3. oktatóanyag: Hitelkockázati modell üzembe helyezése – Machine Learning Studio (klasszikus)
ÉRVÉNYES: Machine Learning Studio (klasszikus) Azure Machine Learning
Fontos
A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.
2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.
- A gépi tanulási projektek ML Studióból (klasszikus) Azure Machine Learningbe való áthelyezéséről szóló információk.
- További információ az Azure Machine Learningről
A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.
Ebben az oktatóanyagban részletes áttekintést nyújt a prediktív elemzési megoldások fejlesztésének folyamatáról. Egy egyszerű modellt fejleszthet a Machine Learning Studióban (klasszikus). Ezután gépi tanulási webszolgáltatásként kell üzembe helyeznie a modellt. Ez az üzembe helyezett modell új adatokkal tud előrejelzéseket készíteni. Ez az oktatóanyag egy háromrészes oktatóanyag-sorozat harmadik része.
Tegyük fel, hogy előrejelzést kell készíteni egy személy hitelkockázatáról az általa kitöltött hitelkérelemben megadott adatok alapján.
A hitelkockázat-felmérés összetett probléma, de ez az oktatóanyag egy kicsit leegyszerűsíti. Példaként fogja használni, hogyan hozhat létre prediktív elemzési megoldást a Machine Learning Studióval (klasszikus). Ehhez a megoldáshoz a Machine Learning Studio (klasszikus) és a Machine Learning webszolgáltatást fogja használni.
Ebben a háromrészes oktatóanyagban a nyilvánosan elérhető hitelkockázati adatokkal kezd. Ezután fejleszthet és taníthat be egy prediktív modellt. Végül webszolgáltatásként helyezi üzembe a modellt.
Az oktatóanyag első részében létrehozott egy Machine Learning Studio-munkaterületet (klasszikus), feltöltött adatokat, és létrehozott egy kísérletet.
Az oktatóanyag második részében betanított és kiértékelt modelleket.
Az oktatóanyag jelen részében a következőket fogja elkönyvelni:
- Felkészülés az üzembe helyezésre
- A webszolgáltatás üzembe helyezése
- A webszolgáltatás tesztelése
- A webszolgáltatás kezelése
- Hozzáférés a webszolgáltatáshoz
Előfeltételek
Végezze el az oktatóanyag második részét.
Felkészülés az üzembe helyezésre
Ha lehetőséget szeretne adni másoknak az oktatóanyagban kifejlesztett prediktív modell használatára, üzembe helyezheti azt webszolgáltatásként az Azure-ban.
Eddig a pontig kísérletezett a modell betanításával. Az üzembe helyezett szolgáltatás azonban már nem fog betanítást végezni – új előrejelzéseket fog generálni a felhasználó bemenetének a modell alapján történő pontozásával. Ezért készülünk fel arra, hogy ezt a kísérletet egy betanítási kísérletből prediktív kísérletté alakítsuk.
Az üzembe helyezés előkészítése három lépésből áll:
- Az egyik modell eltávolítása
- A létrehozott betanítási kísérlet átalakítása prediktív kísérletté
- A prediktív kísérlet üzembe helyezése webszolgáltatásként
Az egyik modell eltávolítása
Először egy kicsit le kell vágnia ezt a kísérletet. jelenleg két különböző modellel rendelkezik a kísérletben, de csak egy modellt szeretne használni, amikor ezt webszolgáltatásként telepíti.
Tegyük fel, hogy úgy döntött, hogy a megnövelt famodell jobban teljesített, mint az SVM-modell. Az első teendő tehát a kétosztályos támogatási vektorgép modul és a betanításhoz használt modulok eltávolítása. Érdemes lehet először másolatot készítenie a kísérletről, ha a kísérletvászon alján a Mentés másként gombra kattint.
törölnie kell a következő modulokat:
- Kétosztályos támogatási vektorgép
- A hozzá csatlakoztatott modell- és pontszámmodell-modulok betanítása
- Adatok normalizálása (mindkettő)
- Modell kiértékelése (mert befejeztük a modellek kiértékelését)
Jelölje ki az egyes modulokat, és nyomja le a Delete billentyűt, vagy kattintson a jobb gombbal a modulra, és válassza a Törlés lehetőséget.
A modellnek így kell kinéznie:
Most már készen állunk a modell üzembe helyezésére a kétosztályos emelt szintű döntési fa használatával.
A betanítási kísérlet átalakítása prediktív kísérletté
Ahhoz, hogy a modell üzembe helyezésre kész legyen, ezt a betanítási kísérletet prediktív kísérletté kell alakítania. Ez három lépésből áll:
- Mentse a betanított modellt, majd cserélje le a betanítási modulokat
- A kísérlet levágása a csak a betanításhoz szükséges modulok eltávolításához
- Adja meg, hogy a webszolgáltatás hol fogadja el a bemenetet, és hol hozza létre a kimenetet
ezt manuálisan is megteheti, de szerencsére mindhárom lépés elvégezhető a kísérletvászon alján a Webszolgáltatás beállítása elemre kattintva (és a Prediktív webszolgáltatás lehetőség kiválasztásával).
