Tutorial: Treinar um modelo de regressão sem código usando o designer

Importante

Este artigo fornece informações sobre como usar o SDK do Azure Machine Learning v1. O SDK v1 foi preterido a partir de 31 de março de 2025. O suporte para ele terminará em 30 de junho de 2026. Você pode instalar e usar o SDK v1 até essa data. Seus fluxos de trabalho existentes usando o SDK v1 continuarão a operar após a data de fim do suporte. No entanto, eles podem ficar expostos a riscos de segurança ou a alterações interruptivas em caso de mudanças na arquitetura do produto.

Recomendamos que você faça a transição para o SDK v2 antes de 30 de junho de 2026. Para obter mais informações sobre o SDK v2, consulte o que é a CLI do Azure Machine Learning e o SDK do Python v2? e a referência do SDK v2.

Este artigo explica como usar o designer do Azure Machine Learning para treinar um modelo de regressão linear que prevê os preços dos carros. Este tutorial é parte de uma série de duas partes.

Para saber mais sobre o designer, confira o que é o designer do Azure Machine Learning?

Observação

O Designer dá suporte a dois tipos de componentes: componentes predefinidos clássicos (v1) e componentes personalizados (v2). Esses dois tipos de componentes NÃO são compatíveis.

Componentes predefinidos clássicos destinam-se principalmente ao processamento de dados e tarefas tradicionais de machine learning, como regressão e classificação. Esse tipo de componente continua com suporte, mas não terá componentes novos adicionados.

Componentes personalizados permitem que você envolva seu próprio código como um componente. Ele tem suporte para o compartilhamento de componentes entre espaços de trabalho e à criação contínua nas interfaces Studio, CLI v2 e SDK v2.

Para novos projetos, sugerimos que você use componentes personalizados, que são compatíveis com o Azure Machine Learning V2 e continuarão recebendo novas atualizações.

Este artigo se aplica aos componentes predefinidos clássicos e não é compatível com CLI v2 e SDK v2.

Neste tutorial, você aprenderá como:

• Criar um pipeline.
• Importar dados.
• Preparar os dados.
• Treinar um modelo de machine learning.
• Avaliar um modelo de machine learning.

Na parte dois do tutorial, você implanta seu modelo como um endpoint de inferência em tempo real para prever o preço de qualquer carro com base nas especificações técnicas que você enviar.

Observação

Para exibir uma versão concluída deste tutorial como um pipeline de exemplo, consulte Usar a regressão para prever os preços dos carros com o designer do Azure Machine Learning.

Importante

Se você não vir elementos gráficos mencionados neste documento, como botões no estúdio ou designer, pode ser que você não tenha o nível certo de permissões no workspace. Entre em contato com seu administrador de assinatura do Azure para verificar se você recebeu o nível de acesso correto. Para obter mais informações, confira Gerenciar usuários e funções.

Criar um novo pipeline

Os pipelines do Azure Machine Learning organizam várias etapas do aprendizado de máquina e do processamento de dados em um só recurso. Os pipelines permitem que você organize, gerencie e reutilize fluxos de trabalho complexos de aprendizado de máquina entre projetos e usuários.

Para criar um pipeline do Azure Machine Learning, você precisa de um workspace do Azure Machine Learning. Nesta seção, você aprenderá a criar esses dois recursos.

Criar um novo workspace

Você precisa de um Workspace do Azure Machine Learning para usar o designer. O workspace é o recurso de nível superior do Azure Machine Learning. Ele fornece um local centralizado para trabalhar com todos os artefatos criados no Azure Machine Learning. Para saber como criar um workspace, consulte Criar recursos de workspace.

Observação

Se o workspace usar uma rede virtual, haverá etapas de configuração adicionais necessárias para usar o designer. Para obter mais informações, confiraUsar o Estúdio do Azure Machine Learning em uma rede virtual do Azure.

Criar o pipeline

1. Entre no estúdio do Azure Machine Learning e selecione o workspace que você deseja usar.

2. Selecione Designer no menu da barra lateral. Em Clássico predefinido, escolha Criar um novo pipeline usando componentes predefinidos clássicos.

   

3. Selecione o ícone de lápis ao lado do nome do rascunho do pipeline gerado automaticamente, renomeie-o como Previsão de preço de automóvel. O nome não precisa ser exclusivo.

   

Importar dados

Há vários conjuntos de dados de exemplo incluídos no designer para que você possa fazer experimentos. Neste tutorial, use os Dados de preços de automóveis (brutos).

1. À esquerda da tela do pipeline há uma paleta de conjuntos de dados e componentes. Selecione Componente>Dados de exemplo.

