vengono eventualmente ignorate nel set di dati.	Nessuno

4. Selezionare Avanti per continuare con la pagina Schema. Anche questa pagina è precompilata in base alle selezioni delle Impostazioni.

   1. Per questa esercitazione, scegliere di ignorare le colonne casuali e registrate . Queste colonne sono una suddivisione della colonna cnt , quindi non includerle.

   2. Per questa esercitazione, lasciare le impostazioni predefinite per Proprietà e Tipo.

   3. Selezionare Avanti per continuare con la pagina Rivedi e crea .

5. Rivedere le impostazioni della risorsa di dati. Se tutto sembra corretto, selezionare Crea per creare l'asset di dati.

Configurare le impostazioni di attività e previsione

Quando l'asset di dati è pronto, Machine Learning Studio torna alla scheda Tipo di attività e dati per il processo di invio di un processo di Machine Learning automatizzato. Il nuovo asset di dati viene visualizzato nella pagina.

Per completare la configurazione del processo, seguire questa procedura:

1. Espandere il menu a discesa Seleziona tipo di attività e scegliere Previsione serie temporali.

2. Dopo aver specificato il modello di training, selezionare il set di dati nell'elenco. Selezionare Avanti per continuare con la scheda Impostazioni attività.

3. Nell'elenco a discesa colonna Target, selezionare la colonna cnt da utilizzare per le previsioni del modello.

4. Selezionare data come Colonna data/ora e lasciare vuoto il campo Time series identifiers (Identificatori serie temporale).

5. La Frequenza è la frequenza con cui vengono raccolti i dati cronologici. Mantenere selezionata l'opzione Rilevamento automatico.

6. Orizzonte di previsione è il periodo di tempo futuro per cui eseguire la previsione. Deselezionare Rilevamento automatico e digitare 14 nel campo.

7. Lasciare deselezionata l'opzione Abilita deep learning .

8. Selezionare View additional configuration settings (Visualizza altre impostazioni di configurazione) e popolare i campi come indicato di seguito. Queste impostazioni consentono di controllare meglio il processo di training e specificare le impostazioni per la previsione. Altrimenti, vengono applicate le impostazioni predefinite in base alla selezione dell'esperimento e ai dati.

   Configurazioni aggiuntive	Descrizione	Valore per il tutorial
   Primary metric (Metrica principale)	Metrica di valutazione misurata dall'algoritmo di Machine Learning.	Radice normalizzata dell'errore quadratico medio
   Spiega il modello migliore	Mostra automaticamente la spiegabilità del modello migliore creato da ML automatizzato.	Abilitare
   Modelli bloccati	Algoritmi da escludere dal processo di training	Alberi casuali estremi
   Altre impostazioni della previsione	Queste impostazioni consentono di migliorare l'accuratezza del modello. Previsione ritardo di destinazione: quanto indietro nel tempo si vogliono creare i ritardi di una variabile di destinazione Finestra mobile di destinazione: specifica la dimensione della finestra mobile su cui vengono generate caratteristiche, ad esempio max, min e sum.	Previsione ritardo di destinazione: nessuno Dimensione della finestra mobile obiettivo: Nessuna
   Limits	Se viene soddisfatto un criterio, il processo di training si arresta.	Numero massimo di prove contemporanee: 6 Soglia del punteggio della metrica: Nessuna Timeout dell'esperimento (minuti): 180

9. Nel modulo [Facoltativo] Convalidare e testare :

   1. Selezionare k-fold cross-validation come tipo di convalida.

   2. Selezionare 5 come Numero di convalide incrociate.

10. Seleziona Salva.

Configurare la destinazione di calcolo

Dopo aver caricato e configurato i dati, configurare la destinazione di calcolo remota.

1. Popolare il modulo calcolo come indicato di seguito:

   1. Utilizzare il menu a discesa Seleziona tipo di elaborazione per selezionare cluster di elaborazione come tipo di elaborazione.

