Prediktív folyamat létrehozása a Machine Learning Studióval (klasszikus) az Azure Data Factory vagy a Synapse Analytics használatával
A következőkre vonatkozik: Azure Data Factory
Azure Synapse Analytics
Tipp.
Próbálja ki a Data Factoryt a Microsoft Fabricben, amely egy teljes körű elemzési megoldás a nagyvállalatok számára. A Microsoft Fabric az adattovábbítástól az adatelemzésig, a valós idejű elemzésig, az üzleti intelligenciáig és a jelentéskészítésig mindent lefed. Ismerje meg, hogyan indíthat új próbaverziót ingyenesen!
Fontos
Az Azure Machine Learning Studio (klasszikus) támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy erre a dátumra váltson az Azure Machine Learningre .
2021. december 1-től nem hozhat létre új Machine Learning Studio-erőforrásokat (klasszikus) (munkaterület- és webszolgáltatás-csomagot). 2024. augusztus 31-ig továbbra is használhatja a Machine Learning Studio (klasszikus) kísérleteket és webszolgáltatásokat. További információk:
- Migrálás az Azure Machine Learningbe a Machine Learning Studióból (klasszikus)
- Mi az Azure Machine Learning?
A Machine Learning Studio (klasszikus) dokumentációja kivezetés alatt áll, és előfordulhat, hogy a jövőben nem frissül.
Feljegyzés
Mivel a Machine Learning Studio (klasszikus) erőforrásai 2021. dec. 1-jén már nem hozhatók létre, a felhasználókat arra ösztönzik, hogy a Machine Learning Studio (klasszikus) kötegek végrehajtása helyett az Azure Machine Learninget a Machine Learning Végrehajtási folyamat tevékenységével használják.
Az ML Studio (klasszikus) lehetővé teszi prediktív elemzési megoldások létrehozását, tesztelését és üzembe helyezését. Magas szintű szempontból három lépésben történik:
- Hozzon létre egy betanítási kísérletet. Ezt a lépést az ML Studio (klasszikus) használatával teheti meg. Az ML Studio (klasszikus) egy együttműködési vizualizációfejlesztési környezet, amellyel betanítási adatokkal taníthat be és tesztelhet prediktív elemzési modelleket.
- Alakítsa át prediktív kísérletté. Miután a modellt már betanították a meglévő adatokkal, és készen áll az új adatok pontozására, előkészítheti és egyszerűsítheti a kísérletet a pontozáshoz.
- Üzembe helyezheti webszolgáltatásként. A pontozási kísérletet Közzéteheti Azure-webszolgáltatásként. Ezen a webszolgáltatás-végponton keresztül adatokat küldhet a modellnek, és eredmény-előrejelzéseket kaphat a modelltől.
A Machine Learning Studio (klasszikus) használata az Azure Data Factory vagy a Synapse Analytics használatával
Az Azure Data Factory és a Synapse Analytics segítségével egyszerűen hozhat létre olyan folyamatokat, amelyek egy közzétett Machine Learning Studio-webszolgáltatást (klasszikus) használnak prediktív elemzéshez. A kötegelt végrehajtási tevékenység folyamaton belüli használatával meghívhatja a Machine Learning Studio (klasszikus) webszolgáltatást, hogy előrejelzéseket készítsen a kötegben lévő adatokról.
Idővel a Machine Learning Studio (klasszikus) pontozási kísérleteinek prediktív modelljeit új bemeneti adatkészletekkel kell újratanulni. A modelleket a következő lépésekkel taníthatja be újra egy folyamatból:
- A betanítási kísérlet közzététele (nem prediktív kísérlet) webszolgáltatásként. Ezt a lépést az ML Studióban (klasszikus) kell elvégeznie, ahogyan azt az előző forgatókönyv prediktív kísérletének webes szolgáltatásként való közzététele érdekében tette.
