Megosztás a következőn keresztül:

Oktatóanyag: Osztályozza az éttermi egészségügyi szabálysértések súlyosságát a Model Builderrel.

Megtudhatja, hogyan hozhat létre többosztályos besorolási modellt a Model Builder használatával az éttermi jogsértések kockázati szintjének kategorizálásához az állapotvizsgálatok során.

Ebben az oktatóanyagban a következőket sajátíthatja el:

  • Az adatok előkészítése és értelmezése
  • Model Builder konfigurációs fájl létrehozása
  • Forgatókönyv kiválasztása
  • Adatok betöltése adatbázisból
  • A modell betanítása
  • A modell kiértékelése
  • 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 létrehoz egy C#-konzolalkalmazást, amely a Model Builderrel készült gépi tanulási modell használatával kategorizálja az állapotsértések kockázatát. Az oktatóanyag forráskódját a dotnet/machinelearning-samples GitHub-adattárban találja.

Konzolalkalmazás létrehozása

Hozzon létre egy "RestaurantViolations" nevű C#-konzolalkalmazást .

Az adatok előkészítése és értelmezése

A gépi tanulási modell betanításához és kiértékeléséhez 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 készítése szempontjából releváns oszlopokat tartalmazza. Az adatkészletről az alábbi webhelyen tájékozódhat.

Töltse le az Restaurant Safety Scores adatkészletet , és bontsa ki.

Az adathalmaz minden egyes sora információkat tartalmaz az egészségügyi részleg ellenőrzése során megfigyelt jogsértésekről, valamint a közegészségügyre és a biztonságra vonatkozó fenyegetések kockázatfelmérését.

InspekcióTípus Jogszabálysértés leírása RiskCategory
Rutin – Nem ütemezett Nem megfelelően tisztított vagy fertőtlenített élelmiszerrel érintkező felületek Közepes kockázat
Új tulajdonjog Magas kockázatú kártevőfertőzés Magas kockázat
Rutin – Nem ütemezett Nem tiszta, nem megfelelően tárolt törlőrongyok vagy nem megfelelően fertőtlenítettek 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 jogsértés leírása.
  • RiskCategory: a jogsértés kockázat súlyossága a közegészségre és a biztonságra is kihat.

Ez a label 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 tekinthető címkének. Ezek features azok a bemenetek, amelyeket a modell használ, hogy előrejelezze a label. Ebben az esetben az InspectionType és a ViolationDescription funkcióként vagy bemenetként szolgál a RiskCategory előrejelzéséhez.

Model Builder konfigurációs fájl létrehozása

Amikor először hozzáadja a Model Buildert a megoldáshoz, arra kéri, hogy hozzon létre egy mbconfig fájlt. A mbconfig fájl nyomon követi a Model Builderben elvégezhető összes műveletet, hogy újra megnyissa a munkamenetet.

  1. A Megoldáskezelőben kattintson a jobb gombbal a RestaurantViolations projektre, és válassza aMachine Learning-modellhozzáadása> lehetőséget.
  2. Nevezze el a mbconfigrestaurantViolationsPrediction projektet, és kattintson a Hozzáadás gombra.

Forgatókönyv kiválasztása

Model Builder-forgatókönyv képernyő

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 mintában a feladat többosztályos besorolás. A Model Builder Forgatókönyv lépésében válassza ki az Adatbesorolási forgatókönyvet.

Töltse be az adatokat

A Model Builder egy SQL Server-adatbázisból vagy egy helyi fájlból fogad adatokat csv, tsv vagy txt formátumban.

  1. A Model Builder eszköz adatlépésében válassza ki az SQL Servert az adatforrástípus kiválasztásából.
  2. Válassza az Adatforrás kiválasztása gombot.
    1. Az Adatforrás kiválasztása párbeszédpanelen válassza a Microsoft SQL Server-adatbázisfájlt.
    2. Törölje a jelet a Mindig használja ezt a jelölőnégyzet négyzetből, és kattintson a Folytatás gombra.
    3. A Kapcsolat tulajdonságai párbeszédpanelen válassza a Tallózás lehetőséget , és válassza ki a letöltött RestaurantScores.mdf fájlt.
    4. Kattintson az OK gombra.
  3. Válassza a Szabálysértések lehetőséget a Tábla legördülő listában.
  4. Válassza a RiskCategory lehetőséget a Oszlop az előrejelzéshez (Címke) legördülő listában.
  5. Hagyja meg az alapértelmezett beállításokat a Speciális adatbeállításokban.
  6. A Következő lépés gombra kattintva lépjen a Model Builder képzési lépésére.

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 különböző modelleket, hogy megtalálja az adathalmaz legjobban teljesítő modelljét.

A modell betanítása során szükséges idő arányos az adatok mennyiségével. A Model Builder automatikusan kiválaszt egy alapértelmezett értéket idő a betanulásra (másodpercben) az adatforrás mérete alapján.

  1. A Model Builder a betanítás (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(z) Betanítás indításagombra.

A betanítási folyamat során az előrehaladási adatok a tréning lépés Training results 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 van előrejelezve 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 RestaurantViolationsPrediction.zip nevű létrehozott modellt és két C#-fájlt tartalmaz:

  • RestaurantViolationsPrediction.consumption.cs: Ez a fájl egy nyilvános metódussal rendelkezik, amely betölti a modellt, és létrehoz egy előrejelzési motort vele, 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 Következő lépés gombra a kiértékelő lépéshez való navigáláshoz.

A modell kiértékelése

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 pontossági metrikáit fogja tartalmazni.

Emellett a Visual Studio Kimeneti ablakában megjelenik egy összefoglaló táblázat, amely a legnépszerűbb 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 előrejelzést kaphat a legjobb modelltől. Ezt alapértelmezés szerint egy véletlenszerű sor tölti ki az adathalmazban.

(Nem kötelező) A modell felhasználása

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

  • Konzolalkalmazás
  • Web 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 projekthez gombra a projekt hozzáadásához az aktuális megoldáshoz.

  3. Indítsa el az alkalmazást.

    A program által generált 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 web API projektet RestaurantViolationsPrediction_API.

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

  3. Indítsa el az alkalmazást.

  4. Nyissa meg a PowerShellt, és írja be a következő kódot, amelyben az alkalmazás által figyelt PORT portot adja meg.

    $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 kimenet közepes kockázatúként az előrejelzett RiskCategory értéket adja meg, és az egyes bemeneti címkék pontszámával rendelkezik – alacsony kockázat, magas kockázat és közepes kockázat.

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

Gratulálok! Sikeresen létrehozott egy gépi tanulási modellt a Model Builder használatával, hogy kategorizálja az egészségügyi szabályszegések kockázatát. Az oktatóanyag forráskódját a dotnet/machinelearning-samples GitHub-adattárban találja.

További erőforrások

Az oktatóanyagban említett témakörökről az alábbi forrásokból tudhat meg többet:

  • Last updated on