Samouczek: prognozowanie zapotrzebowania przy użyciu zautomatyzowanego uczenia maszynowego bez kodu w Azure Machine Learning studio

Dowiedz się, jak utworzyć model prognozowania szeregów czasowych bez konieczności pisania pojedynczego wiersza kodu przy użyciu zautomatyzowanego uczenia maszynowego w Azure Machine Learning studio. Ten model przewiduje zapotrzebowanie na wynajem usługi udostępniania rowerów.

W tym samouczku nie piszesz żadnego kodu. Zamiast tego należy użyć interfejsu studio do przeprowadzenia szkolenia. Dowiesz się, jak wykonywać następujące zadania:

Aby wypróbować zautomatyzowane uczenie maszynowe dla innych typów modeli, zobacz:

• Aby zapoznać się z przykładem modelu klasyfikacji bez kodu, zobacz Samouczek: tworzenie modelu klasyfikacji za pomocą zautomatyzowanego uczenia maszynowego w usłudze Azure Machine Learning.
• Aby zapoznać się z przykładem pierwszego kodu modelu wykrywania obiektów, zobacz Tutorial: Train an object detection model with AutoML and Python (Samouczek: trenowanie modelu wykrywania obiektów za pomocą rozwiązania AutoML i Python).

Wymagania wstępne

• Obszar roboczy usługi Azure Machine Learning. Zobacz tworzenie zasobów obszaru roboczego.

• Pobierz plik danych bike-no.csv.

Zaloguj się do studia

Na potrzeby tego samouczka utworzysz przebieg eksperymentu zautomatyzowanego uczenia maszynowego w Azure Machine Learning studio. Azure Machine Learning studio to skonsolidowany interfejs internetowy, który obejmuje narzędzia uczenia maszynowego do wykonywania scenariuszy nauki o danych dla praktyków nauki o danych na wszystkich poziomach umiejętności.

1. Zaloguj się do usługi Azure Machine Learning Studio.

2. Wybierz subskrypcję i utworzony obszar roboczy.

Tworzenie eksperymentu

1. W sekcji Tworzenie w menu po lewej stronie wybierz pozycję Zautomatyzowane uczenie maszynowe:

   

2. Wybierz pozycję Nowe zautomatyzowane zadanie ML, aby rozpocząć proces Prześlij zautomatyzowane zadanie ML.

   Domyślnie proces wybiera opcję Trenuj automatycznie na karcie Metoda trenowania i kontynuuje ustawienia konfiguracji.

3. Na karcie Ustawienia podstawowe wprowadź wartości wymaganych ustawień, w tym nazwę zadania i nazwę eksperymentu. Na potrzeby tego samouczka użyj automl-bikeshare nazwy eksperymentu. Możesz również podać wartości ustawień opcjonalnych zgodnie z potrzebami.

4. Wybierz przycisk Dalej, aby kontynuować.

Konfigurowanie typu zadania i zestawu danych

Na karcie Typ zadania i dane określ zasób danych dla eksperymentu oraz model uczenia maszynowego, który ma być używany do trenowania danych. W tym samouczku użyj pliku bike-no.csv . Jeśli plik nie został pobrany, pobierz go teraz.

1. W formularzu Typ zadania i dane wybierz pozycję Prognozowanie szeregów czasowych jako typ zadania.

2. Wybierz pozycję Utwórz , aby utworzyć nowy zasób danych z pobranego pliku.

3. Na stronie Typ danych wprowadź nazwę zestawu danych i podaj opcjonalny opis. Ustaw typ zestawu danych na Tabelaryczny. Wybierz przycisk Dalej, aby kontynuować.

4. Na stronie Źródło danych wybierz pozycję Z plików lokalnych.

Dodatkowe opcje pojawiają się w menu po lewej stronie, umożliwiając skonfigurowanie źródła danych.

1. Wybierz pozycję Dalej, aby przejść do strony Docelowy typ magazynu, na której określisz lokalizację usługi Azure Storage, aby przekazać zasób danych.

   1. W polu Typ magazynu danych wybierz pozycję Azure Blob Storage.
   2. Na liście magazynów danych wybierz domyślny magazyn danych, który automatycznie konfiguruje proces tworzenia obszaru roboczego: workspaceblobstore.
   3. Wybierz Dalej.

