Este browser já não é suportado.
Atualize para o Microsoft Edge para tirar partido das mais recentes funcionalidades, atualizações de segurança e de suporte técnico.
Saiba como criar um modelo de classificação multiclasse com o Model Builder para categorizar o nível de risco das violações de restaurantes encontradas durante as inspeções de estado de funcionamento.
Neste tutorial, ficará a saber como:
Para obter uma lista de pré-requisitos e instruções de instalação, visite o Guia de instalação do Model Builder.
Este exemplo cria uma aplicação de consola C# .NET Core que categoriza o risco de violações de estado de funcionamento com um modelo de machine learning criado com o Model Builder. Pode encontrar o código fonte deste tutorial no repositório do GitHub dotnet/machinelearning-samples .
O conjunto de dados utilizado para preparar e avaliar o modelo de machine learning é originalmente do Departamento de Saúde Pública de São Francisco . Para sua comodidade, o conjunto de dados foi condensado para incluir apenas as colunas relevantes para preparar o modelo e fazer predições. Visite o seguinte site para saber mais sobre o conjunto de dados.
Transfira o conjunto de dados Pontuações de Segurança do Restaurante e deszipe-o.
Cada linha no conjunto de dados contém informações sobre violações observadas durante uma inspeção do Departamento de Saúde e uma avaliação de risco da ameaça que essas violações apresentam à saúde pública e segurança.
| InspectionType | ViolationDescription | RiskCategory |
|---|---|---|
| Rotina - Não Agendada | Superfícies de contacto de alimentos inadequadamente limpas ou limpas | Risco Moderado |
| Nova Propriedade | Infestação de administradores de alto risco | Alto Risco |
| Rotina - Não Agendada | Limpar panos não limpos ou devidamente armazenados ou desinspirador inadequado | Baixo Risco |
É label a coluna que pretende prever. Ao realizar uma tarefa de classificação, o objetivo é atribuir uma categoria (texto ou numérico). Neste cenário de classificação, é atribuído o valor de risco baixo, moderado ou elevado à gravidade da violação. Por conseguinte, RiskCategory é a etiqueta. São features as entradas que dá ao modelo para prever o label. Neste caso, o InspectionType e ViolationDescription são utilizados como funcionalidades ou entradas para prever a RiskCategory.
Quando adicionar o Model Builder pela primeira vez à solução, irá pedir-lhe para criar um mbconfig ficheiro. O mbconfig ficheiro controla tudo o que faz no Model Builder para permitir que reabra a sessão.
mbconfig nome RestaurantViolationsPrediction ao projeto e clique no botão Adicionar .
Para preparar o modelo, selecione a partir da lista de cenários de machine learning disponíveis fornecidos pelo Model Builder. Neste caso, o cenário é Classificação de dados.
O Model Builder aceita dados de uma base de dados SQL Server ou de um ficheiro local no csvformato , tsvou txt .
A tarefa de machine learning utilizada para preparar o modelo de classificação de problemas neste tutorial é a classificação de várias classes. Durante o processo de preparação de modelos, o Model Builder prepara modelos separados através de diferentes algoritmos e definições de classificação de várias classes para encontrar o modelo com melhor desempenho para o seu conjunto de dados.
O tempo necessário para o modelo ser preparado é proporcional à quantidade de dados. O Model Builder seleciona automaticamente um valor predefinido para Time to train (seconds) com base no tamanho da sua origem de dados.
Ao longo do processo de preparação, os dados de progresso são apresentados na Training results secção do passo de preparação.
Assim que a preparação estiver concluída, o mbconfig ficheiro terá o modelo gerado chamado RestaurantViolationsPrediction.zip após a preparação e dois ficheiros C# com o mesmo:
Clique no botão Passo seguinte para navegar para o passo de avaliação.
O resultado do passo de preparação será um modelo que teve o melhor desempenho. No passo de avaliação da ferramenta Model Builder, na secção Melhor modelo , irá conter o algoritmo utilizado pelo modelo com melhor desempenho na entrada Modelo , juntamente com métricas para esse modelo em Precisão.
