Tutorial 3: Implementar modelo de risco de crédito - Machine Learning Studio (clássico)
APLICA A:
Machine Learning Studio (clássico) 
Aprendizagem de Máquinas Azure
Importante
O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.
A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).
- Consulte informações sobre projetos de machine learning em movimento do ML Studio (clássico) para Azure Machine Learning.
- Saiba mais sobre a Azure Machine Learning
A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.
Neste tutorial, você dá uma olhada alargada no processo de desenvolvimento de uma solução de análise preditiva. Desenvolve-se um modelo simples no Machine Learning Studio (clássico). Em seguida, implementa o modelo como um serviço web machine learning. Este modelo implementado pode fazer previsões usando novos dados. Este tutorial é parte três de uma série tutorial em três partes.
Suponhamos que precisa de prever o risco de crédito de um indivíduo com base nas informações fornecidas sobre uma aplicação de crédito.
A avaliação do risco de crédito é um problema complexo, mas este tutorial irá simplificar um pouco. Você vai usá-lo como um exemplo de como você pode criar uma solução de análise preditiva usando Machine Learning Studio (clássico). Você usará o Machine Learning Studio (clássico) e um serviço web machine learning para esta solução.
Neste tutorial em três partes, começa-se com dados de risco de crédito disponíveis ao público. Depois desenvolve-se e treina-se um modelo preditivo. Finalmente, implementa o modelo como um serviço web.
Na primeira parte do tutorial, criou um espaço de trabalho do Machine Learning Studio (clássico), carregou dados e criou uma experiência.
Na segunda parte do tutorial, treinou e avaliou modelos.
Nesta parte do tutorial:
- Preparar para a implementação
- Implementar o serviço Web
- Testar o serviço Web
- Gerir o serviço web
- Aceder ao serviço web
Pré-requisitos
Complete a segunda parte do tutorial.
Preparar para a implementação
Para dar aos outros a oportunidade de usar o modelo preditivo que desenvolveu neste tutorial, pode implantá-lo como um serviço web no Azure.
Até agora tens andado a experimentar treinar o nosso modelo. Mas o serviço implantado já não vai fazer treino - vai gerar novas previsões ao marcar a entrada do utilizador com base no nosso modelo. Então vamos fazer alguma preparação para converter esta experiência de uma experiência de treino para uma experiência preditiva .
A preparação para a implantação é um processo em três etapas:
- Remover um dos modelos
- Converta a experiência de treino que criou numa experiência preditiva
- Implementar a experiência preditiva como um serviço web
Remover um dos modelos
Primeiro, tens de aparar um pouco esta experiência. atualmente tem dois modelos diferentes na experiência, mas só pretende usar um modelo quando implementar este como um serviço web.
Digamos que decidiu que o modelo de árvores impulsionados teve um desempenho melhor do que o modelo SVM. Assim, a primeira coisa a fazer é remover o módulo de máquina de vetor de dois classes e os módulos que foram usados para treiná-lo. É possível que queira fazer uma cópia da experiência primeiro clicando em Save As na parte inferior da tela de experimentação.
tem de eliminar os seguintes módulos:
- Máquina de Vetores de Suporte de Duas Classes
- Modelo de trem e módulos de modelo de pontuação que estavam ligados a ele
- Normalizar dados (ambos)
- Avaliar Modelo (porque terminamos de avaliar os modelos)
Selecione cada módulo e prima a tecla Eliminar ou clique no módulo e selecione Eliminar.
O nosso modelo deve agora ser mais ou menos assim:
Agora estamos prontos para implementar este modelo usando a Árvore de Decisão Reforçada de Duas Classes.
Converter a experiência de treino numa experiência preditiva
Para preparar este modelo, é necessário converter esta experiência de treino numa experiência preditiva. Isto envolve três etapas:
- Salve o modelo que treinou e, em seguida, substitua os nossos módulos de treino
- Corte a experiência para remover módulos que só eram necessários para o treino
- Definir onde o serviço web aceitará a entrada e onde gera a saída
você poderia fazê-lo manualmente, mas felizmente todos os três passos podem ser realizados clicando em Configurar o Serviço Web na parte inferior da tela de experiência (e selecionando a opção De Serviço Web Preditivo ).
Dica
Se quiser mais detalhes sobre o que acontece quando converte uma experiência de treino para uma experiência preditiva, veja Como preparar o seu modelo para implantação no Machine Learning Studio (clássico).