2. Na stronie Wyboru pliku i folderu użyj menu rozwijanego Przekaż pliki lub folder i wybierz opcję Przekaż pliki .

   1. Wybierz plik bike-no.csv na komputerze lokalnym. Ten plik jest pobierany jako warunek wstępny.

   2. Po przesłaniu plików wybierz Dalej.

3. Sprawdź przekazane dane na stronie Ustawienia , aby uzyskać dokładność. Pola na stronie są automatycznie wypełniane na podstawie typu pliku Twoich danych:

   Pole	Opis	Wartość dla samouczka
   Format pliku	Definiuje układ i typ danych przechowywanych w pliku.	Rozdzielany separatorami
   Ogranicznik	Co najmniej jeden znak określający granicę między oddzielnymi, niezależnymi regionami w postaci zwykłego tekstu lub innych strumieni danych.	Przecinek
   Encoding	Określa, której tabeli mapowania bitów na znaki należy użyć do odczytu zestawu danych.	UTF-8
   Nagłówki kolumn	Wskazuje, jak są traktowane nagłówki zestawu danych, jeśli istnieją.	Tylko pierwszy plik ma nagłówki
   Pomiń wiersze	Wskazuje, ile wierszy zostanie pominiętych w zestawie danych, jeśli istnieje.	Brak

4. Wybierz przycisk Dalej , aby przejść do strony Schemat . Ta strona jest również wstępnie uzupełniana na podstawie wyborów w sekcji Ustawienia.

   1. Na potrzeby tego samouczka wybierz ignorowanie zwykłych i zarejestrowanych kolumn. Te kolumny są podziałem kolumny cnt , więc nie dołączaj ich.

   2. Również w tym samouczku pozostaw domyślne ustawienia dla pól Properties i Type.

   3. Wybierz przycisk Dalej , aby przejść do strony Przeglądanie i tworzenie .

5. Przejrzyj ustawienia zasobu danych. Jeśli wszystko wygląda dobrze, wybierz pozycję Utwórz , aby utworzyć zasób danych.

Konfigurowanie ustawień zadania i prognozy

Gdy zasób danych jest gotowy, Machine Learning Studio wraca do karty Typ zadania i dane w procesie Przesyłanie zadania zautomatyzowanego uczenia maszynowego. Nowy zasób danych zostanie wyświetlony na stronie.

Wykonaj następujące kroki, aby ukończyć konfigurację zadania:

1. Rozwiń menu rozwijane Wybierz typ zadania i wybierz pozycję Prognozowanie szeregów czasowych.

2. Po określeniu modelu trenowania wybierz zestaw danych na liście. Wybierz przycisk Dalej , aby przejść do karty Ustawienia zadania.

3. Z listy rozwijanej Kolumna docelowa wybierz kolumnę cnt do użycia dla prognoz modelu.

4. Wybierz datę jako kolumnę czasu i pozostaw pole Identyfikatory szeregów czasowych puste.

5. Częstotliwość to częstotliwość zbierania danych historycznych. Pozostaw zaznaczoną opcję Autowykrywanie.

6. Horyzont prognozy to czas na przyszłość, który chcesz przewidzieć. Usuń zaznaczenie pola Autowykrywanie i wpisz 14.

7. Pozostaw opcję Włącz uczenie głębokie niezaznaczoną.

8. Wybierz pozycję Wyświetl dodatkowe ustawienia konfiguracji i wypełnij pola w następujący sposób. Te ustawienia pomagają lepiej kontrolować zadanie trenowania i określać ustawienia prognozy. W przeciwnym razie wartości domyślne są stosowane na podstawie wyboru eksperymentu i danych.

   Dodatkowe konfiguracje	Opis	Wartość dla samouczka
   Metryka podstawowa	Metryka oceny mierzona przez algorytm uczenia maszynowego.	Znormalizowany błąd średniokwadratowy z średnią główną
   Wyjaśnienie najlepszego modelu	Automatycznie pokazuje możliwość wyjaśnienia najlepszego modelu utworzonego przez zautomatyzowane uczenie maszynowe.	Włącz
   Zablokowane modele	Algorytmy, które mają zostać wykluczone z zadania trenowania	Skrajne losowe drzewa
   Dodatkowe ustawienia prognozowania	Te ustawienia pomagają zwiększyć dokładność modelu. Opóźnienie wartości docelowej prognozy: jak daleko chcesz skonstruować opóźnienia zmiennej docelowej Docelowe okno kroczące: określa rozmiar okna kroczącego, na podstawie którego są generowane cechy, takie jak maksimum, minimum i suma.	Opóźnienie wartości docelowej prognozy: Brak Docelowy rozmiar okna kroczącego: Brak
   Limits	Jeśli kryterium zostanie spełnione, zadanie szkoleniowe zostanie zatrzymane.	Maksymalna liczba współbieżnych prób: 6 Próg wyniku metryki: Brak Limit czasu eksperymentu (minuty): 180

9. Na formularzu weryfikacji i testowania [Opcjonalnie] :

   1. Wybierz walidację krzyżową k-krotną jako typ walidacji.

   2. Wybierz 5 jako liczbę walidacji krzyżowych.

10. Wybierz pozycję Zapisz.

Konfigurowanie docelowego obiektu obliczeniowego

Po załadowaniu i skonfigurowaniu danych skonfiguruj zdalny docelowy obiekt obliczeniowy.