   2. Selezionare +Nuovo per configurare la destinazione di calcolo. Il ML automatizzato supporta solo le risorse di calcolo di Azure Machine Learning.

      1. Popolare il modulo Select virtual machine (Seleziona macchina virtuale ) per configurare il calcolo:

         Campo	Descrizione	Valore per il tutorial
         Livello della macchina virtuale	Selezionare la priorità dell'esperimento	Dedicato
         Tipo di macchina virtuale	Selezionare il tipo di macchina virtuale per il calcolo	CPU (unità di elaborazione centrale)
         Dimensioni della macchina virtuale	Selezionare le dimensioni della macchina virtuale per il contesto di calcolo. È disponibile un elenco di dimensioni consigliate in base al tipo di dati e di esperimento.	Standard_DS12_V2

      2. Selezionare Avanti per popolare il modulo Configura impostazioni :

         Campo	Descrizione	Valore per il tutorial
         Nome della risorsa di calcolo	Un nome univoco che identifica il contesto di calcolo.	bike-compute
         Nodi minimi / massimi	Per profilare i dati, è necessario specificare almeno un nodo.	Numero minimo di nodi: 1 Numero massimo di nodi: 6
         Secondi di inattività prima della riduzione	Tempo di inattività prima che il cluster venga ridotto automaticamente al numero minimo di nodi.	120 (impostazione predefinita)
         Impostazioni avanzate	Impostazioni per la configurazione e l'autorizzazione di una rete virtuale per l'esperimento.	Nessuno

      3. Selezionare Crea per creare la destinazione di calcolo.

         Il completamento di questo passaggio richiede alcuni minuti.

      4. Dopo la creazione, selezionare la nuova destinazione di calcolo dall'elenco a discesa.

   3. Selezionare Avanti per continuare con la pagina Rivedi. Esamina il riepilogo delle impostazioni di configurazione per l'attività.

Eseguire esperimento

Per eseguire l'esperimento, selezionare Invia processo di training. Si apre la schermata Dettagli attività con lo Stato attività in alto accanto al numero dell'attività. Questo stato viene aggiornato man mano che l'esperimento procede. Le notifiche vengono visualizzate anche nell'angolo superiore destro dello studio per informare l'utente dello stato dell'esperimento.

Esplora i modelli

Passare alla scheda Modelli e processi figlio per visualizzare gli algoritmi (modelli) testati. Per impostazione predefinita, i modelli sono ordinati in base al punteggio della metrica man mano che vengono completati. Per questa esercitazione, il modello con il punteggio più alto in base alla metrica di errore quadratico medio normalizzato scelta viene visualizzato nella parte superiore dell'elenco.

Mentre si aspetta il completamento di tutti i modelli dell'esperimento, selezionare il nome di algoritmo di un modello completato per esplorare i dettagli delle relative prestazioni.

Nell'esempio seguente viene illustrata la selezione di un modello dall'elenco di modelli creati dal processo. Selezionare quindi le schede Panoramica e Metriche per visualizzare le proprietà, le metriche e i grafici delle prestazioni del modello selezionato.

Distribuisci il modello

Machine Learning automatizzato in studio di Azure Machine Learning consente di distribuire il modello migliore in un endpoint online in tempo reale in pochi passaggi. Distribuzione è l'integrazione del modello per consentire la stima su nuovi dati e identificare le potenziali aree di opportunità.

Per questo esperimento, la distribuzione in un endpoint in tempo reale significa che l'azienda di condivisione biciclette ha ora una soluzione Web scalabile per prevedere la domanda di noleggio di biciclette.

Quando si esegue la distribuzione dalla pagina Machine Learning automatizzato , non è necessario preparare uno script o un ambiente di assegnazione dei punteggi. Azure Machine Learning genera automaticamente sia che ospita il modello in un endpoint online completamente gestito.

