Lernprogramm: Trainieren eines Regressionsmodells ohne Code mithilfe von Designer

Wichtig

Dieser Artikel enthält Informationen zur Verwendung des Azure Machine Learning SDK v1. Das SDK v1 wird ab dem 31. März 2025 nicht mehr unterstützt und endet am 30. Juni 2026. Sie können das SDK v1 bis zu diesem Datum installieren und verwenden.

Es wird empfohlen, vor dem 30. Juni 2026 zum SDK v2 zu wechseln. Weitere Informationen zum SDK v2 finden Sie unter What is the Azure Machine Learning Python SDK v2 and the SDK v2 reference.

In diesem Artikel wird erläutert, wie Sie den Azure Machine Learning-Designer verwenden, um ein lineares Regressionsmodell zu trainieren, das autopreise vorhersagt. Dieses Tutorial ist der erste Teil einer zweiteiligen Reihe.

Weitere Informationen zum Designer finden Sie unter Was ist Der Azure Machine Learning-Designer?

Hinweis

Designer unterstützt zwei Arten von Komponenten: klassische vordefinierte Komponenten (v1) und benutzerdefinierte Komponenten (v2). Diese beiden Komponententypen sind NICHT kompatibel.

Klassische vorgefertigte Komponenten sind in erster Linie für die Datenverarbeitung und herkömmliche maschinelle Lernaufgaben wie Regression und Klassifizierung vorgesehen. Dieser Komponententyp wird weiterhin unterstützt, aber es werden keine neuen Komponenten hinzugefügt.

Benutzerdefinierte Komponenten ermöglichen es Ihnen, Ihren eigenen Code als Komponente bereitzustellen. Sie unterstützen die arbeitsbereichübergreifende Freigabe und die reibungslose Erstellung über Studio-, CLI (v2)- und SDK (v2)-Schnittstellen.

Für neue Projekte empfehlen wir dringend, benutzerdefinierte Komponenten zu verwenden, die mit Azure Machine Learning V2 kompatibel sind und weiterhin neue Updates erhalten.

Dieser Artikel gilt für klassische vordefinierte Komponenten und ist nicht mit CLI v2 und SDK v2 kompatibel.

In diesem Tutorial lernen Sie Folgendes:

• Erstellen einer neuen Pipeline
• Importieren von Daten
• Aufbereiten von Daten
• Trainieren eines Machine Learning-Modells
• Auswerten eines Machine Learning-Modells

In Teil 2 des Lernprogramms stellen Sie Ihr Modell als Ableitungsendpunkt in Echtzeit bereit, um den Preis für jedes Fahrzeug basierend auf technischen Spezifikationen vorherzusagen, die Sie senden.

Hinweis

Informationen zum Anzeigen einer abgeschlossenen Version dieses Lernprogramms als Beispielpipeline finden Sie unter Verwenden der Regression zum Vorhersagen von Autopreisen mit dem Azure Machine Learning-Designer.

Wichtig

Falls die in diesem Dokument erwähnten grafischen Elemente bei Ihnen nicht angezeigt werden, z. B. Schaltflächen in Studio oder im Designer, verfügen Sie unter Umständen nicht über die richtige Berechtigungsebene für den Arbeitsbereich. Wenden Sie sich an Ihren Azure-Abonnementadministrator, um sich zu vergewissern, dass Ihnen die richtige Zugriffsebene gewährt wurde. Weitere Informationen finden Sie unter Verwalten von Benutzern und Rollen.

Erstellen einer neuen Pipeline

Azure Machine Learning-Pipelines fassen mehrere Machine Learning- und Datenverarbeitungsschritte in einer einzelnen Ressource zusammen. Pipelines ermöglichen die Strukturierung, Verwaltung und Wiederverwendung komplexer Machine Learning-Workflows für verschiedene Projekte und Benutzer.

Für die Erstellung einer Azure Machine Learning-Pipeline benötigen Sie einen Azure Machine Learning-Arbeitsbereich. In diesem Abschnitt erfahren Sie, wie Sie diese beiden Ressourcen erstellen.