2. Selecione o conjunto de dados Dados de preços de automóveis (Brutos) e arraste-o para a tela.

   

Visualizar os dados

Você pode visualizar os dados para entender o conjunto de dados que será usado.

1. Clique com o botão direito do mouse nos Dados de preço do automóvel (Brutos) e selecione Visualizar dados.

2. Selecione as diferentes colunas na janela de dados para exibir informações sobre cada um.

   Cada linha representa um automóvel e as variáveis associadas a cada automóvel aparecem como colunas. Há 205 linhas e 26 colunas nesse conjunto de dados.

Preparar dados

Os conjuntos de dados normalmente exigem algum pré-processamento antes da análise. Talvez você tenha observado alguns valores ausentes quando inspecionou o conjunto de dados. Esses valores ausentes precisam ser limpos para que o modelo possa analisar os dados corretamente.

Remover uma coluna

Ao treinar um modelo, você deve fazer algo sobre os dados que estão ausentes. Nesse conjunto de dados, a coluna normalized-losses tem muitos valores ausentes, portanto, você exclui essa coluna do modelo por completo.

1. Na paleta de componentes e conjuntos de dados à esquerda da tela, selecione Componente e pesquise o componente Selecionar Colunas no Conjunto de Dados .

2. Arraste Selecionar Colunas no Conjunto de Dados para a tela. Solte o componente abaixo do componente Conjunto de dados.

3. Conecte o conjunto de dados Dados de preços de automóveis (Brutos) ao componente Selecionar Colunas no Conjunto de Dados. Arraste da porta de saída do conjunto de dados, que é o pequeno círculo na parte inferior do conjunto de dados na tela, até a porta de entrada de Selecionar colunas no conjunto de dados, que é o pequeno círculo na parte superior do componente.

   Dica

   Crie um fluxo de dados por meio do seu pipeline quando você conectar a porta de saída de um componente a uma porta de entrada de outro.

   

4. Selecione o componente Selecionar Colunas no Conjunto de Dados.

5. Selecione o ícone de seta abaixo de Interface do pipeline à direita da tela para abrir o painel de detalhes do componente. Como alternativa, você pode clicar duas vezes no componente Selecionar Colunas no Conjunto de Dados para abrir o painel de detalhes.

6. Selecione Editar coluna à direita do painel.

7. Expanda o menu suspenso Nomes de coluna ao lado de Incluir e selecione Todas as colunas.

8. Selecione o + para adicionar uma nova regra.

9. Nos menus suspensos, selecione Excluir e Nomes de coluna.

10. Insira normalized-losses na caixa de texto.

11. No canto inferior direito, selecione Salvar para fechar o seletor de coluna.

    

12. No painel de detalhes do componente Selecionar colunas no conjunto de dados, expanda Informações do nó.

13. Selecione a caixa de texto Comentário e insira Excluir perdas normalizadas.

    Os comentários aparecem no grafo para ajudá-lo a organizar seu pipeline.

Limpar dados ausentes

Seu conjunto de dados ainda tem valores ausentes após a remoção da coluna normalized-losses. Você pode remover os dados ausentes restantes usando o componente Limpar Dados Ausentes.

Dica

Limpar os valores ausentes dos dados de entrada é um pré-requisito para usar a maioria dos componentes do designer.

1. Nos conjuntos de dados e paleta de componentes à esquerda da tela, selecione Componente e pesquise o componente Limpar Dados Ausentes .

2. Arraste o componente Limpar Dados Ausentes para a tela do pipeline. Conecte-o ao componente Selecionar Colunas no Conjunto de Dados.

3. Selecione o componente Limpar Dados Ausentes.

4. Selecione o ícone de seta abaixo de Interface do pipeline à direita da tela para abrir o painel de detalhes do componente. Como alternativa, você pode clicar duas vezes no componente Limpar Dados Ausentes para abrir o painel de detalhes.

5. Selecione Editar coluna à direita do painel.

6. Na janela Colunas a serem limpas que é exibida, expanda o menu suspenso ao lado de Incluir. Selecione Todas as colunas.

7. Clique em Salvar.

8. No painel de detalhes do componente Limpar Dados Ausentes, em Modo de limpeza, selecione Remover linha inteira.

9. No painel de detalhes do componente Limpar Dados Ausentes, expanda Informações do nó.

10. Selecione a caixa de texto Comentário e insira Remover linhas de valor ausentes.

    Agora, seu pipeline deve ser semelhante ao seguinte:

    

Treinar um modelo de machine learning

Agora que você tem os componentes em vigor para processar os dados, configure os componentes de treinamento.

