Tutorial 3: Bereitstellen eines Kreditrisikomodells in Azure Machine Learning Studio (Classic)

GILT FÜR:Machine Learning Studio (klassisch) Azure Machine Learning

Wichtig

Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum zu Azure Machine Learning zu wechseln.

Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.

• Informationen zum Verschieben von Machine Learning-Projekten von ML Studio (klassisch) zu Azure Machine Learning.
• Weitere Informationen zu Azure Machine Learning

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

Dieses Tutorial befasst sich eingehend mit der Entwicklung einer Predictive Analytics-Lösung. Hierzu wird in Machine Learning Studio (klassisch) ein einfaches Modell entwickelt. Stellen Sie das Model anschließend als Machine Learning-Webdienst bereit. Dieses bereitgestellte Modell kann auf der Grundlage neuer Daten Vorhersagen generieren. Dieses Lernprogramm ist Teil drei einer dreiteiligen Lernprogrammreihe.

Stellen Sie sich vor, Sie müssen das Kreditrisiko von Personen anhand der Daten auf einem Kreditantrag vorhersagen.

Die Bewertung des Kreditrisikos ist allerdings ein komplexes Problem und wurde daher in diesem Tutorial etwas vereinfacht. Diese Aufgabenstellung dient als Beispiel dafür, wie Sie eine Predictive Analytics-Lösung mit Machine Learning Studio (Classic) erstellen können. Für diese Lösung werden Sie Machine Learning Studio (Classic) und einen Machine-Learning-Webdienst verwenden.

In diesem dreiteiligen Tutorial werden zunächst öffentlich verfügbare Kreditrisikodaten verwendet. Als Nächstes entwickeln und trainieren Sie ein Vorhersagemodell. Abschließend stellen Sie das Modell als Webdienst bereit.

In Teil 1 des Lernprogramms haben Sie einen Machine Learning Studio(klassischen) Arbeitsbereich erstellt, Daten hochgeladen und ein Experiment erstellt.

In Teil 2 des Lernprogramms haben Sie Modelle trainiert und ausgewertet.

In diesem Teil des Tutorials führen Sie die folgenden Schritte aus:

• Vorbereiten der Bereitstellung
• Bereitstellen des Webdiensts
• Testen des Webdiensts
• Verwalten des Webdiensts
• Zugreifen auf den Webdienst

Voraussetzungen

Schließen Sie Teil 2 des Lernprogramms ab.

Vorbereiten der Bereitstellung

Um anderen die Möglichkeit zu geben, das Vorhersagemodell zu nutzen, das Sie in diesem Tutorial entwickelt haben, können Sie es in Azure als Webdienst bereitstellen.

Bis jetzt haben Sie mit dem Trainieren des Modells experimentiert. Der bereitgestellte Dienst führt jedoch kein Training mehr durch, sondern generiert neue Vorhersagen durch Bewerten der Benutzereingaben basierend auf unserem Modell. Wir werden also einige Vorbereitungen unternehmen, um dieses Experiment von einem Schulungsexperiment in ein predictive Experiment umzuwandeln.

Die Bereitstellungsvorbereitung umfasst drei Schritte:

1. Entfernen eines der Modelle
2. Konvertieren des von Ihnen erstellten Trainingsexperiments in ein prädiktives Experiment
3. Bereitstellung des Vorhersageexperiments als Webdienst

Entfernen eines der Modelle

Zunächst müssen Sie das Experiment ein wenig kürzen. Aktuell enthält das Experiment noch zwei Modelle, doch nur eines davon soll als Webdienst bereitgestellt werden.

Angenommen, Sie haben entschieden, dass das Boosted Tree-Modell eine bessere Leistung bietet als das SVM-Modell. Daher müssen Sie zunächst das Two-Class Support Vector Machine Modul und die Module entfernen, die für die Schulung verwendet wurden. Möglicherweise möchten Sie zuerst eine Kopie des Experiments erstellen, indem Sie unten im Experimentbereich auf " Speichern unter " klicken.