Erstellen eines neuen Arbeitsbereichs

Sie benötigen einen Azure Machine Learning-Arbeitsbereich, um den Designer verwenden zu können. Der Arbeitsbereich ist die Ressource der obersten Ebene für Azure Machine Learning. Es bietet einen zentralen Ort für die Arbeit mit allen Artefakten, die Sie in Azure Machine Learning erstellen. Informationen zum Erstellen eines Arbeitsbereichs finden Sie unter "Arbeitsbereichsressourcen erstellen".

Hinweis

Wenn Ihr Arbeitsbereich ein virtuelles Netzwerk verwendet, sind zusätzliche Konfigurationsschritte erforderlich, um den Designer zu verwenden. Weitere Informationen finden Sie unter Verwenden von Azure Machine Learning Studio in einem virtuellen Azure-Netzwerk.

Erstellen der Pipeline

1. Melden Sie sich beim Azure Machine Learning Studio an, und wählen Sie den Arbeitsbereich aus, den Sie verwenden möchten.

2. Wählen Sie im Randleistenmenü "Designer" aus. Wählen Sie unter "Classic prebuilt" die Option "Neue Pipeline erstellen" mit klassischen vordefinierten Komponenten aus.

   

3. Wählen Sie das Bleistiftsymbol neben dem automatisch generierten Pipelineentwurfsnamen aus, benennen Sie es in " Automobilpreisvorhersage" um. Der Name muss nicht eindeutig sein.

   

Daten importieren

Im Designer stehen mehrere Beispieldatasets zur Verfügung, mit denen Sie experimentieren können. Verwenden Sie für dieses Tutorial Automobile Price Data (Raw) (Automobilpreisdaten (Rohdaten)).

1. Links neben der Pipelinecanvas befindet sich eine Palette mit Datasets und Komponenten. Wählen Sie "Komponentenbeispieldaten>"aus.

2. Wählen Sie das Dataset Automobile Price Data (Raw) (Automobilpreisdaten (Rohdaten)) aus, und ziehen Sie es auf die Canvas.

   

Visualisieren der Daten

Sie können die Daten visualisieren, um sich mit dem zu verwendenden Dataset vertraut zu machen.

1. Klicken Sie mit der rechten Maustaste auf Automobile Price Data (Raw) (Automobilpreisdaten (Rohdaten)), und wählen Sie Datenvorschau anzeigen aus.

2. Wählen Sie die verschiedenen Spalten im Datenfenster aus, um Informationen zur jeweiligen Spalte zu erhalten.

   Jede Zeile steht für ein Fahrzeug, und die Variablen, die den einzelnen Fahrzeugen zugeordnet sind, werden als Spalten angezeigt. Es gibt 205 Zeilen und 26 Spalten in diesem Dataset.

Vorbereiten von Daten

Für Datasets ist vor der Analyse in der Regel eine Vorverarbeitung erforderlich. Bei der Untersuchung des Datasets sind Ihnen unter Umständen einige fehlende Werte aufgefallen. Damit das Modell die Daten korrekt analysieren kann, müssen diese fehlenden Werte bereinigt werden.

Entfernen einer Spalte

Wenn Sie ein Modell trainieren, müssen Sie etwas über die fehlenden Daten ausführen. In diesem Dataset fehlt die Spalte für normalisierte Verluste viele Werte, sodass Sie diese Spalte vollständig aus dem Modell ausschließen.

1. Wählen Sie in den Datasets und in der Komponentenpalette links neben dem Zeichenbereich die Komponente Komponente aus, und suchen Sie nach der Komponente Spalten in Dataset auswählen.

2. Ziehen Sie die Komponente Spalten im Dataset auswählen auf die Canvas. Legen Sie die Komponente unterhalb der Datasetkomponente ab.

3. Verbinden Sie das Dataset Automobile price data (Raw) (Automobilpreisdaten (Rohdaten)) mit der Komponente Spalten im Dataset auswählen. Ziehen Sie eine Linie vom Ausgabeport des Datasets zum Eingabeport von Spalten im Dataset auswählen – also von dem kleinen Kreis am unteren Rand des Datasets auf der Canvas zu dem kleinen Kreis am oberen Rand der Komponente.