1. Wypełnij formularz Obliczenia w następujący sposób:

   1. Użyj listy rozwijanej Wybierz typ obliczeniowy , aby wybrać klaster obliczeniowy jako typ obliczeniowy.

   2. Wybierz pozycję +Nowy , aby skonfigurować docelowy obiekt obliczeniowy. Zautomatyzowane uczenie maszynowe obsługuje tylko obliczenia usługi Azure Machine Learning.

      1. Wypełnij formularz Wybierz maszynę wirtualną , aby skonfigurować obliczenia:

         Pole	Opis	Wartość dla samouczka
         Poziom maszyny wirtualnej	Wybierz priorytet, jaki powinien mieć eksperyment	Dedykowana
         Typ maszyny wirtualnej	Wybierz typ maszyny wirtualnej dla obliczeń	Procesor CPU (centralna jednostka przetwarzania)
         Rozmiar maszyny wirtualnej	Wybierz rozmiar maszyny wirtualnej dla obliczeń. Lista zalecanych rozmiarów jest udostępniana na podstawie danych i typu eksperymentu.	Standard_DS12_V2

      2. Wybierz przycisk Dalej , aby wypełnić formularz Konfigurowanie ustawień :

         Pole	Opis	Wartość dla samouczka
         Nazwa obiektu obliczeniowego	Unikatowa nazwa identyfikująca kontekst obliczeniowy.	obliczenia rowerowe
         Minimalna/maksymalna liczba węzłów	Aby profilować dane, należy określić co najmniej jeden węzeł.	Minimalna liczba węzłów: 1 Maksymalna liczba węzłów: 6
         Liczba sekund bezczynności przed skalowaniem w dół	Czas bezczynności przed automatycznym skalowaniem klastra w dół do minimalnej liczby węzłów.	120 (ustawienie domyślne)
         Ustawienia zaawansowane	Ustawienia umożliwiające skonfigurowanie i autoryzowanie sieci wirtualnej na potrzeby eksperymentu.	Brak

      3. Wybierz pozycję Utwórz , aby utworzyć docelowy obiekt obliczeniowy.

         Wykonanie tego kroku trwa kilka minut.

      4. Po utworzeniu wybierz nowy docelowy obiekt obliczeniowy z listy rozwijanej.

   3. Wybierz przycisk Dalej , aby przejść do strony Przegląd . Przejrzyj podsumowanie ustawień konfiguracyjnych dla zadania.

Uruchom eksperyment

Aby uruchomić eksperyment, wybierz pozycję Prześlij zadanie trenowania. Otwiera się ekran Szczegóły zadania, a u góry, obok numeru zadania, znajduje się Stan zadania. Ten stan jest aktualizowany w miarę postępu eksperymentu. Powiadomienia są również wyświetlane w prawym górnym rogu studia, aby poinformować Cię o stanie eksperymentu.

Eksplorowanie modeli

Przejdź do karty Modele i zadania podrzędne, aby wyświetlić przetestowane algorytmy (modele). Domyślnie modele są uporządkowane według wyniku metryki w miarę ich ukończenia. W tym samouczku model, który ocenia najwyższą wartość na podstawie wybranej metryki błędu średniokwadratowego znormalizowanego głównego , pojawia się na początku listy.

Podczas oczekiwania na zakończenie wszystkich modeli eksperymentów wybierz nazwę algorytmu ukończonego modelu, aby zapoznać się ze szczegółami wydajności.

W poniższym przykładzie pokazano wybór modelu z listy modeli utworzonych przez zadanie. Następnie wybierasz karty Przegląd i Metryki , aby wyświetlić właściwości, metryki i wykresy wydajności wybranego modelu.

Wdrażanie modelu

Zautomatyzowane uczenie maszynowe w Azure Machine Learning studio pomaga wdrożyć najlepszy model w punkcie końcowym online w czasie rzeczywistym w kilku krokach. Wdrożenie to integracja modelu, dzięki czemu może przewidywać nowe dane i identyfikować potencjalne obszary możliwości.

W tym eksperymencie wdrożenie w punkcie końcowym czasu rzeczywistego oznacza, że firma oferująca rowery na wynajem ma teraz skalowalne rozwiązanie internetowe do prognozowania popytu na wynajem rowerów.