- Az ML Studio (klasszikus) Batch végrehajtási tevékenységével hívja meg a webszolgáltatást a betanítási kísérlethez. Alapvetően az ML Studio (klasszikus) Batch Execution tevékenységével meghívhatja a betanítási webszolgáltatást és a pontozási webszolgáltatást is.
Miután végzett az újratanítással, frissítse a pontozó webszolgáltatást (a webszolgáltatásként közzétett prediktív kísérletet) az újonnan betanított modellel az ML Studio (klasszikus) frissítési erőforrás-tevékenységével. A részletekért tekintse meg a modellek frissítését az erőforrás-tevékenység frissítésével foglalkozó cikkben.
ML Studio (klasszikus) társított szolgáltatás
Egy Machine Learning Studio (klasszikus) társított szolgáltatást hoz létre a Machine Learning Studio (klasszikus) webszolgáltatás összekapcsolásához. A társított szolgáltatást a Machine Learning Studio (klasszikus) batch végrehajtási tevékenysége és az erőforrás-frissítési tevékenység használja.
{
"type" : "linkedServices",
"name": "AzureMLLinkedService",
"properties": {
"type": "AzureML",
"typeProperties": {
"mlEndpoint": "URL to Azure ML Predictive Web Service",
"apiKey": {
"type": "SecureString",
"value": "api key"
}
},
"connectVia": {
"referenceName": "<name of Integration Runtime>",
"type": "IntegrationRuntimeReference"
}
}
}
A JSON-definíció tulajdonságaival kapcsolatos leírásokért tekintse meg a számítási társított szolgáltatásokról szóló cikket.
A Machine Learning Studio (klasszikus) támogatja a klasszikus Web Servicest és a New Web Servicest is a prediktív kísérlethez. A Data Factory vagy a Synapse-munkaterületen kiválaszthatja a megfelelőt. A Machine Learning Studio (klasszikus) társított szolgáltatás létrehozásához szükséges információk lekéréséhez nyissa meg https://services.azureml.netaz összes (új) webszolgáltatást és klasszikus webszolgáltatást. Kattintson a elérni kívánt webszolgáltatásra, majd a Használat lapra. Másolja az apiKey tulajdonság elsődleges kulcsát és a Batch-kérelmeket az mlEndpoint tulajdonsághoz.
ML Studio (klasszikus) kötegelt végrehajtási tevékenység
A következő JSON-kódrészlet egy ML Studio -(klasszikus) Batch Execution-tevékenységet határoz meg. A tevékenységdefiníció hivatkozik a korábban létrehozott ML Studio (klasszikus) társított szolgáltatásra.
{
"name": "AzureMLExecutionActivityTemplate",
"description": "description",
"type": "AzureMLBatchExecution",
"linkedServiceName": {
"referenceName": "AzureMLLinkedService",
"type": "LinkedServiceReference"
},
"typeProperties": {
"webServiceInputs": {
"<web service input name 1>": {
"LinkedServiceName":{
"referenceName": "AzureStorageLinkedService1",
"type": "LinkedServiceReference"
},
"FilePath":"path1"
},
"<web service input name 2>": {
"LinkedServiceName":{
"referenceName": "AzureStorageLinkedService1",
"type": "LinkedServiceReference"
},
"FilePath":"path2"
}
},
"webServiceOutputs": {
"<web service output name 1>": {
"LinkedServiceName":{
"referenceName": "AzureStorageLinkedService2",
"type": "LinkedServiceReference"
},
"FilePath":"path3"
},
"<web service output name 2>": {
"LinkedServiceName":{
"referenceName": "AzureStorageLinkedService2",