Ao clicar em Configurar o Serviço Web, várias coisas acontecem:
- O modelo treinado é convertido para um único módulo Model Treinado e armazenado na paleta de módulos à esquerda da tela de experimentação (pode encontrá-lo em Modelos Treinados)
- Os módulos utilizados para a formação são removidos; especificamente:
- Árvore de Decisões Elevada de Duas Classes
- Preparar Modelo
- Dividir Dados
- o segundo módulo executo R Script que foi usado para dados de teste
- O modelo treinado salvo é adicionado de volta à experiência
- São adicionados módulos de entrada de serviço web e de saída de serviço Web (estes identificam onde os dados do utilizador entrarão no modelo e quais os dados devolvidos, quando o serviço web é acedido)
Nota
Pode ver que a experiência é guardada em duas partes sob separadores que foram adicionadas no topo da tela experimentos. A experiência de treino original está sob a experiência de treino de separador, e a experiência preditiva recém-criada está sob experiência preditiva. A experiência preditiva é aquela que vais implementar como um serviço web.
você precisa dar um passo adicional com esta experiência em particular. adicionou dois módulos executar R Script para fornecer uma função de ponderação aos dados. Era apenas um truque que precisavas para treinar e testar, para que pudesses tirar esses módulos no modelo final. O Machine Learning Studio (clássico) removeu um módulo executou o script R quando removeu o módulo Split . Agora pode remover o outro e ligar o Editor de Metadados diretamente ao Modelo de Pontuação.
A nossa experiência deve agora ser assim:
Nota
Pode estar a perguntar-se por que deixou o conjunto de dados do cartão de crédito alemão da UCI na experiência preditiva. O serviço vai obter os dados do utilizador, não o conjunto de dados original, então por que deixar o conjunto de dados original no modelo?
É verdade que o serviço não precisa dos dados originais do cartão de crédito. Mas precisa do esquema para esses dados, que inclui informações como quantas colunas existem e quais as colunas que são numéricas. Esta informação de esquema é necessária para interpretar os dados do utilizador. deixa estes componentes ligados de modo a que o módulo de pontuação tenha o esquema de conjunto de dados quando o serviço está em funcionamento. Os dados não são usados, só o esquema.
Uma coisa importante a notar é que se o seu conjunto de dados original continha o rótulo, então o esquema esperado da entrada web também esperará uma coluna com a etiqueta! Uma forma de contornar isto é remover o rótulo, e quaisquer outros dados que estavam no conjunto de dados de treino, mas não estarão nas entradas da web, antes de ligar o conjunto de dados de entrada e treino da web a um módulo comum.
Executar a experiência uma última vez (clique em Executar.) Se pretender verificar se o modelo ainda está a funcionar, clique na saída do módulo 'Modelo de Pontuação' e selecione 'Ver Resultados'. Pode ver que os dados originais são apresentados, juntamente com o valor de risco de crédito ("Etiquetas Pontuadas") e o valor de probabilidade de pontuação ("Probabilidades Pontuadas".)
Implementar o serviço Web
Você pode implementar a experiência como um serviço web clássico, ou como um novo serviço web baseado em Azure Resource Manager.
Implementar como um serviço web clássico
Para implementar um serviço web clássico derivado da nossa experiência, clique em Implementar o Serviço Web abaixo da tela e selecione Implementar o Serviço Web [Clássico]. O Machine Learning Studio (clássico) implementa a experiência como um serviço web e leva-o ao painel de instrumentos para esse serviço web. A partir desta página, pode voltar à experiência (Ver instantâneo ou ver o mais recente) e executar um teste simples do serviço web (ver testar o serviço web abaixo ). Há também informação aqui para criar aplicações que podem aceder ao serviço web (mais sobre isso no próximo passo deste tutorial).
Pode configurar o serviço clicando no separador CONFIGURAÇÃO . Aqui pode modificar o nome de serviço (foi dado o nome da experiência por padrão) e dar-lhe uma descrição. Também pode dar etiquetas mais amigáveis para os dados de entrada e saída.
Implementar como um novo serviço web
Nota
Para implementar um Novo serviço web tem de ter permissões suficientes na subscrição para a qual está a implementar o serviço web. Para obter mais informações, consulte Gerir um serviço web utilizando o portal Machine Learning Web Services.
Para implementar um novo serviço web derivado da nossa experiência:
Clique em Implementar o Serviço Web abaixo da tela e selecione Implementar o Serviço Web [Novo]. O Machine Learning Studio (clássico) transfere-o para a página de Implementação de experiência de serviços de machine learning.
Insira um nome para o serviço web.
Para o Plano de Preços, pode selecionar um plano de preços existente, ou selecionar "Criar novo" e dar um nome ao novo plano e selecionar a opção de plano mensal. Os níveis de plano não são padrão para os planos para a sua região padrão e o seu serviço web é implantado nessa região.
Clique em Implementar.
Após alguns minutos, abre a página Quickstart para o seu serviço web.
Pode configurar o serviço clicando no separador Configurar . Aqui pode modificar o título de serviço e dar-lhe uma descrição.
Para testar o serviço web, clique no separador Teste (ver testar o serviço web abaixo ). Para obter informações sobre a criação de aplicações que possam aceder ao serviço web, clique no separador Consumir (o próximo passo neste tutorial será mais detalhado).
Dica
Pode atualizar o serviço web depois de o ter implantado. Por exemplo, se quiser alterar o seu modelo, então pode editar a experiência de treino, ajustar os parâmetros do modelo e clicar em Implementar Serviço Web, selecionar implementar o Serviço Web [Clássico] ou Implementar o Serviço Web [Novo]. Quando volta a implementar a experiência, substitui o serviço web, utilizando agora o seu modelo atualizado.
