Tutorial: Prever a demanda usando o machine learning automatizado sem código no Estúdio do Azure Machine Learning

Saiba como criar um modelo de previsão de série temporal sem escrever uma única linha de código usando o machine learning automatizado em Estúdio do Azure Machine Learning. Esse modelo prevê a demanda de locações para um serviço de compartilhamento de bicicletas.

Você não escreve nenhum código neste tutorial. Em vez disso, você usa a interface do estúdio para executar o treinamento. Você aprenderá a realizar as seguintes tarefas:

Para experimentar o machine learning automatizado para outros tipos de modelo, consulte:

• Para ver um exemplo de modelo de classificação sem código, confira Tutorial: Criar um modelo de classificação com o ML automatizado no Azure Machine Learning.
• Para obter um exemplo de código primeiro de um modelo de detecção de objetos, consulte Tutorial: Treinar um modelo de detecção de objetos com AutoML e Python.

Pré-requisitos

• Um espaço de trabalho do Azure Machine Learning. Consulte Criar recursos do espaço de trabalho.

• Baixe o arquivo de dados bike-no.csv.

Fazer login no estúdio

Para este tutorial, você criará sua execução de experimento de ML automatizado em Estúdio do Azure Machine Learning. Estúdio do Azure Machine Learning é uma interface da Web consolidada que inclui ferramentas de machine learning para executar cenários de ciência de dados para profissionais de ciência de dados de todos os níveis de habilidade.

1. Entre no Estúdio do Azure Machine Learning.

2. Selecione a assinatura e o workspace criado.

Criar uma experiência

1. Na seção Criação, no menu à esquerda, selecione ML automatizado:

   

2. Selecione Novo trabalho de ML automatizado para iniciar o processo Enviar um trabalho de ML automatizado processo.

   Por padrão, o processo seleciona a opção Treinar automaticamente na guia Método de treinamento e continua para as configurações.

3. Na guia de Configurações do Basics, insira valores para as configurações necessárias, incluindo o nome do Trabalho e o nome do Experimento. Para este tutorial, use automl-bikeshare como o nome do experimento. Você também pode fornecer valores para as configurações opcionais, conforme desejado.

4. Selecione Avançar para continuar.

Configurar o tipo de tarefa e o conjunto de dados

Na aba Tipo de tarefa & dados, especifique o conjunto de dados para o experimento e o modelo de aprendizado de máquina a ser usado para treinar com os dados. Neste tutorial, use o arquivo bike-no.csv . Se você não baixou o arquivo, baixe-o agora.

1. No tipo de tarefa e no formulário de dados, selecione a previsão de série temporal como o tipo de tarefa.

2. Selecione Criar para criar um novo ativo de dados do arquivo baixado.

3. Na página Tipo de dados , insira um nome para o conjunto de dados e forneça uma descrição opcional. Defina o tipo de conjunto de dados como Tabular. Selecione Avançar para continuar.

4. Na página da Fonte de dados, selecione De arquivos locais.

Opções adicionais aparecem no menu à esquerda para configurar a fonte de dados.

1. Selecione Próximo para continuar na página Tipo de armazenamento de destino, em que você especifica o local do Armazenamento do Microsoft Azure para carregar seu ativo de dados.

   1. Em Tipo de armazenamento de dados: selecione Armazenamento de Blobs do Azure.
   2. Na lista de armazenamentos de dados, selecione o armazenamento de dados padrão que o processo de criação do workspace configura automaticamente: workspaceblobstore.
   3. Selecione Avançar.

2. Na página de seleção de arquivo e pasta , use o menu suspenso Carregar arquivos ou pastas e selecione a opção Carregar arquivos .

   1. Escolha o arquivo bike-no.csv no computador local. Esse arquivo é aquele que você baixou como pré-requisito.

   2. Depois que os arquivos forem carregados, selecione Próximo.

3. Verifique a precisão dos dados carregados na página Configurações . Os campos na página são pré-preenchidos com base no tipo de arquivo de seus dados:

   Campo	Descrição	Valor do tutorial
   Formato de arquivo	Define o layout e o tipo de dados armazenados em um arquivo.	Delimitado
   Delimitador	Um ou mais caracteres para especificar o limite entre regiões separadas e independentes em texto sem formatação ou outros fluxos de dados.	Vírgula
   Codificação	Identifica qual tabela de esquema de bit para caractere deve ser usada para ler seu conjunto de dados.	UTF-8
   Cabeçalhos de coluna	Indica como os cabeçalhos do conjunto de dados, se houver, são tratados.	Somente o primeiro arquivo tem cabeçalhos
   Ignorar linhas	Indica quantas linhas, se houver, serão ignoradas no conjunto de registros.	Nenhum

4. Selecione Próximo para continuar na página Esquema. Esta página também é pré-preenchida com base em suas seleções de Configurações.

   1. Para este tutorial, escolha ignorar as colunas casuais e registradas . Essas colunas são um detalhamento da coluna cnt , portanto, não as inclua.