Folgende Module müssen gelöscht werden:

• Zweiklassige Stützvektormaschine
• Train-Model und Score-Model-Module, die damit verbunden waren
• Normalisieren von Daten (beide)
• Auswerten des Modells (da wir die Auswertung der Modelle abgeschlossen haben)

Wählen Sie jedes Modul aus und drücken Sie die Entf-Taste, oder klicken Sie mit der rechten Maustaste auf das Modul und wählen Sie Löschen aus.

Unser Modell sollte jetzt etwa wie folgt aussehen:

Jetzt sind wir bereit, dieses Modell mit dem Two-Class Boosted Decision Tree bereitzustellen.

Konvertieren des Trainingsexperiments in ein Vorhersageexperiment

Um dieses Modell auf die Bereitstellung vorzubereiten, muss das Trainingsexperiment in ein Vorhersageexperiment umgewandelt werden. Dies umfasst drei Schritte:

1. Speichern Sie das trainierte Modell und ersetzen Sie unsere Trainingsmodule
2. Optimieren des Experiments, um Module zu entfernen, die nur zu Trainingszwecken benötigt wurden
3. Festlegen, wo der Webdienst Eingaben akzeptiert und wo er Ausgaben generiert

Sie können dies manuell ausführen, aber glücklicherweise können alle drei Schritte ausgeführt werden, indem Sie unten im Experiment-Canvas auf " Webdienst einrichten " klicken (und die Option "Predictive Web Service " auswählen).

Tipp

Wenn Sie weitere Details dazu wünschen, was passiert, wenn Sie ein Schulungsexperiment in ein predictive Experiment konvertieren, lesen Sie , wie Sie Ihr Modell für die Bereitstellung in Machine Learning Studio (klassisch) vorbereiten.

Wenn Sie auf " Webdienst einrichten" klicken, werden mehrere Dinge ausgeführt:

• Das trainierte Modell wird in ein einzelnes Trained Model-Modul konvertiert und in der Modulpalette links neben der Experiment-Canvas gespeichert (Sie finden es unter Trained Models)
• Module, die zur Schulung verwendet wurden, werden entfernt; nämlich:
  • Verstärkter Entscheidungsbaum mit zwei Klassen
  • Modell trainieren
  • Daten teilen
  • das zweite Execute R Script-Modul , das für Testdaten verwendet wurde
• Das gespeicherte trainierte Modell wird dem Experiment wieder hinzugefügt
• Webdiensteingabe - und Webdienstausgabemodule werden hinzugefügt (diese identifizieren, wo die Daten des Benutzers das Modell eingeben und welche Daten zurückgegeben werden, wenn auf den Webdienst zugegriffen wird)

Hinweis

Sie können sehen, dass das Experiment in zwei Teilen unter Registerkarten gespeichert ist, die am oberen Rand der Experimentenfläche hinzugefügt wurden. Das ursprüngliche Trainingsexperiment befindet sich unter dem Tab Training Experiment, und das neu erstellte Predictive Experiment befindet sich unter Predictive Experiment. Sie möchten das Vorhersageexperiment als Webdienst bereitstellen.

Bei diesem Experiment ist ein zusätzlicher Schritt erforderlich. Sie haben zwei Execute R Script-Module hinzugefügt, um eine Gewichtungsfunktion für die Daten bereitzustellen. Das war nur ein Trick, der zum Trainieren und Testen erforderlich war. Die Module können nun also aus dem endgültigen Modell entfernt werden. Machine Learning Studio (klassisch) hat ein Execute R Script-Modul entfernt, wenn es das Split-Modul entfernt hat. Jetzt können Sie den anderen Entfernen und den Metadaten-Editor direkt mit dem Bewertungsmodell verbinden.

Unser Experiment sollte nun wie folgt aussehen:

Hinweis

Sie fragen sich vielleicht, warum der Datensatz „UCI German Credit Card Data“ im Vorhersageexperiment verblieben ist. Der Dienst bewertet die Daten des Benutzers, nicht das Originaldataset. Weshalb also das Originaldataset im Modell belassen?