Testar o serviço Web
Quando o serviço web é acedido, os dados do utilizador entram através do módulo de entrada de serviço Web onde é passado para o módulo 'Modelo de Pontuação ' e pontuado. Da forma como configura a experiência preditiva, o modelo espera dados no mesmo formato que o conjunto original de dados de risco de crédito. Os resultados são devolvidos ao utilizador a partir do serviço web através do módulo de saída do serviço Web .
Dica
Da forma como tem a experiência preditiva configurada, todos os resultados do módulo 'Modelo de Pontuação ' são devolvidos. Isto inclui todos os dados de entrada mais o valor de risco de crédito e a probabilidade de pontuação. Mas pode devolver algo diferente se quiser - por exemplo, pode devolver apenas o valor do risco de crédito. Para isso, insira um módulo Select Columns entre o Modelo de Pontuação e a saída do serviço Web para eliminar colunas que não pretende que o serviço web devolva.
Você pode testar um serviço web clássico no Machine Learning Studio (clássico) ou no portal Azure Machine Learning Web Services . Só é possível testar um novo serviço web no portal Machine Learning Web Services .
Dica
Ao testar no portal Machine Learning Web Services, pode fazer com que o portal crie dados de amostra que pode utilizar para testar o serviço de Request-Response. Na página Configurar , selecione "Sim" para dados de amostra ativados?. Quando abre o separador Request-Response na página Teste , o portal preenche os dados da amostra retirados do conjunto de dados originais de risco de crédito.
Teste um serviço web clássico
Você pode testar um serviço web clássico em Machine Learning Studio (clássico) ou no portal Machine Learning Web Services.
Teste no Estúdio de Aprendizagem automática (clássico)
Na página DASHBOARD para o serviço web, clique no botão Teste no Ponto final predefinido. Um diálogo aparece e pede-lhe os dados de entrada para o serviço. Estas são as mesmas colunas que apareceram no conjunto de dados originais de risco de crédito.
Introduza um conjunto de dados e, em seguida, clique em OK.
Teste no portal machine learning web services
Na página DASHBOARD para o serviço web, clique no link de pré-visualização do Teste no Ponto final predefinido. A página de teste no portal Machine Learning Web Services para o ponto final do serviço web abre e pede-lhe os dados de entrada para o serviço. Estas são as mesmas colunas que apareceram no conjunto de dados originais de risco de crédito.
Clique em Teste de Resposta ao Pedido.
Teste um novo serviço web
Só é possível testar um novo serviço web no portal Machine Learning Web Services.
No portal Machine Learning Web Services , clique em Testar no topo da página. A página De Teste abre e pode inserir dados para o serviço. Os campos de entrada apresentados correspondem às colunas que apareceram no conjunto de dados de risco de crédito original.
Introduza um conjunto de dados e, em seguida, clique em Test Request-Response.
Os resultados do teste são apresentados no lado direito da página na coluna de saída.
Gerir o serviço web
Uma vez implementado o seu serviço web, seja clássico ou novo, pode geri-lo a partir do portal Machine Learning Web Services .
Para monitorizar o desempenho do seu serviço web:
- Inscreva-se no portal de Serviços Web machine learning
- Clique nos serviços web
- Clique no seu serviço web
- Clique no Painel de Instrumentos
Aceder ao serviço web
No passo anterior neste tutorial, implementou um serviço web que utiliza o seu modelo de previsão de risco de crédito. Agora os utilizadores podem enviar dados para os mesmos e receber resultados.
O serviço Web é um serviço web Azure que pode receber e devolver dados usando APIs REST de uma de duas maneiras:
- Pedido/Resposta - O utilizador envia uma ou mais linhas de dados de crédito para o serviço através de um protocolo HTTP, e o serviço responde com um ou mais conjuntos de resultados.
- Execução do Lote - O utilizador armazena uma ou mais linhas de dados de crédito numa bolha Azure e, em seguida, envia a localização do blob para o serviço. O serviço marca todas as linhas de dados na bolha de entrada, armazena os resultados em outra bolha, e devolve o URL desse recipiente.
Nota
Os nomes das colunas de recurso em Studio (clássico) são sensíveis a casos. Certifique-se de que os seus dados de entrada para invocar o serviço web têm os mesmos nomes de colunas que no conjunto de dados de treino.
Para obter mais informações sobre o acesso e consumo do serviço web, consulte Consumir um serviço Web de Machine Learning com um modelo de aplicação web.
Limpar os recursos
Se já não necessitar dos recursos criados utilizando este artigo, elimine-os para evitar incorrer em quaisquer encargos. Saiba como no artigo, Exporte e elimine os dados do utilizador no produto.
Passos seguintes
Neste tutorial, completou estes passos:
- Preparar para a implementação
- Implementar o serviço Web
- Testar o serviço Web
- Gerir o serviço web
- Aceder ao serviço web
Também pode desenvolver uma aplicação personalizada para aceder ao serviço web usando o código de arranque fornecido para si em linguagens de programação R, C#e Python.