   2. Além disso, para este tutorial, deixe os padrões para as Propriedades e o Tipo.

   3. Selecione Avançar para continuar na página Examinar + criar .

5. Examine as configurações do ativo de dados. Se tudo parecer bem, selecione Criar para criar o ativo de dados.

Definir configurações de tarefa e previsão

Quando o ativo de dados estiver pronto, o estúdio do Machine Learning retorna à guia Tipo de tarefa e dados para o processo Enviar um trabalho de ML automatizado. O novo ativo de dados aparece na página.

Siga estas etapas para concluir a configuração do trabalho:

1. Expanda o menu suspenso Selecionar tipo de tarefa e escolha a previsão de série temporal.

2. Depois de especificar o modelo de treinamento, selecione o conjunto de dados na lista. Selecione Avançar para continuar para a guia Inspecionar.

3. Na lista suspensa da coluna de destino, selecione a coluna cnt para usar nas previsões do modelo.

4. Selecione data como a Coluna de tempo e deixe os Identificadores de série temporal em branco.

5. A Frequência é a frequência com que seus dados históricos são coletados. Mantenha a Detecção automática selecionada.

6. O horizonte de previsão é o período de tempo no futuro que você deseja prever. Desmarque a Detecção Automática e digite 14 no campo.

7. Deixe Habilitar aprendizado profundo desmarcado.

8. Selecione Exibir definições de configuração adicionais e preencha os campos da seguinte maneira. Essas configurações ajudam você a controlar melhor o trabalho de treinamento e especificar as configurações para sua previsão. Caso contrário, as configurações padrão são aplicadas com base na seleção do experimento e nos dados.

   Configurações adicionais	Descrição	Valor do tutorial
   Métrica principal	Métrica de avaliação pela qual o algoritmo de machine learning é medido.	Raiz do erro quadrático médio normalizado
   Explicar o melhor modelo	Mostra automaticamente a explicabilidade no melhor modelo criado pelo ML automatizado.	Habilitar
   Modelos bloqueados	Algoritmos que você deseja excluir do trabalho de treinamento	Árvores aleatórias extremas
   Configurações adicionais de previsão	Essas configurações ajudam a aprimorar a precisão do modelo. Retardos de destino de previsão: até que ponto no passado você deseja construir os retardos da variável de destino Janela deslizante de destino: especifica o tamanho da janela deslizante na qual são geradas características, como o máximo, o mínimo e a soma.	Defasagens da variável-alvo da previsão: Nenhuma Tamanho da janela deslizante de destino: Nenhum
   Limits	Se um critério for atendido, o trabalho de treinamento será interrompido.	Máximo de tentativas concorrentes: 6 Limite de pontuação de métrica: Nenhum Tempo limite do experimento (minutos): 180

9. No formulário de teste e validação [opcional ]:

   1. Selecione a validação cruzada k-fold como o tipo de validação.

   2. Selecione 5 como o número de validações cruzadas.

10. Selecione Salvar.

Configurar o destino de computação

Depois de carregar e configurar seus dados, configure seu destino de computação remota.

1. Preencha o formulário Compute da seguinte forma:

   1. Use a lista suspensa Selecionar tipo de computação para selecionar cluster de computação como seu tipo de computação.

   2. Selecione +Novo para configurar o destino de computação. O ML automatizado oferece suporte apenas aos recursos de computação do Azure Machine Learning.

      1. Preencha o formulário Selecionar máquina virtual para configurar sua computação:

         Campo	Descrição	Valor do tutorial
         Nível da máquina virtual	Selecione a prioridade que o experimento deve ter	Dedicado
         Tipo de máquina virtual	Selecione o tipo de máquina virtual para sua computação	CPU (Unidade de Processamento Central)
         Tamanho da máquina virtual	Selecione o tamanho da máquina virtual para o seu recurso de computação. É fornecida uma lista de tamanhos recomendados com base em seus dados e no tipo de experimento.	Standard_DS12_V2

      2. Selecione Avançar para preencher o formulário Definir configurações :

         Campo	Descrição	Valor do tutorial
         Nome da computação	Um nome exclusivo que identifique o contexto de computação.	bike-compute
         Mín./máx. de nós	Para criar um perfil de dados, você deve especificar um ou mais nós.	Número mínimo de nós: 1 Número máx. de nós: 6
         Segundos de inatividade antes de reduzir a escala	Tempo ocioso antes de o cluster ser reduzido automaticamente até o número mínimo de nós.	120 (padrão)
         Configurações avançadas	Definições para configurar e autorizar uma rede virtual para seu experimento.	Nenhum

      3. Selecione Criar para criar o destino de computação.

         Esta etapa leva alguns minutos para ser concluída.

      4. Após a criação, selecione o novo destino de computação na lista suspensa.

   3. Selecione Próximo para continuar na página Revisão. Revise o resumo das configurações da sua tarefa.

Executar o experimento

Para executar seu experimento, selecione Enviar trabalho de treinamento. A tela Detalhes do trabalho será aberta com o Status do trabalho na parte superior ao lado do número do trabalho. Esse status é atualizado conforme o progresso do experimento. As notificações também aparecem no canto superior direito do estúdio para informá-lo sobre o status do experimento.