   Tipp

   Um einen Datenfluss für Ihre Pipeline zu erstellen, verbinden Sie den Ausgabeport einer Komponente mit dem Eingabeport einer anderen Komponente.

   

4. Wählen Sie die Komponente Spalten im Dataset auswählen aus.

5. Wählen Sie das Pfeilsymbol unter der Pipelineschnittstelle rechts neben der Canvas aus, um den Detailbereich der Komponente zu öffnen. Alternativ können Sie auf die Komponente Spalten im Dataset auswählen doppelklicken, um den Detailbereich zu öffnen.

6. Wählen Sie rechts neben dem Bereich Spalte bearbeiten aus.

7. Erweitern Sie neben Einschließen die Dropdownliste Spaltennamen, und wählen Sie Alle Spalten aus.

8. Wählen Sie + aus, um eine neue Regel hinzuzufügen.

9. Wählen Sie in den Dropdownmenüs die Optionen Ausschließen und Spaltennamen aus.

10. Geben Sie normalized-losses in das Textfeld ein.

11. Wählen Sie rechts unten Speichern aus, um die Spaltenauswahl zu schließen.

    

12. Im Detailbereich der Komponente "Spalten im Dataset auswählen" erweitern Sie Knoteninformationen.

13. Wählen Sie das Textfeld Kommentar aus, und geben Sie Exclude normalized losses (Normalisierte Verluste ausschließen) ein.

    Kommentare werden auf dem Diagramm angezeigt, damit Sie Ihre Pipeline organisieren können.

Fehlende Daten bereinigen

Auch nach dem Entfernen der Spalte normalized-losses weist Ihr Dataset noch fehlende Werte auf. Die restlichen fehlenden Daten können mithilfe der Komponente Clean Missing Data (Fehlende Daten bereinigen) entfernt werden.

Tipp

Die Bereinigung fehlender Werte in den Eingabedaten wird bei den meisten Komponenten im Designer vorausgesetzt.

1. Wählen Sie in den Datasets und der Komponentenpalette links neben dem Zeichenbereich "Komponente" aus, und suchen Sie nach der Komponente "Fehlende Daten bereinigen ".

2. Ziehen Sie die Komponente Clean Missing Data (Fehlende Daten bereinigen) auf die Pipelinecanvas. Verbinden Sie sie mit der Komponente Spalten im Dataset auswählen.

3. Wählen Sie die Komponente Clean Missing Data (Fehlende Daten bereinigen) aus.

4. Wählen Sie das Pfeilsymbol unter der Pipelineschnittstelle rechts neben der Canvas aus, um den Detailbereich der Komponente zu öffnen. Alternativ können Sie auf die Komponente Fehlende Daten bereinigen doppelklicken, um den Detailbereich zu öffnen.

5. Wählen Sie rechts neben dem Bereich Spalte bearbeiten aus.

6. Erweitern Sie im angezeigten Fenster Columns to be cleaned (Zu bereinigende Spalten) das Dropdownmenü neben Einschließen. Wählen Sie "Alle Spalten" aus.

7. Wählen Sie Speichern aus.

8. Wählen Sie im Detailbereich der Komponente Fehlende Daten bereinigen unter Bereinigungsmodus die Option Gesamte Zeile entfernen aus.

9. Erweitern Sie im Detailbereich der Komponente Fehlende Daten bereinigen den Abschnitt Knoteninformationen.

10. Wählen Sie das Textfeld Kommentar aus, und geben Sie Fehlende Wertzeilen entfernen ein.

    Ihre Pipeline sollte nun in etwa wie folgt aussehen:

    

Trainieren eines Machine Learning-Modells

Nachdem Sie nun über die Komponenten für die Datenverarbeitung verfügen, können Sie die Trainingskomponenten einrichten.

Da Sie einen Preis (also eine Zahl) vorhersagen möchten, können Sie einen Regressionsalgorithmus verwenden. In diesem Beispiel verwenden Sie ein lineares Regressionsmodell.