Além disso, na janela Saída do Visual Studio, existirá uma tabela de resumo que contém os principais modelos e as respetivas métricas.
Esta secção também lhe permitirá testar o modelo ao realizar uma única predição. Irá oferecer caixas de texto para preencher valores e pode clicar no botão Prever para obter uma predição do melhor modelo. Por predefinição, esta ação será preenchida por uma linha aleatória no conjunto de dados.
Este passo terá modelos de projeto que pode utilizar para consumir o modelo. Este passo é opcional e pode escolher o método mais adequado às suas necessidades sobre como servir o modelo.
Ao adicionar uma aplicação de consola à sua solução, ser-lhe-á pedido para atribuir um nome ao projeto.
Atribua o nome RestaurantViolationsPrediction_Console projeto da consola.
Clique em Adicionar à solução para adicionar o projeto à sua solução atual.
Execute a aplicação.
O resultado gerado pelo programa deve ter um aspeto semelhante ao fragmento abaixo:
InspectionType: Routine - Unscheduled
ViolationDescription: Moderate risk food holding temperature
Predicted RiskCategory: Moderate Risk
Ao adicionar uma API Web à sua solução, ser-lhe-á pedido que atribua um nome ao projeto.
Dê o nome RestaurantViolationsPrediction_API projeto da API Web.
Clique em Adicionar à solução* para adicionar o projeto à sua solução atual.
Execute a aplicação.
Abra o PowerShell e introduza o seguinte código em que PORT é a porta em que a sua aplicação está a escutar.
$body = @{
InspectionType="Reinspection/Followup"
ViolationDescription="Inadequately cleaned or sanitized food contact surfaces"
}
Invoke-RestMethod "https://localhost:<PORT>/predict" -Method Post -Body ($body | ConvertTo-Json) -ContentType "application/json"
Se for bem-sucedido, o resultado deverá ter um aspeto semelhante ao texto abaixo. O resultado tem a RiskCategory prevista como Risco Moderado e tem as pontuações de cada uma das etiquetas de entrada - Baixo Risco, Alto Risco e Risco Moderado.
prediction score
---------- -----
Moderate Risk {0.055566575, 0.058012854, 0.88642055}
Parabéns! Criou com êxito um modelo de machine learning para categorizar o risco de violações de estado de funcionamento com o Model Builder. Pode encontrar o código fonte deste tutorial no repositório do GitHub dotnet/machinelearning-samples .
Para saber mais sobre os tópicos mencionados neste tutorial, visite os seguintes recursos:
Comentários do .NET
O .NET é um projeto código aberto. Selecione um link para fornecer comentários:
Formação
Módulo
Neste módulo, você aprenderá a usar ML.NET Construtor de Modelos para treinar e consumir um modelo de aprendizado de máquina para manutenção preditiva.
Certificação
Certificado pela Microsoft: Azure Data Scientist Associate - Certifications
Gerencie a ingestão e a preparação de dados, o treinamento e a implantação de modelos e o monitoramento de soluções de aprendizado de máquina com Python, Azure Machine Learning e MLflow.
Documentação
Tutorial: Analisar sentimento - Classificação de texto - ML.NET
Este tutorial mostra como criar um aplicativo Razor Pages que classifica o sentimento dos comentários do site e toma as medidas apropriadas. A classificação usa o cenário de Classificação de Texto na extensão do Visual Studio do Construtor de Modelos.
Analise o sentimento usando a ML.NET CLI - ML.NET
Gere automaticamente um modelo de ML e código C# relacionado a partir de um conjunto de dados de exemplo
Tutorial: Prever preços com a regressão com o Model Builder - ML.NET
Este tutorial ilustra como criar um modelo de regressão com o ML.NET Model Builder para prever preços, especificamente, tarifas de táxi de Nova Iorque.