Tipp.
Ha további részleteket szeretne megtudni arról, hogy mi történik, amikor egy betanítási kísérletet prediktív kísérletté alakít át, olvassa el a Modell előkészítése a Machine Learning Studióban (klasszikus) való üzembe helyezéshez című témakört.
A Webszolgáltatás beállítása gombra kattintva számos dolog történik:
- A betanított modell egyetlen betanított modell modullá alakul, és a kísérletvászontól balra található modulkatalógusban tárolja (a Betanított modellek területen található)
- A betanításhoz használt modulokat eltávolítják; kifejezetten:
- Kétosztályos emelt szintű döntési fa
- Modell betanítása
- Adatok felosztása
- a tesztelési adatokhoz használt második R-szkriptmodul
- A mentett betanított modell visszakerül a kísérletbe
- A rendszer hozzáadja a webszolgáltatás bemeneti és webszolgáltatás-kimeneti moduljait (ezek azonosítják, hogy a felhasználó adatai hová kerülnek a modellbe, és milyen adatokat adnak vissza a webszolgáltatás elérésekor)
Feljegyzés
Láthatja, hogy a kísérlet két részre van mentve a kísérletvászon tetején hozzáadott lapok alatt. Az eredeti betanítási kísérlet a Betanítási kísérlet lap alatt található, az újonnan létrehozott prediktív kísérlet pedig prediktív kísérlet alatt található. A prediktív kísérlet az, amelyet webszolgáltatásként fog üzembe helyezni.
ehhez a kísérlethez még egy lépést kell elvégeznie. két Végrehajtási R-szkriptmodult adott hozzá, hogy súlyozási függvényt biztosítson az adatokhoz. Ez csak a betanításhoz és teszteléshez szükséges trükk volt, így ezeket a modulokat a végső modellben is kiveheti. A Machine Learning Studio (klasszikus) eltávolított egy Execute R Script modult, amikor eltávolította a Split modult. Most már eltávolíthatja a másikat, és közvetlenül csatlakoztathatja a Metaadat-szerkesztőt a modell pontozásához.
A kísérletnek most a következőképpen kell kinéznie:
Feljegyzés
Felmerülhet a kérdés, hogy miért hagyta el az UCI német hitelkártya-adatkészletét a prediktív kísérletben. A szolgáltatás nem az eredeti adatkészletet, hanem a felhasználó adatait fogja pontszámmal elhozni. Miért hagyja meg az eredeti adathalmazt a modellben?
Igaz, hogy a szolgáltatásnak nincs szüksége az eredeti hitelkártyaadatokra. Az adatok sémájának azonban szüksége van rá, amely olyan információkat tartalmaz, mint például hogy hány oszlop van, és mely oszlopok numerikusak. Ez a sémainformáció a felhasználó adatainak értelmezéséhez szükséges. ezeket az összetevőket összekapcsolva hagyja, hogy a pontozási modul a szolgáltatás futtatásakor az adathalmaz sémájával rendelkezik. A rendszer nem használja az adatokat, csak a sémát.
Fontos megjegyezni, hogy ha az eredeti adatkészlet tartalmazza a címkét, akkor a webes bemenet várt sémája is a címkével rendelkező oszlopra számít! Ennek egyik módja, hogy eltávolítja a címkét és a betanítási adathalmazban lévő egyéb adatokat, de nem lesznek a webes bemenetekben, mielőtt a webes bemenetet és a betanítási adatkészletet egy közös modulhoz csatlakoztatja.
Futtassa utoljára a kísérletet (kattintson a Futtatás gombra).) Ha ellenőrizni szeretné, hogy a modell továbbra is működik-e, kattintson a Modell pontszáma modul kimenetére, és válassza az Eredmények megtekintése lehetőséget. Láthatja, hogy az eredeti adatok megjelennek, valamint a hitelkockázati érték ("Pontozott címkék") és a pontozási valószínűség értéke ("Pontozott valószínűségek".)
A webszolgáltatás üzembe helyezése
A kísérletet klasszikus webszolgáltatásként vagy az Azure Resource Manageren alapuló új webszolgáltatásként is üzembe helyezheti.
