Kurz 3: Nasazení modelu úvěrového rizika – Machine Learning Studio (Classic)

PLATÍ PRO: Machine Learning Studio (Classic) Azure Machine Learning

Důležité

Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Do tohoto data doporučujeme přejít na Azure Machine Learning .

Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).

• Přečtěte si informace o přesunu projektů strojového učení ze sady ML Studio (classic) do služby Azure Machine Learning.
• Další informace o službě Azure Machine Learning

Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.

V tomto kurzu se podíváme na proces vývoje řešení prediktivní analýzy. V nástroji Machine Learning Studio (classic) vyvíjíte jednoduchý model. Model pak nasadíte jako webovou službu Machine Learning. Tento nasazený model může vytvářet předpovědi pomocí nových dat. Tento kurz je třetí částí třídílné série kurzů.

Předpokládejme, že potřebujete předpovědět úvěrové riziko u jednotlivých zákazníků na základě údajů, které uvedli v žádosti o úvěr.

Posouzení úvěrového rizika je složitý problém, ale tento kurz ho trochu zjednoduší. Použijete ho jako příklad vytvoření řešení prediktivní analýzy pomocí nástroje Machine Learning Studio (classic). Pro toto řešení použijete Machine Learning Studio (classic) a webovou službu Machine Learning.

V tomto třídílném kurzu začnete s veřejně dostupnými údaji o úvěrovém riziku. Pak vytvoříte a vytrénujete prediktivní model. Nakonec model nasadíte jako webovou službu.

V první části kurzu jste vytvořili pracovní prostor Machine Learning Studia (classic), nahráli data a vytvořili experiment.

V druhé části kurzu jste natrénovali a vyhodnotili modely.

V této části kurzu:

• Příprava nasazení
• Nasazení webové služby
• Otestování webové služby
• Správa webové služby
• Přístup k webové službě

Požadavky

Dokončete část 2 tohoto kurzu.

Příprava nasazení

Pokud chcete ostatním dát šanci používat prediktivní model, který jste vytvořili v tomto kurzu, můžete ho nasadit jako webovou službu v Azure.

Až do této chvíle jste experimentovali s trénováním našeho modelu. Nasazená služba už ale nebude provádět trénování – vygeneruje nové předpovědi vyhodnocením vstupu uživatele na základě našeho modelu. Takže provedeme určitou přípravu, abychom tento experiment převedli z trénovacího experimentu na prediktivní experiment.

Příprava na nasazení je třístupňový proces:

1. Odstraňte jeden z modelů
2. Převod trénovacího experimentu , který jste vytvořili, na prediktivní experiment
3. Nasazení prediktivního experimentu jako webové služby

Odstraňte jeden z modelů

Nejprve musíte tento experiment trochu zkrátit. v experimentu aktuálně máte dva různé modely, ale při nasazení jako webové služby chcete použít pouze jeden model.

Řekněme, že jste se rozhodli, že posílený stromový model fungoval lépe než model SVM. První věc, kterou je potřeba udělat, je odebrat modulTwo-Class Support Vector Machine a moduly, které byly použity k jeho trénování. Nejdřív můžete chtít vytvořit kopii experimentu kliknutím na Uložit jako v dolní části plátna experimentu.

potřebujete odstranit následující moduly:

• Two-Class podpůrný vektorový stroj
• Modul trénování modelu a modul určení skóre modelu, které k němu byly připojeny
• Normalizovat data (oba data)
• Vyhodnocení modelu (protože jsme dokončili vyhodnocení modelů)

Vyberte jednotlivé moduly a stiskněte klávesu Delete nebo klikněte pravým tlačítkem myši na modul a vyberte Odstranit.

Náš model by teď měl vypadat nějak takto:

Teď jsme připraveni nasadit tento model pomocí rozhodovacího stromuTwo-Class Boosted.