Explorar modelos

Navegue até a guia Modelos + trabalhos filho para ver os algoritmos (modelos) testados. Por padrão, os modelos são ordenados pela pontuação da métrica à medida que são concluídos. Para este tutorial, o modelo que pontua mais alto com base na métrica de erro quadrado média normalizada escolhida aparece na parte superior da lista.

Enquanto você aguarda a conclusão de todos os modelos de experimento, selecione o Nome do algoritmo de um modelo concluído para explorar seus detalhes de desempenho.

O exemplo a seguir mostra a seleção de um modelo na lista de modelos que o trabalho criou. Em seguida, selecione as guias Visão Geral e Métricas para exibir as propriedades, as métricas e os gráficos de desempenho do modelo selecionado.

Implantar o modelo

O machine learning automatizado no Azure Machine Learning Studio permite implantar o melhor modelo em um ponto de extremidade online em tempo real com apenas algumas etapas. A implantação é a integração do modelo para que ele possa prever novos dados e identificar possíveis áreas de oportunidade.

Para este experimento, a implantação em um endpoint em tempo real significa que a empresa de compartilhamento de bicicletas agora tem uma solução web escalável para prever a demanda por aluguel de bicicletas compartilhadas.

Ao implantar a partir da página ML automatizada , você não precisa preparar um script ou ambiente de pontuação. O Azure Machine Learning gera ambos automaticamente e hospeda o modelo em um endpoint online totalmente gerenciado.

Quando a tarefa terminar, selecione Job 1 no topo da tela para voltar à página da tarefa principal.

Na seção Resumo do melhor modelo , o melhor modelo no contexto deste experimento é selecionado com base na métrica de erro quadrado média normalizada .

Implante este modelo. A implantação leva alguns minutos para ser concluída. O processo de implantação registra o modelo, gera automaticamente o script de avaliação e o ambiente, e provisiona o endpoint online.

1. Selecione o melhor modelo para abrir a página específica do modelo.

2. Selecione Implantar> Ponto de extremidade em tempo real.

   Azure Machine Learning gera o modelo e o ambiente necessários para a implantação.

3. No assistente de implantação, forneça os valores a seguir. Mantenha os padrões para todos os campos que não estão listados.

   Campo	Valor
   Nome de endpoint	Insira um nome exclusivo, como bikeshare-endpoint.
   Nome da implantação	Insira um nome, como bikeshare-deploy.
   Máquina virtual	Mantenha o tamanho da máquina virtual padrão recomendado.
   Contagem de instâncias	1
   Tipo de autenticação	Mantenha o padrão (autenticação baseada em chave).

4. Conclua as etapas restantes no assistente e, em seguida, selecione Implantar.

   Uma notificação confirma que a implantação foi iniciada com êxito. Acompanhe o progresso no painel resumo do modelo em Status de implantação.

Quando a implantação for bem-sucedida, você terá um endpoint operacional de tempo real que gera previsões.

Para saber mais sobre como consumir o novo ponto de extremidade e testar as previsões usando o suporte interno do Power BI no Azure Machine Learning, consulte Próximas etapas.

Para obter mais opções de implantação, incluindo o SDK de CLI do Azure e Python, consulte Implantar um modelo AutoML em um ponto de extremidade online.

Limpar os recursos

Os arquivos de implantação são maiores que os dados e os arquivos de teste, portanto, eles custam mais para serem armazenados. Exclua somente os arquivos de implantação para minimizar os custos de sua conta ou se você quiser manter o workspace e os arquivos do experimento. Caso contrário, exclua todo o grupo de recursos se você não planeja usar nenhum dos arquivos.

Excluir o endpoint em tempo real

Se você quiser manter o grupo de recursos e o espaço de trabalho para outros tutoriais e explorações, exclua somente o endpoint em tempo real no Azure Machine Learning Studio. A exclusão do ponto de extremidade também exclui a implantação associada.

1. Vá para Estúdio do Azure Machine Learning. Navegue até o seu espaço de trabalho e, à esquerda, no painel Ativos, selecione Endpoints.

2. Selecione o ponto de extremidade que você deseja excluir e selecione Excluir.

3. Selecione Continuar.

Exclua o grupo de recursos

Se você não pretende usar nenhum dos recursos criados, exclua-os para não gerar custos:

1. No portal do Azure, na caixa de pesquisa, insira Grupos de recursos e selecione-o nos resultados.

2. Selecione o grupo de recursos que você criou por meio da lista.

3. Na página Visão geral, selecione Excluir grupo de recursos.

   

4. Insira o nome do grupo de recursos. Em seguida, selecione Excluir.

Próximas etapas

Neste tutorial, você usou o ML automatizado no Azure Machine Learning Studio para criar e implantar um modelo de previsão de série temporal que prevê a demanda de aluguel de compartilhamento de bicicletas.

• Saiba mais sobre o aprendizado de máquina automatizado.
• Para saber mais sobre métricas e gráficos de classificação, confira o artigo Noções básicas sobre os resultados de machine learning automatizado.
• Confira perguntas frequentes sobre previsão para obter mais informações a respeito.