Teilen der Daten

Das Aufteilen von Daten ist eine gängige Aufgabe beim maschinellen Lernen. Ihre Daten werden in zwei separate Datasets aufgeteilt. Ein Datensatz trainiert das Modell und der andere testet, wie gut das Modell abgeschnitten hat.

1. Wählen Sie in den Datasets und der Komponentenpalette links neben dem Zeichenbereich "Komponente" aus, und suchen Sie nach der Komponente " Geteilte Daten ".

2. Ziehen Sie die Komponente Split Data (Daten aufteilen) auf die Pipelinecanvas.

3. Verbinden Sie den linken Port der Komponente Clean Missing Data (Fehlende Daten bereinigen) mit der Komponente Split Data (Daten aufteilen).

   Wichtig

   Achten Sie darauf, dass der linke Ausgabeport von Fehlende Daten bereinigen mit Daten aufteilen verbunden ist. Der linke Port enthält die bereinigten Daten. Der rechte Port enthält die verworfenen Daten.

4. Wählen Sie die Komponente Daten aufteilen aus.

5. Wählen Sie das Pfeilsymbol unter der Pipelineschnittstelle rechts neben der Canvas aus, um den Detailbereich der Komponente zu öffnen. Alternativ können Sie auf die Komponente Daten aufteilen doppelklicken, um den Detailbereich zu öffnen.

6. Legen Sie im Detailbereich geteilte Daten den Anteil der Zeilen im ersten Ausgabedatensatz auf 0,7 fest.

   Mit dieser Option werden 70 Prozent der Daten zum Trainieren des Modells und 30 Prozent zum Testen verwendet. Der Zugriff auf das 70-prozentige Dataset erfolgt über den linken Ausgabeport. Die restlichen Daten sind über den rechten Ausgabeport verfügbar.

7. Erweitern Sie im Detailbereich Split Data die Knoteninformationen.

8. Wählen Sie das Textfeld Kommentar aus, und geben Sie Dataset in Trainingssatz (0,7) und Testsatz (0,3) unterteilen ein.

Trainieren des Modells

Trainieren Sie das Modell, indem Sie ein Dataset mit Preis bereitstellen. Durch den Algorithmus wird ein Modell erstellt, das die Beziehung zwischen den Features und dem Preis aus den Trainingsdaten erklärt.

1. Wählen Sie in den Datasets und der Komponentenpalette links neben der Zeichenfläche Komponente aus, und suchen Sie nach der Linear Regression-Komponente.

2. Ziehen Sie die Komponente Lineare Regression auf die Pipelinecanvas.

3. Wählen Sie in der links vom Zeichenbereich befindlichen Datasets- und Komponentenpalette die Option Component aus und suchen Sie dann nach der Komponente Train Model.

4. Ziehen Sie die Komponente Modell trainieren auf die Pipelinecanvas.

5. Verbinden Sie die Ausgabe der Komponente Linear Regression (Lineare Regression) mit der linken Eingabe der Komponente Train Model (Modell trainieren).

6. Verbinden Sie die Trainingsdatenausgabe (linker Port) der Komponente Split Data (Daten aufteilen) mit der rechten Eingabe der Komponente Train Model (Modell trainieren).

   Wichtig

   Achten Sie darauf, dass der linke Ausgabeport von Daten aufteilen mit Modell trainieren verbunden ist. Der linke Port enthält den Trainingssatz. Der rechte Port enthält den Testsatz.

   

7. Wählen Sie die Komponente Trainingsmodell.

8. Wählen Sie das Pfeilsymbol unter Pipelineeinstellungen rechts neben der Canvas aus, um den Detailbereich der Komponente zu öffnen. Alternativ können Sie auf die Komponente Modell trainieren doppelklicken, um den Detailbereich zu öffnen.

9. Wählen Sie rechts neben dem Bereich Spalte bearbeiten aus.

10. Erweitern Sie im angezeigten Fenster Bezeichnungsspalte das Dropdownmenü, und wählen Sie Spaltennamen aus.

11. Geben Sie price (Preis) in das Textfeld ein, um den Wert anzugeben, der von Ihrem Modell prognostiziert wird.

    Wichtig

    Achten Sie darauf, dass Sie den Spaltennamen genau eingeben. Preis nicht groß schreiben.