Převod trénovacího experimentu na prediktivní experiment

Pokud chcete tento model připravit na nasazení, musíte tento trénovací experiment převést na prediktivní experiment. To zahrnuje tři kroky:

1. Uložte model, který jste natrénovali, a pak nahraďte naše trénovací moduly.
2. Zredukujte experiment, abyste odebrali moduly, které byly potřebné pouze pro trénink.
3. Definujte, kde webová služba přijme vstup a kde vygeneruje výstup.

Můžete to provést ručně, ale naštěstí můžete provést všechny tři kroky kliknutím na Nastavit webovou službu v dolní části plátna experimentu (a výběrem možnosti Prediktivní webová služba ).

Tip

Pokud chcete získat další podrobnosti o tom, co se stane při převodu trénovacího experimentu na prediktivní experiment, podívejte se na postup přípravy modelu na nasazení v nástroji Machine Learning Studio (Classic).

Když kliknete na Nastavit webovou službu, stane se několik věcí:

• Natrénovaný model se převede na jeden modul trénovaného modelu a uloží se na paletu modulů nalevo od plátna experimentu (najdete ho v části Trénované modely).
• Moduly, které byly použity pro trénování, jsou odebrány; specificky:
  • Zesilovaný rozhodovací strom se dvěma třídami
  • Trénování modelu
  • Rozdělení dat
  • druhý modul execute R Script , který byl použit pro testovací data
• Uložený natrénovaný model se přidá zpět do experimentu.
• Přidají se moduly vstupu webové služby a moduly výstupu webové služby (tyto moduly identifikují, kde data uživatele vstoupí do modelu a jaká data se vrátí při přístupu k webové službě)

Poznámka:

Můžete vidět, že experiment je uložen ve dvou částech pod záložkami, které byly přidány v horní části plátna experimentu. Původní trénovací experiment je pod kartou Trénovací experiment a nově vytvořený prediktivní experiment je pod prediktivním experimentem. Prediktivní experiment je ten, který nasadíte jako webovou službu.

Musíte provést jeden další krok s tímto konkrétním experimentem. Přidali jste dva moduly Execute R Script, které poskytují vážicí funkci pro data. To byl jen trik, který jste potřebovali k trénování a testování, abyste mohli tyto moduly z konečného modelu odebrat. Machine Learning Studio (classic) odebral jeden modul Execute R Script při odebrání modulu Split . Teď můžete odebrat druhý editor metadat a připojit ho přímo k modelu skóre.

Náš experiment by teď měl vypadat takto:

Poznámka:

Možná vás zajímá, proč jste do prediktivního experimentu zahrnuli datovou sadu německých kreditních karet UCI. Služba bude ohodnotit data uživatele, ne původní datovou sadu, takže proč nechat původní datovou sadu v modelu?

Je pravda, že služba nepotřebuje původní údaje o platební kartě. Potřebuje ale schéma pro tato data, které obsahuje informace, například kolik sloupců je a které sloupce jsou číselné. Tyto informace o schématu jsou nezbytné k interpretaci dat uživatele. Tyto komponenty ponecháte připojené, aby modul bodování při spuštění služby získal schéma datové sady. Data se nepoužívají, pouze schéma.

Jednou z důležitých věcí je, že pokud původní datová sada obsahovala popisek, pak očekávané schéma z webového vstupu bude také očekávat sloupec s popiskem. Tímto způsobem odeberete popisek a všechna další data, která byla v trénovací datové sadě, ale nebudou ve webových vstupech, než připojíte webový vstup a trénovací datovou sadu do společného modulu.

Spusťte experiment jednou naposledy (klikněte na Spustit.) Pokud chcete ověřit, že model stále funguje, klikněte na výstup modulu Určení skóre modelu a vyberte Zobrazit výsledky. Můžete vidět, že se zobrazí původní data spolu s hodnotou úvěrového rizika ("Scored Labels") a hodnotou pravděpodobnosti bodování ("Skóre pravděpodobnosti".)

Nasazení webové služby

Experiment můžete nasadit jako klasickou webovou službu nebo jako novou webovou službu založenou na Azure Resource Manageru.