Como você deseja prever o preço, que é um número, use um algoritmo de regressão. Para este exemplo, você usará um modelo de regressão linear.

Dividir os dados

A divisão de dados é uma tarefa comum no aprendizado de máquina. Você dividirá os dados em dois conjuntos de dados separados. Um conjunto de dados treina o modelo e o outro testa o desempenho do modelo.

1. Nos conjuntos de dados e paleta de componentes à esquerda da tela, selecione Componente e pesquise o componente Dividir Dados .

2. Arraste o componente Dividir Dados até a tela do pipeline.

3. Conecte a porta esquerda do componente Limpar Dados Ausentes ao componente Dividir Dados.

   Importante

   Verifique se a porta de saída esquerda de Limpar Dados Ausentes se conecta a Dividir Dados. A porta esquerda contém os dados limpos. A porta direita contém os dados descartados.

4. Selecione o componente Dividir Dados.

5. Selecione o ícone de seta abaixo de Interface do pipeline à direita da tela para abrir o painel de detalhes do componente. Como alternativa, você pode clicar duas vezes no componente Dividir Dados para abrir o painel de detalhes.

6. No painel Detalhes de Divisão de Dados , defina a Fração de linhas no primeiro conjunto de dados de saída como 0,7.

   Essa opção divide 70% dos dados para treinar o modelo e 30% para testá-lo. O conjunto de dados de 70% pode ser acessado por meio da porta de saída esquerda. Os dados restantes estarão disponíveis por meio da porta de saída direita.

7. No painel detalhes de Dividir Dados, expanda Informações do nó.

8. Selecione a caixa de texto Comentários e insira Dividir o conjunto de dados em conjunto de treinamento (0,7) e conjunto de teste (0,3).

Treinar o modelo

Treine o modelo fornecendo a ele um conjunto de dados que inclua o preço. O algoritmo constrói um modelo que explica a relação entre os recursos e o preço, conforme apresentado pelos dados de treinamento.

1. Nos conjuntos de dados e paleta de componentes à esquerda da tela, selecione Componente e pesquise o componente Regressão Linear .

2. Arraste o componente Regressão Linear para a tela do pipeline.

3. Nos conjuntos de dados e na paleta de componentes à esquerda da tela, selecione Componente e pesquise o componente Treinar Modelo.

4. Arraste o componente Treinar Modelo para a tela do pipeline.

5. Conecte a saída do componente Regressão Linear à entrada esquerda do componente Treinar Modelo.

6. Conecte-se a saída dos dados de treinamento (porta esquerda) do componente Dividir Dados à entrada à direita do componenteTreinar Modelo.

   Importante

   Verifique se a porta de saída esquerda de Dividir Dados se conecta a Treinar Modelo. A porta esquerda contém o conjunto de treinamento. A porta direita contém o conjunto de teste.

   

7. Selecione o componente Treinar Modelo.

8. Selecione o ícone de seta abaixo de Configurações do pipeline à direita da tela para abrir o painel de detalhes do componente. Como alternativa, você pode clicar duas vezes no componente Treinar Modelo para abrir o painel de detalhes.

9. Selecione Editar coluna à direita do painel.

10. Na janela Coluna de rótulo que aparece, expanda o menu suspenso e selecione Nomes de colunas.

11. Na caixa de texto, insira preço para especificar o valor que o modelo vai prever.

    Importante

    É necessário que você insira o nome exato da coluna. Não capitalize o preço.

    Seu pipeline deve ter esta aparência:

    

Adicionar o componente Pontuar Modelo

Depois de treinar o modelo usando 70% dos dados, você poderá usá-lo para pontuar os outros 30% e ver se o modelo funciona corretamente.

1. Nos conjuntos de dados e paleta de componentes à esquerda da tela, selecione Componente e pesquise o componente Modelo de Pontuação .

2. Arraste o componente Pontuar Modelo para a tela do pipeline.

3. Conecte a saída do componente Treinar Modelo à porta de entrada esquerda de Pontuar Modelo. Conecte a saída de dados de teste (porta direita) do módulo Dividir Dados à porta de entrada direita do componente Pontuar Modelo.

Adicionar o componente Avaliar Modelo

Use o componente Avaliar Modelo para avaliar o desempenho do modelo na pontuação do conjunto de dados de teste.

1. Nos conjuntos de dados e paleta de componentes à esquerda da tela, selecione Componente e pesquise o componente Avaliar Modelo .