    Ihre Pipeline sollte wie folgt aussehen:

    

Hinzufügen der Komponente „Score Model“ (Modell bewerten)

Nachdem Sie das Modell mit 70 Prozent der Daten trainiert haben, können Sie unter Verwendung der restlichen 30 Prozent bewerten, wie gut das Modell funktioniert.

1. Wählen Sie in den Datasets und der Komponentenpalette links neben der Leinwand die Komponente Component aus und suchen Sie nach der Komponente Score Model.

2. Ziehen Sie die Komponente Modell bewerten auf die Pipelinecanvas.

3. Verbinden Sie die Ausgabe der Komponente Train Model (Model trainieren) mit dem linken Eingabeport von Score Model (Modell bewerten). Verbinden Sie die Testdatenausgabe (den rechten Port) der Komponente Split Data (Daten teilen) mit dem rechten Eingabeport von Score Model (Modell bewerten).

Hinzufügen der Komponente „Evaluate Model“ (Modell auswerten)

Verwenden Sie die Komponente Evaluate Model (Modell auswerten), um auszuwerten, wie gut das Testdataset von Ihrem Modell bewertet wurde.

1. Wählen Sie in den Datasets und der Komponentenpalette links neben dem Zeichenbereich "Komponente" aus, und suchen Sie nach der Komponente "Modell auswerten ".

2. Ziehen Sie die Komponente Modell auswerten auf die Pipelinecanvas.

3. Verbinden Sie die Ausgabe der Komponente Score Model (Modell bewerten) mit der linken Eingabe von Evaluate Model (Modell auswerten).

   Die fertige Pipeline sollte in etwa wie folgt aussehen:

   

Übermitteln der Pipeline

1. Wählen Sie "Konfigurieren und Übermitteln" in der oberen Ecke aus, um die Pipeline zu übermitteln.

2. Nachdem der Schritt-für-Schritt-Assistent angezeigt wurde, folgen Sie dem Assistenten, um den Pipelineauftrag zu übermitteln.

   

   In den Grundlagen können Sie das Experiment, den Anzeigenamen des Auftrags, die Auftragsbeschreibung usw. konfigurieren.

   In Eingaben und Ausgaben können Sie den Eingaben und Ausgaben, die auf Pipelineebene höhergestuft werden, Wert zuweisen. Es ist in diesem Beispiel leer, da keine Eingabe oder Ausgabe auf Pipelineebene heraufstufen wurde.

   In Laufzeiteinstellungen können Sie den Standarddatenspeicher und den Standardcompute für die Pipeline festlegen. Es ist der Standarddatenspeicher und berechnet für alle Komponenten in der Pipeline. Wenn Sie jedoch einen anderen Compute- oder Datenspeicher für eine Komponente explizit festlegen, berücksichtigt das System die Einstellung auf Komponentenebene. Andernfalls verwendet es die Standardeinstellung.

   Der Schritt Überprüfen + Übermitteln ist der letzte Schritt, um alle Einstellungen vor dem Übermitteln zu überprüfen. Der Assistent merkt sich Ihre letzte Konfiguration, wenn Sie die Pipeline jemals übermitteln.

Nach dem Übermitteln des Pipelineauftrags wird oben eine Nachricht mit einem Link zum Auftragsdetail angezeigt. Sie können diesen Link auswählen, um die Details des Auftrags zu überprüfen.

Anzeigen bewerteter Bezeichnungen

Auf der Detailseite des Jobs können Sie den Status des Pipeline-Jobs, die Ergebnisse und die Protokolle einsehen.

Nach Abschluss des Auftrags können Sie sich die Ergebnisse ansehen. Sehen Sie sich zuerst die vom Regressionsmodell generierten Vorhersagen an.

1. Klicken Sie mit der rechten Maustaste auf die Komponente Score Model (Modell bewerten), und wählen Sie Datenvorschau anzeigen>Bewertetes Dataset aus, um seine Ausgabe anzuzeigen.