Es stimmt zwar, dass der Dienst die Originalkreditkartendaten nicht benötigt. Er benötigt aber das Schema für diese Daten, darunter Angaben zur Anzahl der vorhandenen Spalten, und welche Spalten numerisch sind. Diese Schemainformationen sind erforderlich, um die Benutzerdaten zu interpretieren. Sie lassen diese Komponenten verbunden, damit das Bewertungsmodul über das Dataset-Schema verfügt, wenn der Dienst ausgeführt wird. Es werden nicht die Daten verwendet, sondern nur das Schema.

Es ist wichtig zu beachten, dass das erwartete Schema aus der Webeingabe auch eine Spalte mit der Bezeichnung erwartet, wenn Ihr ursprüngliches Dataset die Bezeichnung enthielt! Eine Umgehung dieses Problems besteht darin, die Bezeichnung und alle anderen Daten zu entfernen, die sich im Trainingsdataset befanden, jedoch nicht in den Webeingaben enthalten sein werden, bevor Sie die Webeingabe und das Trainingsdataset in einem allgemeinen Modul verbinden.

Führen Sie das Experiment ein letztes Mal aus (klicken Sie auf 'Ausführen').) Wenn Sie überprüfen möchten, ob das Modell noch funktioniert, klicken Sie auf die Ausgabe des Bewertungsmodellmoduls , und wählen Sie "Ergebnisse anzeigen" aus. Sie sehen, dass die ursprünglichen Daten, zusammen mit dem Wert für das Kreditrisiko („Bewertete Labels“) und dem Bewertungswahrscheinlichkeitswert („Bewertete Wahrscheinlichkeiten“), angezeigt werden.

Bereitstellen des Webdiensts

Sie können das Experiment entweder als klassischen Webdienst oder neuen auf Azure Resource Manager basierenden Webdienst bereitstellen.

Bereitstellen als klassischen Webdienst

Um einen klassischen Webdienst bereitzustellen, der von unserem Experiment abgeleitet wurde, klicken Sie unter dem Zeichenbereich auf "Webdienst bereitstellen ", und wählen Sie "Webdienst bereitstellen[Klassisch]" aus. Machine Learning Studio (klassisch) stellt das Experiment als Webdienst bereit und führt Sie zum Dashboard dieses Webdiensts. Auf dieser Seite können Sie zum Experiment zurückkehren (Momentaufnahme anzeigen oder neueste Anzeigen) und einen einfachen Test des Webdiensts ausführen (siehe unten den Webdienst testen ). Dort befinden sich auch Informationen zum Erstellen von Anwendungen, die auf den Webdienst zugreifen können (mehr dazu im nächsten Schritt dieses Tutorials).

Sie können den Dienst konfigurieren, indem Sie auf die Registerkarte "KONFIGURATION " klicken. Hier können Sie den Dienstnamen (standardmäßig den Namen des Experiments) ändern und ihm eine Beschreibung zuweisen. Sie können auch benutzerfreundlichere Beschriftungen für die Eingabe- und Ausgabedaten festlegen.

Bereitstellen als neuer Webdienst

Hinweis

Zum Bereitstellen eines neuen Webdiensts müssen Sie über ausreichende Berechtigungen in dem Abonnement verfügen, im dem Sie den Webdienst bereitstellen. Weitere Informationen finden Sie unter Verwalten eines Webdiensts mithilfe des Machine Learning Web Services-Portals.

So stellen wir einen aus unserem Experiment abgeleiteten neuen Webdienst bereit

1. Klicken Sie unter dem Zeichenbereich auf "Webdienst bereitstellen ", und wählen Sie "Webdienst bereitstellen [Neu]" aus. Machine Learning Studio (klassisch) überträgt Sie auf die Seite "Machine Learning web services Deploy Experiment ".

2. Geben Sie einen Namen für den Webdienst ein.

3. Bei Preisplan können Sie einen vorhandenen Preisplan auswählen oder "Neu erstellen" auswählen und dem neuen Plan einen Namen geben und die Option "Monatlicher Plan" auswählen. Die Plantarife sind standardmäßig auf die Pläne für Ihre Standardregion festgelegt, und Ihr Webdienst wird in dieser Region bereitgestellt.