Nasadit jako klasickou webovou službu

Pokud chcete nasadit klasickou webovou službu odvozenou z našeho experimentu, klikněte na nasadit webovou službu pod plátnem a vyberte Nasadit webovou službu [Classic]. Machine Learning Studio (classic) nasadí experiment jako webovou službu a přejde na řídicí panel této webové služby. Na této stránce se můžete vrátit k experimentu (zobrazit snímek nebo zobrazit nejnovější) a spustit jednoduchý test webové služby (viz test webové služby níže). Zde jsou také informace pro vytváření aplikací, které mají přístup k webové službě (další informace najdete v dalším kroku tohoto kurzu).

Službu můžete nakonfigurovat kliknutím na kartu KONFIGURACE . Tady můžete změnit název služby (ve výchozím nastavení je mu přidělen název experimentu) a zadat jeho popis. Můžete také přidat přívětivější popisky pro vstupní a výstupní data.

Nasazení jako nová webová služba

Poznámka:

Pokud chcete nasadit novou webovou službu, musíte mít dostatečná oprávnění v předplatném, do kterého webovou službu nasazujete. Další informace najdete v tématu Správa webové služby pomocí portálu služby Machine Learning Web Services.

Nasazení nové webové služby odvozené z našeho experimentu:

1. Klikněte na Nasadit webovou službu pod plátnem a vyberte Nasadit webovou službu [Nový]. Machine Learning Studio (classic) vás přenese na stránku Nasazení experimentu webovými službami Machine Learning.

2. Zadejte název webové služby.

3. V části Cenový plán můžete vybrat existující cenový plán nebo vybrat Možnost Vytvořit nový a pojmenovat nový plán a vybrat možnost měsíčního plánu. Úrovně plánů se nastaví na plány vaší výchozí oblasti a vaše webová služba je nasazena do té oblasti.

4. Klikněte na Nasadit.

Po několika minutách se otevře stránka Rychlý start pro vaši webovou službu.

Službu můžete nakonfigurovat kliknutím na kartu Konfigurovat . Tady můžete název služby upravit a zadat jeho popis.

Pokud chcete webovou službu otestovat, klikněte na kartu Test (viz Test webové služby níže). Informace o vytváření aplikací, které mohou přistupovat k webové službě, získáte kliknutím na kartu Používat (další krok v tomto kurzu to vysvětlí podrobněji).

Tip

Webovou službu můžete po nasazení aktualizovat. Pokud chcete například změnit model, můžete upravit trénovací experiment, upravit parametry modelu a kliknout na Nasadit webovou službu, vybrat Nasadit webovou službu [Classic] nebo Nasadit webovou službu [Nový]. Když experiment nasadíte znovu, nahradí webovou službu, která teď používá aktualizovaný model.

Otestování webové služby

Při přístupu k webové službě se data uživatele zadávají prostřednictvím vstupního modulu webové služby, kde se předají do modulu Score Model a jsou ohodnocena. Způsob, jakým jste nastavili prediktivní experiment, model očekává data ve stejném formátu jako původní datová sada úvěrového rizika. Výsledky se vrátí uživateli z webové služby prostřednictvím výstupního modulu webové služby.

Tip

Jak máte nakonfigurovaný prediktivní experiment, se vrátí celé výsledky z modulu Skórovací model. To zahrnuje všechna vstupní data a hodnotu úvěrového rizika a pravděpodobnost bodování. Pokud ale chcete, můžete vrátit něco jiného – můžete například vrátit pouze hodnotu úvěrového rizika. Uděláte to tak, že vložíte modul Vybrat sloupce mezi model skóre a výstup webové služby , abyste vyloučili sloupce, které nechcete, aby webová služba vrátila.

Webovou službu Classic můžete otestovat buď v nástroji Machine Learning Studio (classic), nebo na portálu Azure Machine Learning Web Services . Novou webovou službu můžete otestovat pouze na portálu služby Machine Learning Web Services .