   Hier sehen Sie die vorhergesagten Preise und die tatsächlichen Preise aus den Testdaten.

   

Auswerten von Modellen

Verwenden Sie das Modul Evaluate Model (Modell auswerten), um zu prüfen, wie gut das trainierte Modell beim Testdataset abgeschnitten hat.

1. Klicken Sie mit der rechten Maustaste auf die Komponente Evaluate Model (Modell auswerten), und wählen Sie Vorschaudaten anzeigen>Auswertungsergebnisse aus, um seine Ausgabe anzuzeigen.

Die folgenden Statistiken werden für Ihr Modell angezeigt:

• Mean Absolute Error (MAE) (Mittlerer absoluter Fehler): Der Mittelwert der absoluten Fehler. Ein Fehler ist der Unterschied zwischen dem vorhergesagten Wert und dem tatsächlichen Wert.
• Root Mean Squared Error (RMSE) (Wurzel des mittleren quadratischen Fehlers): Die Quadratwurzel des Durchschnitts des Quadrats der Prognosefehler für das Testdataset.
• Relative Absolute Error: Der Mittelwert der absoluten Fehler relativ zur absoluten Differenz zwischen tatsächlichen Werten und dem Durchschnitt aller tatsächlichen Werte.
• Relative Squared Error: Der Durchschnitt der quadrierten Fehler relativ zur quadrierten Differenz zwischen tatsächlichen Werten und dem Durchschnitt aller tatsächlichen Werte.
• Coefficient of Determination: Dieser auch als „R-Quadrat“ bezeichnete Wert ist eine statistische Kenngröße, die angibt, wie gut ein Modell zu den Daten passt.

Für jede Fehlerstatistik sind kleinere Werte besser. Ein kleinerer Wert gibt an, dass die Vorhersagen näher bei den tatsächlichen Werten liegen. Für den Bestimmungskoeffizienten gilt Folgendes: Je näher der Bestimmungskoeffizient am Wert eins (1,0) liegt, desto besser die Vorhersage.

Bereinigen von Ressourcen

Überspringen Sie diesen Abschnitt, wenn Sie mit dem zweiten Teil des Tutorials (Bereitstellen eines Machine Learning-Modells mit dem Designer) fortfahren möchten.

Wichtig

Sie können die von Ihnen bei der Vorbereitung erstellten Ressourcen auch in anderen Tutorials und Anleitungen für Azure Machine Learning verwenden.

Alles löschen

Wenn Sie die erstellten Ressourcen nicht mehr benötigen, löschen Sie die gesamte Ressourcengruppe, damit Ihnen keine Kosten entstehen.

1. Wählen Sie im Azure-Portal links im Fenster Ressourcengruppen aus.

   

2. Wählen Sie in der Liste die Ressourcengruppe aus, die Sie erstellt haben.

3. Klicken Sie auf Ressourcengruppe löschen.

Durch das Löschen einer Ressourcengruppe werden auch alle im Designer erstellten Ressourcen gelöscht.

Löschen einzelner Objekte

In dem Designer, in dem Sie Ihr Experiment erstellt haben, können Sie einzelne Ressourcen löschen, indem Sie erst die gewünschten Ressourcen und dann die Schaltfläche Löschen auswählen.

Das hier erstellte Computeziel wird automatisch auf null Knoten skaliert, wenn es nicht verwendet wird. Diese Aktion wird durchgeführt, um Gebühren zu minimieren. Wenn Sie das Computeziel löschen möchten, führen Sie die folgenden Schritte aus:

Die Registrierung von Datasets im Arbeitsbereich kann aufgehoben werden, indem Sie die einzelnen Datasets und anschließend Registrierung aufheben auswählen.

Zum Löschen eines Datasets wechseln Sie im Azure-Portal oder Azure Storage-Explorer zum Speicherkonto, und löschen Sie diese Ressourcen manuell.

Nächster Schritt

Im zweiten Teil erfahren Sie, wie Sie Ihr Modell als Echtzeitendpunkt bereitstellen.

Mit dem Bereitstellen von Modellen fortfahren