4. Klicken Sie auf "Bereitstellen".

Nach ein paar Minuten wird die Schnellstartseite für Ihren Webdienst geöffnet.

Sie können den Dienst konfigurieren, indem Sie auf die Registerkarte " Konfigurieren " klicken. Hier können Sie den Diensttitel ändern und ihm eine Beschreibung geben.

Um den Webdienst zu testen, klicken Sie auf die Registerkarte " Test " (siehe unten den Webdienst testen ). Informationen zum Erstellen von Anwendungen, die auf den Webdienst zugreifen können, finden Sie auf der Registerkarte " Nutzen " (der nächste Schritt in diesem Lernprogramm wird ausführlicher beschrieben).

Tipp

Sie können den Webdienst nach der Bereitstellung aktualisieren. Wenn Sie beispielsweise Ihr Modell ändern möchten, können Sie das Schulungsexperiment bearbeiten, die Modellparameter optimieren und auf "Webdienst bereitstellen" klicken, " Webdienst bereitstellen " [Klassisch] oder Webdienst bereitstellen [Neu]" auswählen. Wenn Sie das Experiment erneut bereitstellen, ersetzt es den Webdienst und verwendet dabei Ihr aktualisiertes Modell.

Testen des Webdiensts

Wenn auf den Webdienst zugegriffen wird, werden die Daten des Benutzers über das Webdiensteingabemodul eingegeben, in dem er an das Scoremodellmodul übergeben und bewertet wird. Aufgrund der Konfiguration des Vorhersageexperiments erwartet das Modell Daten in einem Format, das dem des ursprünglichen Kreditrisiko-Datasets entspricht. Die Ergebnisse werden vom Webdienst über das Webdienstausgabemodul an den Benutzer zurückgegeben.

Tipp

Wie Sie das Predictive Experiment konfiguriert haben, werden die gesamten Ergebnisse aus dem Score Model-Modul zurückgegeben. Dies schließt alle Eingabedaten sowie den Kreditrisikowert und die Bewertungswahrscheinlichkeit ein. Doch Sie können nach Wunsch etwas anderes zurückgeben, z.B. nur den Kreditrisikowert. Fügen Sie dazu ein Modul " Spalten auswählen " zwischen Dem Scoremodell und der Ausgabe des Webdiensts ein, um Spalten zu beseitigen, die vom Webdienst nicht zurückgegeben werden sollen.

Sie können einen klassischen Webdienst entweder in Machine Learning Studio (klassisch) oder im Azure Machine Learning Web Services-Portal testen. Sie können einen neuen Webdienst nur im Machine Learning Web Services-Portal testen.

Tipp

Beim Testen im Machine Learning Web Services-Portal können Sie das Portal Beispieldaten erstellen lassen, mit deren Hilfe Sie den Anforderung/Antwort-Dienst testen können. Wählen Sie auf der Seite "Konfigurieren " für "Beispieldaten aktiviert" "Ja" aus. Wenn Sie die Registerkarte Request-Response auf der Seite " Test " öffnen, füllt das Portal Beispieldaten aus dem ursprünglichen Kreditrisikodatensatz aus.

Testen eines klassischen Webdiensts

Sie können einen klassischen Webdienst in Machine Learning Studio (klassisch) oder im Portal der Machine Learning-Webdienste testen.

Testen in Machine Learning Studio (klassisch)

1. Klicken Sie auf der DASHBOARD-Seite für den Webdienst unter "Standardendpunkt" auf die Schaltfläche "Test". Ein Dialogfeld wird geöffnet, in dem nach den Eingabedaten für den Dienst gefragt werden. Dies sind die gleichen Spalten, die im Originaldataset „Credit Risk“ angezeigt wurden.