"type": "LinkedServiceReference"
},
"FilePath":"path4"
}
},
"globalParameters": {
"<Parameter 1 Name>": "<parameter value>",
"<parameter 2 name>": "<parameter 2 value>"
}
}
}
Tulajdonság | Leírás | Szükséges |
---|---|---|
név | A folyamat tevékenységének neve | Igen |
leírás | A tevékenység tevékenységeit leíró szöveg. | Nem |
típus | A Data Lake Analytics U-SQL-tevékenység esetében a tevékenység típusa az AzureMLBatchExecution. | Igen |
linkedServiceName | Társított szolgáltatások az ML Studio (klasszikus) társított szolgáltatásához. A társított szolgáltatással kapcsolatos további információkért tekintse meg a társított számítási szolgáltatásokról szóló cikket. | Igen |
webServiceInputs | Kulcs, értékpárok, az ML Studio (klasszikus) webszolgáltatás-bemenetek nevének leképezése. A kulcsnak meg kell egyeznie a közzétett ML Studio (klasszikus) webszolgáltatásban definiált bemeneti paraméterekkel. Az érték egy Azure Storage társított szolgáltatások és FilePath-tulajdonságok párja, amely megadja a bemeneti blobhelyeket. | Nem |
webServiceOutputs | Kulcs, érték párok, az ML Studio (klasszikus) webszolgáltatás kimeneteinek neveinek leképezése. A kulcsnak meg kell egyeznie a közzétett ML Studio (klasszikus) webszolgáltatásban definiált kimeneti paraméterekkel. Az érték egy Azure Storage társított szolgáltatások és FilePath-tulajdonságok párja, amely megadja a kimeneti blobhelyeket. | Nem |
globalParameters | Az ML Studio (klasszikus) Batch Execution Service végpontjának átadandó kulcs- és értékpárok. A kulcsoknak meg kell egyeznie a közzétett ML Studio (klasszikus) webszolgáltatásban meghatározott webszolgáltatás-paraméterek nevével. Az értékek az ML Studio (klasszikus) kötegelt végrehajtási kérelem GlobalParameters tulajdonságában lesznek átadva | Nem |
1. forgatókönyv: Webszolgáltatás-bemeneteket/kimeneteket használó kísérletek, amelyek az Azure Blob Storage-ban lévő adatokra hivatkoznak
Ebben a forgatókönyvben a Machine Learning Studio (klasszikus) webszolgáltatás egy Azure Blob Storage-fájlból származó adatokat használó előrejelzéseket készít, és az előrejelzési eredményeket a blobtárolóban tárolja. Az alábbi JSON egy AzureMLBatchExecution-tevékenységgel rendelkező folyamatot határoz meg. Az Azure Blog Storage bemeneti és kimeneti adataira linkedName és FilePath pár hivatkozik. A mintában a bemenetek és kimenetek eltérőek, a szolgáltatás minden bemenetéhez és kimenetéhez használhat különböző társított szolgáltatásokat, hogy a szolgáltatás átvehesse a megfelelő fájlokat, és elküldhesse a Machine Learning Studio (klasszikus) webszolgáltatásának.
Fontos
Az ML Studio (klasszikus) kísérletében a webszolgáltatás bemeneti és kimeneti portjai, valamint a globális paraméterek alapértelmezett neve ("input1", "input2"), amelyeket testre szabhat. A webServiceInputs, a webServiceOutputs és a globalParameters beállításokhoz használt neveknek pontosan meg kell egyeznie a kísérletekben szereplő névvel. A mintakérés hasznos adatait az ML Studio (klasszikus) végpontjának Batch-végrehajtási súgóoldalán tekintheti meg a várt leképezés ellenőrzéséhez.