Al termine del processo, selezionare Job 1 nella parte superiore dello schermo per tornare alla pagina del processo principale.

Nella sezione Riepilogo del modello migliore, il modello migliore nel contesto di questo esperimento viene selezionato in base alla metrica radice dell'errore quadratico medio normalizzato.

Distribuire questo modello. Il completamento della distribuzione richiede alcuni minuti. Il processo di distribuzione registra il modello, genera automaticamente lo script di assegnazione dei punteggi e l'ambiente ed esegue il provisioning dell'endpoint online.

1. Selezionare il modello migliore per aprire la pagina specifica del modello.

2. Selezionare Distribuisci>Endpoint in tempo reale.

   Azure Machine Learning genera il modello e l'ambiente necessari per la distribuzione.

3. Nella procedura guidata di distribuzione, specificare i valori seguenti. Mantenere le impostazioni predefinite per tutti i campi non elencati.

   Campo	valore
   Nome del punto finale	Immettere un nome univoco, ad esempio bikeshare-endpoint.
   Nome della distribuzione	Immettere un nome, ad esempio bikeshare-deploy.
   Macchina virtuale	Mantenere le dimensioni predefinite della macchina virtuale consigliate.
   Numero di istanze	1
   Tipo di autenticazione	Mantenere l'impostazione predefinita (autenticazione basata su chiave).

4. Completare i passaggi rimanenti della procedura guidata e quindi selezionare Distribuisci.

   Una notifica conferma che la distribuzione è stata avviata correttamente. Tenere traccia dello stato di avanzamento nel riquadro Riepilogo modelli in Stato di distribuzione.

Quando la distribuzione ha esito positivo, si dispone di un endpoint operativo in tempo reale che genera previsioni.

Per altre informazioni su come usare il nuovo endpoint e testare le stime usando il supporto Azure Machine Learning predefinito di Power BI, vedere Passaggi successivi.

Per altre opzioni di distribuzione, tra cui interfaccia della riga di comando di Azure e Python SDK, vedere Distribuire un modello AutoML in un endpoint online.

Pulire le risorse

I file di distribuzione sono più grandi dei file di dati e di esperimento e di conseguenza più costosi da archiviare. Eliminare solo i file di distribuzione per ridurre al minimo i costi per l'account o se si vuole conservare i file dell'area di lavoro e degli esperimenti. In caso contrario, eliminare l'intero gruppo di risorse se non si prevede di usare alcun file.

Eliminare l'endpoint in tempo reale

Se si vuole mantenere il gruppo di risorse e l'area di lavoro per altre esercitazioni ed esplorazione, eliminare solo l'endpoint in tempo reale da studio di Azure Machine Learning. L'eliminazione dell'endpoint elimina anche la distribuzione associata.

1. Passare ad Azure Machine Learning Studio. Passare all'area di lavoro e nel riquadro di sinistra Risorse selezionare Endpoint.

2. Selezionare l'endpoint da eliminare e selezionare Elimina.

3. Selezionare Continua.

Eliminare il gruppo di risorse

Se le risorse create non servono più, eliminarle per evitare addebiti:

1. Nella casella di ricerca della portale di Azure immettere Gruppi di risorse e selezionarlo nei risultati.

2. Nell'elenco selezionare il gruppo di risorse creato.

3. Nella pagina Panoramica selezionare Elimina gruppo di risorse.

   

4. Immettere il nome del gruppo di risorse. Quindi seleziona Elimina.

Passaggi successivi

In questa esercitazione è stato usato il servizio Machine Learning automatizzato in Azure Machine Learning Studio per creare un modello di previsione delle serie temporali e prevedere la domanda di noleggio per un servizio di bike sharing.

• Scopri di più sul machine learning automatizzato.
• Per altre informazioni sulle metriche e sui grafici di classificazione, vedere l'articolo Informazioni sui risultati di Machine Learning automatizzato.
• Per altre informazioni sulle domande frequenti sulle previsioni.