2. Geben Sie eine Datenmenge ein, und klicken Sie dann auf "OK".

Testen im Machine Learning Web Services-Portal

1. Klicken Sie auf der Dashboardseite für den Webdienst auf den Link "Vorschau testen " unter "Standardendpunkt". Die Testseite im Machine Learning Web Services-Portal für den Webdienstendpunkt wird geöffnet und fordert Sie zur Angabe der Eingabedaten für den Dienst auf. Dies sind die gleichen Spalten, die im Originaldataset „Credit Risk“ angezeigt wurden.

2. Klicken Sie auf " Anforderungsantwort testen".

Testen eines neuen Webdiensts

Einen neuen Webdienst können Sie nur im Machine Learning Web Services-Portal testen.

1. Klicken Sie im Portal für Machine Learning-Webdienste oben auf der Seite auf "Testen ". Die Seite " Test " wird geöffnet, und Sie können Daten für den Dienst eingeben. Die angezeigten Eingabefelder entsprechen den Spalten im Originaldataset „Credit Risk“.

2. Geben Sie eine Datenmenge ein, und klicken Sie dann auf " Anforderungsantwort testen".

Die Ergebnisse des Tests werden rechts auf der Seite in der Ausgabespalte angezeigt.

Verwalten des Webdiensts

Nachdem Sie Ihren Webdienst bereitgestellt haben, unabhängig davon, ob klassisch oder neu, können Sie ihn über das Machine Learning Web Services-Portal verwalten.

So überwachen Sie die Leistung des Webdiensts

1. Anmelden beim Machine Learning Web Services-Portal
2. Klicken Sie auf Webdienste
3. Klicken Sie auf Ihren Webdienst.
4. Klicken Sie auf das Dashboard

Zugreifen auf den Webdienst

Im vorherigen Schritt in dieses Tutorials haben Sie einen Webdienst bereitgestellt, der Ihr Vorhersagemodell für Kreditrisiken verwendet. Jetzt sind Benutzer in der Lage, Daten an ihn zu senden und Ergebnisse zu erhalten.

Der Webdienst ist ein Azure-Webdienst, der Daten auf eine von zwei Arten über REST-APIs empfangen und zurückgeben kann:

• Anforderung/Antwort : Der Benutzer sendet eine oder mehrere Zeilen mit Kreditdaten mithilfe eines HTTP-Protokolls an den Dienst, und der Dienst antwortet mit mindestens einer Reihe von Ergebnissen.
• Batchausführung : Der Benutzer speichert eine oder mehrere Zeilen mit Kreditdaten in einem Azure-Blob und sendet dann den BLOB-Speicherort an den Dienst. Der Dienst bewertet alle Datenzeilen im Eingabeblob, speichert die Ergebnisse in einem anderen Blob und gibt die URL dieses Containers zurück.

Hinweis

Die Feature-Spaltennamen in Studio (Classic) sind groß-/kleinschreibungssensitiv. Stellen Sie sicher, dass Ihre Eingabedaten für den Aufruf des Webdiensts dieselben Spaltennamen wie im Trainingsdataset aufweisen.

Weitere Informationen zum Zugreifen auf den Webdienst und die Nutzung des Webdiensts finden Sie unter Verwenden eines Machine Learning-Webdiensts mit einer Web-App-Vorlage.

Bereinigen von Ressourcen

Wenn Sie die in diesem Artikel erstellten Ressourcen nicht mehr benötigen, löschen Sie sie, um eventuell anfallende Kosten zu vermeiden. In diesem Artikel erfahren Sie, wie Sie In-Product-Benutzerdaten exportieren und löschen.

Nächste Schritte

In diesem Tutorial haben Sie die folgenden Schritte ausgeführt:

• Vorbereiten der Bereitstellung
• Bereitstellen des Webdiensts
• Testen des Webdiensts
• Verwalten des Webdiensts
• Zugreifen auf den Webdienst

Sie können auch eine benutzerdefinierte Anwendung entwickeln, die mithilfe von in den Programmiersprachen R, C# und Python bereitgestelltem Startcode auf den Webdienst zugreift.

Nutzen eines Machine Learning-Webdiensts