Üzembe helyezés klasszikus webszolgáltatásként
A kísérletből származó klasszikus webszolgáltatás üzembe helyezéséhez kattintson a webszolgáltatás üzembe helyezése gombra a vászon alatt, és válassza a Webszolgáltatás üzembe helyezése [Klasszikus] lehetőséget. A Machine Learning Studio (klasszikus) webszolgáltatásként telepíti a kísérletet, és a webszolgáltatás irányítópultjára nyitja meg. Ezen a lapon visszatérhet a kísérlethez (pillanatkép megtekintése vagy a legújabb megtekintése), és futtathat egy egyszerű tesztet a webszolgáltatásról (lásd az alábbi webszolgáltatás tesztelését). A webszolgáltatáshoz hozzáférő alkalmazások létrehozására vonatkozó információk is elérhetők itt (erről az oktatóanyag következő lépésében olvashat bővebben).
A szolgáltatást a KONFIGURÁCIÓ fülre kattintva konfigurálhatja. Itt módosíthatja a szolgáltatásnevet (alapértelmezés szerint a kísérlet nevét kapja), és leírást adhat neki. A bemeneti és kimeneti adatokhoz is adhat barátságosabb címkéket.
Üzembe helyezés új webszolgáltatásként
Feljegyzés
Új webszolgáltatás üzembe helyezéséhez megfelelő engedélyekkel kell rendelkeznie abban az előfizetésben, amelyre a webszolgáltatást telepíti. További információ: Webszolgáltatás kezelése a Machine Learning Web Services portál használatával.
A kísérletből származó új webszolgáltatás üzembe helyezése:
Kattintson a webszolgáltatás üzembe helyezése gombra a vászon alatt, és válassza a Webszolgáltatás üzembe helyezése [Új] lehetőséget. A Machine Learning Studio (klasszikus) átviszi a Machine Learning webszolgáltatások Üzembe helyezési kísérlet lapjára.
Adja meg a webszolgáltatás nevét.
Árcsomag esetén választhat egy meglévő tarifacsomagot, vagy választhatja az "Új létrehozása" lehetőséget, és nevet adhat az új csomagnak, és kiválaszthatja a havi csomag lehetőséget. A csomagszintek alapértelmezés szerint az alapértelmezett régió csomagjai, és a webszolgáltatás az adott régióban van üzembe helyezve.
Kattintson az Üzembe helyezés gombra.
Néhány perc múlva megnyílik a webszolgáltatás rövid útmutató oldala.
A szolgáltatást a Konfigurálás lapra kattintva konfigurálhatja. Itt módosíthatja a szolgáltatás címét, és leírást adhat neki.
A webszolgáltatás teszteléséhez kattintson a Teszt fülre (lásd alább a webszolgáltatás tesztelését). A webszolgáltatáshoz hozzáférő alkalmazások létrehozásával kapcsolatos információkért kattintson a Felhasználás fülre (az oktatóanyag következő lépése részletesebb lesz).
Tipp.
A webszolgáltatást az üzembe helyezés után frissítheti. Ha például módosítani szeretné a modellt, szerkesztheti a betanítási kísérletet, módosíthatja a modell paramétereit, majd kattintson a Webszolgáltatás üzembe helyezése elemre, és válassza a Webszolgáltatás üzembe helyezése [Klasszikus] vagy a Webszolgáltatás üzembe helyezése [Új] lehetőséget. Amikor újra üzembe helyezi a kísérletet, az lecseréli a webszolgáltatást, most pedig a frissített modellt használja.
A webszolgáltatás tesztelése
A webszolgáltatás elérésekor a felhasználó adatai a webszolgáltatás bemeneti modulján keresztül jutnak el a Score Model modulhoz, és pontszámot kapnak. A prediktív kísérlet beállításakor a modell az eredeti hitelkockázati adatkészlettel megegyező formátumban várja az adatokat. Az eredmények a webszolgáltatásból a webszolgáltatás kimeneti modulon keresztül kerülnek vissza a felhasználóhoz .
Tipp.
A prediktív kísérlet konfigurálásának módja, a score model modul teljes eredményei lesznek visszaadva. Ez magában foglalja az összes bemeneti adatot, valamint a hitelkockázati értéket és a pontozás valószínűségét. De ha szeretné, valami mást is visszaadhat , például csak a hitelkockázati értéket. Ehhez szúrjon be egy Oszlopkiválasztás modult a Score Model és a webszolgáltatás kimenete között, hogy ne jelenjenek meg azok az oszlopok, amelyeket a webszolgáltatás nem szeretne visszaadni.
Egy klasszikus webszolgáltatást tesztelhet a Machine Learning Studióban (klasszikus) vagy az Azure Machine Learning Web Services portálon. Új webszolgáltatást csak a Machine Learning Web Services portálon tesztelhet.
Tipp.
A Machine Learning Web Services portálon végzett tesztelés során a portál létrehozhat mintaadatokat, amelyekkel tesztelheti a kérés-válasz szolgáltatást. A Konfigurálás lapon válassza az "Igen" lehetőséget az Engedélyezett mintaadatokhoz? Amikor megnyitja a Kérés-válasz lapot a Teszt lapon, a portál kitölti az eredeti hitelkockázati adatkészletből vett mintaadatokat.
Klasszikus webszolgáltatás tesztelése
Egy klasszikus webszolgáltatást tesztelhet a Machine Learning Studióban (klasszikus) vagy a Machine Learning Web Services portálon.
Tesztelés a Machine Learning Studióban (klasszikus)
A webszolgáltatás IRÁNYÍTÓPULT lapján kattintson az Alapértelmezett végpont alatti Teszt gombra. Ekkor megjelenik egy párbeszédpanel, amely a szolgáltatás bemeneti adatait kéri. Ezek ugyanazok az oszlopok, amelyek az eredeti hitelkockázati adathalmazban jelentek meg.
Adjon meg egy adatkészletet, majd kattintson az OK gombra.
Tesztelés a Machine Learning Web Services portálon
A webszolgáltatás IRÁNYÍTÓPULT lapján kattintson az Alapértelmezett végpont alatti Teszt előnézet hivatkozásra. Megnyílik a webszolgáltatás végpontjának Machine Learning Web Services portáljának tesztlapja, amely a szolgáltatás bemeneti adatait kéri. Ezek ugyanazok az oszlopok, amelyek az eredeti hitelkockázati adathalmazban jelentek meg.
Kattintson a Kérelem-válasz tesztelése gombra.
Új webszolgáltatás tesztelése
Új webszolgáltatást csak a Machine Learning Web Services portálon tesztelhet.
A Machine Learning Web Services portálon kattintson a lap tetején található Teszt gombra. Megnyílik a Teszt lap, és adatokat adhat meg a szolgáltatáshoz. A megjelenített bemeneti mezők az eredeti hitelkockázati adathalmazban megjelenő oszlopoknak felelnek meg.
Adjon meg egy adatkészletet, majd kattintson a Kérés-válasz tesztelése gombra.
A teszt eredményei a lap jobb oldalán jelennek meg a kimeneti oszlopban.
A webszolgáltatás kezelése
Miután üzembe helyezte a webszolgáltatást , akár klasszikus, akár új, a Machine Learning Web Services portálon kezelheti.
A webszolgáltatás teljesítményének figyelése:
- Bejelentkezés a Machine Learning Web Services portálra
- Kattintson a Webszolgáltatások elemre
- Kattintson a webszolgáltatásra
- Kattintson az irányítópultra
Hozzáférés a webszolgáltatáshoz
Az oktatóanyag előző lépésében üzembe helyezett egy webszolgáltatást, amely a hitelkockázat-előrejelzési modellt használja. Mostantól a felhasználók adatokat küldhetnek neki, és eredményeket kaphatnak.
A webszolgáltatás egy Azure-webszolgáltatás, amely REST API-k használatával kétféleképpen fogadhat és adhat vissza adatokat:
- Kérés/válasz – A felhasználó HTTP protokollal küld egy vagy több kreditsort a szolgáltatásnak, és a szolgáltatás egy vagy több eredménykészlettel válaszol.
- Kötegelt végrehajtás – A felhasználó egy vagy több kreditsort tárol egy Azure-blobban, majd elküldi a blob helyét a szolgáltatásnak. A szolgáltatás a bemeneti blob összes adatsorát pontszámmal jelöli, az eredményeket egy másik blobban tárolja, és visszaadja a tároló URL-címét.
Feljegyzés
A Studio szolgáltatásoszlopnevei (klasszikus) megkülönböztetik a kis- és nagybetűket. Győződjön meg arról, hogy a webszolgáltatás meghívásához használt bemeneti adatoknak ugyanazok az oszlopnevei vannak, mint a betanítási adatkészletben.
A webszolgáltatás elérésével és használatával kapcsolatos további információkért lásd : Machine Learning webszolgáltatás használata webalkalmazás-sablonnal.
Az erőforrások eltávolítása
Ha már nincs szüksége a cikk használatával létrehozott erőforrásokra, törölje őket, hogy elkerülje a díjak felmerülését. Ebből a cikkből megtudhatja, hogyan exportálhatja és törölheti a terméken belüli felhasználói adatokat.
Következő lépések
Ebben az oktatóanyagban az alábbi lépéseket hajtotta végre:
- Felkészülés az üzembe helyezésre
- A webszolgáltatás üzembe helyezése
- A webszolgáltatás tesztelése
- A webszolgáltatás kezelése
- Hozzáférés a webszolgáltatáshoz
Egyéni alkalmazást is fejleszthet a webszolgáltatás eléréséhez az R, C# és Python programozási nyelvekben megadott kezdőkód használatával.