2. Arraste o componente Avaliar Modelo para a tela do pipeline.

3. Conecte a saída do componente Pontuar Modelo à entrada esquerda de Avaliar Modelo.

   O pipeline final deve ser semelhante ao seguinte:

   

Enviar pipeline

1. Selecione Configurar e Enviar no canto superior direito para enviar o pipeline.

2. Após o assistente passo a passo aparecer, siga as instruções do assistente para enviar o trabalho do pipeline.

   

   No Básico, você pode configurar o experimento, o nome de exibição do trabalho, a descrição do trabalho etc.

   Em Entradas &Saídas, você pode atribuir valor às entradas e saídas que são promovidas ao nível do pipeline. Ele está vazio neste exemplo porque não promovemos nenhuma entrada ou saída para o nível do pipeline.

   Em Configurações de runtime, você pode definir o armazenamento de dados padrão e a computação padrão para o pipeline. É o armazenamento de dados e a computação padrão para todos os componentes no pipeline. No entanto, se você definir um armazenamento de dados ou computação diferente para um componente explicitamente, o sistema respeitará a configuração de nível de componente. Caso contrário, ele usará o padrão.

   A etapa Examinar + Enviar é a última etapa para examinar todas as configurações antes de enviar. O assistente lembra sua última configuração caso você já tenha submetido o pipeline.

Depois de enviar o trabalho de pipeline, haverá uma mensagem na parte superior com um link para os detalhes do trabalho. Você pode selecionar este link para examinar os detalhes do trabalho.

Exibir os rótulos pontuados

Na página de detalhes do trabalho, verifique o status do trabalho de pipeline, os resultados e os logs.

Depois que o trabalho for concluído, você poderá exibir os resultados do trabalho do pipeline. Primeiro, examine as previsões geradas pelo modelo de regressão.

1. Clique com o botão direito do mouse no componente Modelo de Pontuação e selecione Visualizar dados>Conjunto de dados pontuado para ver a saída dele.

   Aqui você poderá ver os preços previstos e os preços reais dos dados de teste.

   

Avaliar os modelos

Use Avaliar Modelo para ver como o desempenho do modelo treinado no conjunto de dados de teste.

1. Clique com o botão direito do mouse no componente Avaliar Modelo e selecione Visualizar dados>Resultados da avaliação para ver a saída dele.

As seguintes estatísticas são mostradas para o modelo:

• MAE (erro médio absoluto): a média de erros absolutos. Um erro é a diferença entre o valor previsto e o valor real .
• RMSE (Raiz do erro quadrático médio): a raiz do erro quadrático médio de erros quadráticos de previsões feitas no conjunto de dados de teste.
• Erro absoluto relativo- A média de erros absolutos relativos à diferença absoluta entre os valores reais e a média de valores reais.
• Erro ao quadrado relativo- A média de erros quadrados relativos à diferença quadrada entre os valores reais e a média de todos os valores reais.
• Coeficiente de determinação: também conhecido como o valor de R-quadrado, essa é a métrica estatística que indica se o modelo se encaixa bem nos dados.

Para cada estatística de erro, menos é melhor. Um valor menor indica que as previsões estão mais próximas dos valores reais. Quanto ao coeficiente de determinação, quanto mais próximo o valor estiver de um (1), melhores serão as previsões.

Limpar os recursos

Ignore esta seção se desejar prosseguir com a parte 2 do tutorial, implantar modelos.

Importante

Você pode usar os recursos que criou como pré-requisitos em outros tutoriais e artigos de instruções do Serviço do Azure Machine Learning.

Excluir tudo

Se você não pretende usar os recursos criados, exclua todo o grupo de recursos para não gerar encargos.

1. No portal do Azure, selecione Grupos de recursos nos serviços do Azure.

2. Selecione o grupo de recursos que você criou.

3. Selecione Excluir grupo de recursos.

   

A exclusão de um grupo de recursos também exclui todos os recursos criados no designer.

Excluir recursos individuais

No designer em que você criou seu experimento, exclua ativos individuais selecionando-os e, em seguida, selecionando o botão Excluir.

O destino de computação que você criou aqui é escalado automaticamente para zero nós quando não está em uso. Essa ação é executada para minimizar encargos. Se você quiser excluir o destino de computação, siga estas etapas:

Para excluir um conjunto de dados, acesse a conta de armazenamento usando o portal do Azure ou o Gerenciador de Armazenamento do Azure e exclua manualmente esses ativos.

Próxima etapa

Na segunda parte, você aprenderá a implantar seu modelo como um ponto de extremidade em tempo real.

Continuar a implantação de modelos