Tip

Při testování na portálu Machine Learning Web Services můžete na portálu vytvořit ukázková data, která můžete použít k otestování služby Request-Response. Na stránce Konfigurovat vyberte možnost "Ano" pro Povolit ukázková data? Když otevřete záložku Request-Response na stránce Test, portál vyplní ukázková data převzatá z původní sady dat o úvěrovém riziku.

Testování klasické webové služby

Webovou službu Classic můžete otestovat v nástroji Machine Learning Studio (classic) nebo na portálu Služby Machine Learning Web Services.

Testování v nástroji Machine Learning Studio (classic)

1. Na stránce ŘÍDICÍHO PANELu webové služby klikněte na tlačítko Test v části Výchozí koncový bod. Otevře se dialogové okno a požádá vás o vstupní data pro službu. Jedná se o stejné sloupce, které se zobrazily v původní datové sadě úvěrového rizika.

2. Zadejte sadu dat a klikněte na tlačítko OK.

Testování na portálu Služby Machine Learning Web Services

1. Na stránce Řídicí panel webové služby klikněte na odkaz Zkušební náhled v části Výchozí koncový bod. Otevře se testovací stránka na portálu Webové služby Machine Learning pro koncový bod webové služby a požádá vás o vstupní data pro službu. Jedná se o stejné sloupce, které se zobrazily v původní datové sadě úvěrového rizika.

2. Klikněte na Test Request-Response.

Testování nové webové služby

Novou webovou službu můžete otestovat pouze na portálu služby Machine Learning Web Services.

1. Na portálu Webové služby Machine Learning klikněte v horní části stránky na test . Otevře se stránka Test a můžete zadat data pro službu. Zobrazená vstupní pole odpovídají sloupcům, které se zobrazily v původní datové sadě úvěrového rizika.

2. Zadejte sadu dat a klikněte na Test Request-Response.

Výsledky testu se zobrazí na pravé straně stránky ve výstupním sloupci.

Správa webové služby

Jakmile webovou službu nasadíte bez ohledu na to, jestli je klasická, nebo nová, můžete ji spravovat z portálu Machine Learning Web Services .

Monitorování výkonu webové služby:

1. Přihlaste se do portálu Machine Learning Web Services
2. Klikněte na Webové služby.
3. Klikněte na webovou službu.
4. Klikněte na řídicí panel.

Přístup k webové službě

V předchozím kroku v tomto kurzu jste nasadili webovou službu, která používá prediktivní model úvěrového rizika. Uživatelé teď můžou odesílat data a přijímat výsledky.

Webová služba je webová služba Azure, která může přijímat a vracet data pomocí rozhraní REST API jedním ze dvou způsobů:

• Požadavek/odpověď – Uživatel odešle službě jeden nebo více řádků platebních dat pomocí protokolu HTTP a služba odpoví jednou nebo více sadami výsledků.
• Dávkové spuštění – Uživatel uloží jeden nebo více řádků dat kreditu do objektu blob Azure a pak do služby odešle umístění objektu blob. Služba vyhodnotí všechny řádky dat ve vstupním souboru blob, uloží výsledky do jiného souboru blob a vrátí adresu URL kontejneru.

Poznámka:

Názvy sloupců funkcí ve Studiu (classic) rozlišují malá a velká písmena. Ujistěte se, že vstupní data pro vyvolání webové služby mají stejné názvy sloupců jako v trénovací datové sadě.

Další informace o přístupu k webové službě a jejich využívání najdete v tématu Využití webové služby Machine Learning pomocí šablony webové aplikace.

Uvolnění prostředků

Pokud už prostředky vytvořené pomocí tohoto článku nepotřebujete, odstraňte je, abyste se vyhnuli poplatkům. Přečtěte si, jak v článku exportovat a odstranit uživatelská data v produktu.

Další kroky

V tomto kurzu jste dokončili tyto kroky:

• Příprava nasazení
• Nasazení webové služby
• Otestování webové služby
• Správa webové služby
• Přístup k webové službě

Můžete také vyvíjet vlastní aplikaci pro přístup k webové službě pomocí počátečního kódu poskytovaného v programovacích jazycích R, C# a Python.

Využívání webové služby Machine Learning