Podczas wdrażania ze strony Zautomatyzowane uczenie maszynowe nie trzeba przygotowywać skryptu oceniania ani środowiska. Usługa Azure Machine Learning automatycznie generuje oba elementy i hostuje model w w pełni zarządzanym punkcie końcowym online.

Po zakończeniu zadania wybierz pozycję Zadanie 1 w górnej części ekranu, aby wrócić do nadrzędnej strony zadania.

W sekcji Podsumowanie najlepszego modelu najlepszy model w kontekście tego eksperymentu jest wybierany na podstawie metryki znormalizowanego błędu średniokwadratowego znormalizowanego elementu głównego .

Wdróż ten model. Wdrożenie trwa kilka minut. Proces wdrażania rejestruje model, automatycznie generuje skrypt oceniania i środowisko uruchomieniowe oraz tworzy punkt końcowy online.

1. Wybierz najlepszy model , aby otworzyć stronę specyficzną dla modelu.

2. Wybierz Wdróż>punkt końcowy w czasie rzeczywistym.

   Azure Machine Learning generuje model i środowisko wymagane do wdrożenia.

3. W kreatorze wdrażania podaj następujące wartości. Zachowaj wartości domyślne dla wszystkich pól, które nie są wyświetlane.

   Pole	Wartość
   Nazwa punktu końcowego	Wprowadź unikatową nazwę, na przykład bikeshare-endpoint.
   Nazwa wdrożenia	Wprowadź nazwę, na przykład bikeshare-deploy.
   Maszyna wirtualna	Zachowaj zalecany domyślny rozmiar maszyny wirtualnej.
   Liczba wystąpień	1
   Typ uwierzytelniania	Zachowaj wartość domyślną (uwierzytelnianie oparte na kluczach).

4. Wykonaj pozostałe kroki w kreatorze, a następnie wybierz pozycję Wdróż.

   Powiadomienie potwierdza, że wdrożenie zostało pomyślnie uruchomione. Śledź postęp w okienku podsumowanie modelu w obszarze Stan wdrażania.

Gdy wdrożenie zakończy się pomyślnie, masz operacyjny punkt końcowy czasu rzeczywistego, który generuje przewidywania.

Aby dowiedzieć się więcej na temat korzystania z nowego punktu końcowego i testowania przewidywań przy użyciu wbudowanej obsługi Azure Machine Learning Power BI, zobacz Następne kroki.

Aby uzyskać więcej opcji wdrażania, w tym Azure CLI i Python SDK, zobacz Wdrażanie modelu autoML w punkcie końcowym online.

Czyszczenie zasobów

Pliki wdrożeniowe są większe niż pliki danych i eksperymentów, więc ich przechowywanie jest droższe. Usuń tylko pliki wdrażania, aby zminimalizować koszty na koncie lub jeśli chcesz zachować obszar roboczy i pliki eksperymentów. W przeciwnym razie usuń całą grupę zasobów, jeśli nie planujesz używać żadnego z plików.

Usuń punkt końcowy w czasie rzeczywistym

Jeśli chcesz zachować grupę zasobów i obszar roboczy do wykorzystania w innych samouczkach i eksperymentach, usuń tylko punkt końcowy czasu rzeczywistego w usłudze Azure Machine Learning Studio. Usunięcie punktu końcowego powoduje również usunięcie skojarzonego wdrożenia.

1. Przejdź do Azure Machine Learning studio. Przejdź do obszaru roboczego i po lewej stronie w okienku Zasoby wybierz pozycję Punkty końcowe.

2. Wybierz punkt końcowy, który chcesz usunąć, a następnie wybierz pozycję Usuń.

3. Wybierz pozycję Kontynuuj.

Usuwanie grupy zasobów

Jeśli nie planujesz korzystać z żadnych utworzonych zasobów, usuń je, aby nie ponosić żadnych opłat:

1. W witrynie Azure Portal w polu wyszukiwania wprowadź ciąg Grupy zasobów i wybierz je z wyników.

2. Z listy wybierz utworzoną grupę zasobów.

3. Na stronie Przegląd wybierz pozycję Usuń grupę zasobów.

   

4. Wpisz nazwę grupy zasobów. Następnie wybierz Usuń.

Następne kroki

W tym samouczku użyto zautomatyzowanego uczenia maszynowego w studio Azure Machine Learning do utworzenia i wdrożenia modelu prognozowania szeregów czasowych, który przewiduje popyt na wypożyczenia rowerów.

• Dowiedz się więcej na temat zautomatyzowanego uczenia maszynowego.
• Aby uzyskać więcej informacji na temat metryk klasyfikacji i wykresów, zobacz artykuł Omówienie wyników zautomatyzowanego uczenia maszynowego.
• Aby uzyskać więcej informacji na temat często zadawanych pytań dotyczących prognozowania.