{
"name": "AzureMLExecutionActivityTemplate",
"description": "description",
"type": "AzureMLBatchExecution",
"linkedServiceName": {
"referenceName": "AzureMLLinkedService",
"type": "LinkedServiceReference"
},
"typeProperties": {
"webServiceInputs": {
"input1": {
"LinkedServiceName":{
"referenceName": "AzureStorageLinkedService1",
"type": "LinkedServiceReference"
},
"FilePath":"amltest/input/in1.csv"
},
"input2": {
"LinkedServiceName":{
"referenceName": "AzureStorageLinkedService1",
"type": "LinkedServiceReference"
},
"FilePath":"amltest/input/in2.csv"
}
},
"webServiceOutputs": {
"outputName1": {
"LinkedServiceName":{
"referenceName": "AzureStorageLinkedService2",
"type": "LinkedServiceReference"
},
"FilePath":"amltest2/output/out1.csv"
},
"outputName2": {
"LinkedServiceName":{
"referenceName": "AzureStorageLinkedService2",
"type": "LinkedServiceReference"
},
"FilePath":"amltest2/output/out2.csv"
}
}
}
}
2. forgatókönyv: Kísérletek az Olvasó/Író modulok használatával különböző tárolókban lévő adatokra való hivatkozáshoz
Az ML Studio (klasszikus) kísérletek létrehozásakor egy másik gyakori forgatókönyv az adatok importálása és a kimeneti adatok moduljainak használata. Az Adatok importálása modul adatokat tölt be egy kísérletbe, a Kimeneti adatok modul pedig a kísérletekből származó adatok mentésére szolgál. Az Adatok és kimeneti adatok importálása modulokkal kapcsolatos részletekért lásd : Adatok és kimeneti adatok importálása témakörök az MSDN-kódtárban.
Az Adatok importálása és a Kimeneti adatok modul használatakor célszerű webszolgáltatás-paramétert használni a modulok minden tulajdonságához. Ezek a webes paraméterek lehetővé teszik az értékek konfigurálását futásidőben. Létrehozhat például egy kísérletet egy Azure SQL Database-t használó Adatimportálási modullal: XXX.database.windows.net. A webszolgáltatás üzembe helyezése után engedélyezni szeretné a webszolgáltatás felhasználói számára egy másik, úgynevezett YYY.database.windows.net
logikai SQL-kiszolgáló megadását. Webszolgáltatás-paraméterrel engedélyezheti ennek az értéknek a konfigurálását.
Feljegyzés
A webszolgáltatás bemenete és kimenete eltér a webszolgáltatás paramétereitől. Az első forgatókönyvben láthatta, hogyan adható meg bemenet és kimenet az ML Studio (klasszikus) webszolgáltatáshoz. Ebben a forgatókönyvben olyan paramétereket ad át egy webszolgáltatásnak, amely megfelel az Adatimportálási/kimeneti adatmodulok tulajdonságainak.
Tekintsünk meg egy forgatókönyvet a webszolgáltatás paramétereinek használatához. Rendelkezik egy telepített ML Studio (klasszikus) webszolgáltatással, amely olvasómodult használ az ML Studio (klasszikus) által támogatott adatforrások (például: Azure SQL Database) adatainak beolvasására. A köteg végrehajtása után az eredmények író modullal (Azure SQL Database) lesznek megírva. A kísérletek nem definiálnak webszolgáltatás-bemeneteket és kimeneteket. Ebben az esetben azt javasoljuk, hogy konfigurálja a megfelelő webszolgáltatás-paramétereket az olvasó- és írómodulokhoz. Ez a konfiguráció lehetővé teszi az olvasó-író modulok konfigurálását az AzureMLBatchExecution-tevékenység használatakor. A webszolgáltatás paramétereit a JSON tevékenység globalParameters szakaszában az alábbiak szerint adhatja meg.
"typeProperties": {
"globalParameters": {
"Database server name": "<myserver>.database.windows.net",
"Database name": "<database>",
"Server user account name": "<user name>",
"Server user account password": "<password>"
}
}
Feljegyzés
A webszolgáltatás paraméterei megkülönböztetik a kis- és nagybetűket, ezért győződjön meg arról, hogy a tevékenységben megadott JSON-nevek megegyeznek a webszolgáltatás által közzétettekkel.
Miután végzett az újratanítással, frissítse a pontozó webszolgáltatást (a webszolgáltatásként közzétett prediktív kísérletet) az újonnan betanított modellel az ML Studio (klasszikus) frissítési erőforrás-tevékenységével. A részletekért tekintse meg a modellek frissítését az erőforrás-tevékenység frissítésével foglalkozó cikkben.
Kapcsolódó tartalom
Tekintse meg az alábbi cikkeket, amelyekből megtudhatja, hogyan alakíthat át adatokat más módokon:
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: