Oktatóanyag: Az éttermi állapot megsértésének súlyossága a Model Builderrel

Megtudhatja, hogyan hozhat létre többosztályos besorolási modellt a Model Builderrel az éttermi jogsértések kockázati szintjének kategorizálásához az egészségügyi vizsgálatok során.

Eben az oktatóanyagban az alábbiakkal fog megismerkedni:

• Az adatok előkészítése és értelmezése
• Modellkészítő konfigurációs fájljának létrehozása
• Forgatókönyv kiválasztása
• Adatok betöltése adatbázisból
• A modell betanítása
• A modell értékelése
• A modell használata előrejelzésekhez

Előfeltételek

Az előfeltételek és a telepítési utasítások listáját a Model Builder telepítési útmutatójában találja.

A Model Builder többosztályos besorolásának áttekintése

Ez a minta egy C# .NET Core-konzolalkalmazást hoz létre, amely a Model Builderrel létrehozott gépi tanulási modell használatával kategorizálja az állapotsértések kockázatát. Az oktatóanyag forráskódját a dotnet/machinelearning-samples GitHub-adattárban találja.

Konzolalkalmazás létrehozása

1. Hozzon létre egy "RestaurantViolations" nevű C# .NET Core-konzolalkalmazást .

Az adatok előkészítése és értelmezése

A gépi tanulási modell betanításához és értékeléséhez használt adatkészlet eredetileg a San Francisco-i Közegészségügyi Minisztérium éttermi biztonsági pontszámaiból származik. Az egyszerűség kedvéért az adathalmazt úgy tömörítették, hogy csak a modell betanítása és az előrejelzések készítéséhez releváns oszlopok legyenek belefoglalva. Az adatkészletről további információt az alábbi webhelyen talál.

Töltse le a Restaurant Safety Scores adatkészletet , és csomagolja ki.

Az adathalmaz minden sora információkat tartalmaz az egészségügyi osztály vizsgálata során megfigyelt szabálysértésekről, valamint a közegészségügyet és a közbiztonságot érintő fenyegetések kockázatfelmérését.

InspectionType	ViolationDescription	RiskCategory
Rutin – Nem ütemezett	Nem megfelelően tisztított vagy megtisztított élelmiszer-érintkezési felületek	Mérsékelt kockázat
Új tulajdonjog	Magas kockázatú csúcsfertőzés	Magas kockázat
Rutin – Nem ütemezett	Nem tiszta, nem megfelelően tárolt vagy nem megfelelő fertőtlenítő törlőkendők	Alacsony kockázat

• InspectionType: az ellenőrzés típusa. Ez lehet egy új létesítmény első alkalommal végzett vizsgálata, rutinvizsgálat, panaszvizsgálat és sok más típus.
• ViolationDescription : a vizsgálat során talált szabálysértés leírása.
• RiskCategory: a szabálysértés kockázatának súlyossága a közegészségre és a biztonságra nézve.

Az label az oszlop, amelyet előre szeretne jelezni. Besorolási feladat végrehajtásakor a cél egy kategória (szöveg vagy numerikus) hozzárendelése. Ebben a besorolási forgatókönyvben a szabálysértés súlyossága alacsony, közepes vagy magas kockázatú. Ezért a RiskCategory a címke. Ezek features azok a bemenetek, amelyeket a modellnek ad a előrejelzéséhez label. Ebben az esetben az InspectionType és a ViolationDescription funkcióként vagy bemenetként szolgál a RiskCategory előrejelzéséhez.

Modellkészítő konfigurációs fájljának létrehozása

Amikor először hozzáadja a Model Buildert a megoldáshoz, a rendszer kérni fogja, hogy hozzon létre egy mbconfig fájlt. A mbconfig fájl nyomon követi a Model Builderben elvégezhető összes műveletet, hogy lehetővé tegye a munkamenet újbóli megnyitását.

1. A Megoldáskezelő kattintson a jobb gombbal a RestaurantViolations projektre, és válassza aGépi tanulási modellhozzáadása>... lehetőséget.
2. Adja a projektnek a mbconfigRestaurantViolationsPrediction nevet, majd kattintson a Hozzáadás gombra.

Forgatókönyv kiválasztása

A modell betanítása érdekében válasszon a Model Builder által biztosított elérhető gépi tanulási forgatókönyvek listájából. Ebben az esetben a forgatókönyv az Adatbesorolás.

1. Ebben a példában a feladat többosztályos besorolás. A Modellkészítő Forgatókönyv lépésében válassza ki az Adatbesorolási forgatókönyvet.

Az adatok betöltése

A Model Builder SQL Server adatbázisból vagy helyi fájlból csvfogad adatokat , tsvvagy txt formátumban.

1. A Modellszerkesztő eszköz adatlépésében válassza ki a SQL Server lehetőséget az adatforrástípus kiválasztásából.
2. Válassza az Adatforrás kiválasztása gombot.
   1. Az Adatforrás kiválasztása párbeszédpanelen válassza a Microsoft SQL Server Adatbázisfájl lehetőséget.
   2. Törölje a jelölést a Mindig használja ezt a kijelölést jelölőnégyzetet, és kattintson a Folytatás gombra.
   3. A Kapcsolat tulajdonságai párbeszédpanelen válassza a Tallózás lehetőséget, majd válassza ki a letöltött RestaurantScores.mdf fájlt.
   4. Válassza az OK lehetőséget.
3. A Táblázat legördülő menüben válassza a Szabálysértések lehetőséget.
4. Az Oszlop legördülő menüben válassza a RiskCategory (Kockázatkategória) lehetőséget az előrejelzéshez (Címke) legördülő listából.
5. Hagyja meg az alapértelmezett beállításokat a Speciális adatok beállításban.
6. A Következő lépés gombra kattintva lépjen a Betanított lépésre a Modellszerkesztőben.

A modell betanítása

Az oktatóanyagban a problémabesorolási modell betanítása során használt gépi tanulási feladat a többosztályos besorolás. A modellbetanítási folyamat során a Model Builder különböző többosztályos besorolási algoritmusokkal és beállításokkal tanítja be a különálló modelleket, hogy megtalálja az adathalmaz legjobban teljesítő modelljét.

A modell betanítása az adatok mennyiségével arányos. A Model Builder automatikusan kiválasztja a Time to train (másodperc) alapértelmezett értékét az adatforrás mérete alapján.

1. A Model Builder a Betanított idő (másodperc) értékét 60 másodpercre állítja. A hosszabb ideig tartó betanítás lehetővé teszi, hogy a Model Builder nagyobb számú algoritmust és paraméterek kombinációját vizsgálja meg a legjobb modell keresése érdekében.
2. Kattintson a Betanítás indítása gombra.

A betanítási folyamat során a folyamat előrehaladási adatai a Training results betanítási lépés szakaszában jelennek meg.

• Az állapot megjeleníti a betanítási folyamat befejezési állapotát.
• A legjobb pontosság a Model Builder által eddig talált legjobban teljesítő modell pontosságát jeleníti meg. A nagyobb pontosság azt jelenti, hogy a modell helyesebben előrejelzett a tesztadatokon.
• A legjobb algoritmus megjeleníti a Model Builder által eddig legjobban teljesítő algoritmus nevét.
• Az utolsó algoritmus megjeleníti annak az algoritmusnak a nevét, amelyet a Model Builder legutóbb használt a modell betanítása érdekében.

A betanítás befejezése után a mbconfig fájl a betanítás után meghívja RestaurantViolationsPrediction.zip a létrehozott modellt, és két C#-fájlt is:

• RestaurantViolationsPrediction.consumption.cs: Ez a fájl egy nyilvános metódussal rendelkezik, amely betölti a modellt, és létrehoz vele egy előrejelzési motort, és visszaadja az előrejelzést.
• RestaurantViolationsPrediction.training.cs: Ez a fájl a Model Builder által létrehozott betanítási folyamatból áll, amely a legjobb modellt hozza létre, beleértve a használt hiperparamétereket is.

Kattintson a Tovább lépés gombra az értékelési lépéshez való navigáláshoz.

A modell értékelése

A betanítási lépés eredménye egy olyan modell lesz, amely a legjobb teljesítményt nyújtotta. A Model Builder eszköz kiértékelési lépésében, a Legjobb modell szakaszban a Modell bejegyzésben a legjobban teljesítő modell által használt algoritmust, valamint az adott modell metrikáit fogja tartalmazni a Pontosság területen.

Emellett a Visual Studio Output (Kimenet ) ablakában megjelenik egy összegző táblázat, amely a felső modelleket és azok metrikáit tartalmazza.

Ez a szakasz azt is lehetővé teszi, hogy egyetlen előrejelzés végrehajtásával tesztelje a modellt. A program szövegmezőket kínál az értékek kitöltéséhez, és az Előrejelzés gombra kattintva a legjobb modellből kaphat előrejelzést. Ez alapértelmezés szerint az adathalmaz egy véletlenszerű sorával lesz kitöltve.

(Nem kötelező) A modell felhasználása

Ebben a lépésben olyan projektsablonok lesznek, amelyekkel felhasználhatja a modellt. Ez a lépés nem kötelező, és kiválaszthatja az igényeinek leginkább megfelelő módszert a modell kiszolgálásához.

• Konzolalkalmazás
• Webes API

Konzolalkalmazás

Amikor konzolalkalmazást ad hozzá a megoldáshoz, a rendszer kérni fogja, hogy nevezze el a projektet.

1. Nevezze el a konzolprojektet RestaurantViolationsPrediction_Console.

2. Kattintson a Hozzáadás a megoldáshoz elemre a projekt aktuális megoldáshoz való hozzáadásához.

3. Futtassa az alkalmazást.

   A program által létrehozott kimenetnek az alábbi kódrészlethez hasonlóan kell kinéznie:

   InspectionType: Routine - Unscheduled
   ViolationDescription: Moderate risk food holding temperature
   
   Predicted RiskCategory: Moderate Risk
   

Webes API

Amikor webes API-t ad hozzá a megoldáshoz, a rendszer kérni fogja, hogy nevezze el a projektet.

1. Nevezze el a webes API-projektet RestaurantViolationsPrediction_API.

2. Kattintson a Hozzáadás a megoldáshoz* elemre a projekt aktuális megoldáshoz való hozzáadásához.

3. Futtassa az alkalmazást.

4. Nyissa meg a PowerShellt, és írja be a következő kódot, ahol a PORT az a port, amelyen az alkalmazás figyel.

   $body = @{
       InspectionType="Reinspection/Followup"
       ViolationDescription="Inadequately cleaned or sanitized food contact surfaces"
   }
   
   Invoke-RestMethod "https://localhost:<PORT>/predict" -Method Post -Body ($body | ConvertTo-Json) -ContentType "application/json"
   

5. Ha sikeres, a kimenetnek az alábbi szöveghez hasonlóan kell kinéznie. A kimenetben az előrejelzett RiskCategory (Kockázatkategória ) közepes kockázatú , és az egyes bemeneti címkék pontszámai ( Alacsony kockázat, Magas kockázat és Közepes kockázat).

   prediction    score
   ----------    -----
   Moderate Risk {0.055566575, 0.058012854, 0.88642055}
   

Gratulálunk! Sikeresen létrehozott egy gépi tanulási modellt, amely kategorizálja az állapotsértések kockázatát a Model Builder használatával. Az oktatóanyag forráskódját a dotnet/machinelearning-samples GitHub-adattárban találja.

További források

Ha többet szeretne megtudni az oktatóanyagban említett témakörökről, tekintse meg az alábbi forrásanyagokat:

• Modellkészítői forgatókönyvek
• Többosztályos besorolás
• Többosztályos besorolási modell metrikái