Utför attitydanalys med Azure Stream Analytics och Machine Learning Studio (klassisk)

  • Artikel

Viktigt!

Stödet för Azure Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du övergår till Azure Machine Learning vid det datumet.

Från och med den 1 december 2021 kan du inte skapa nya Machine Learning Studio-resurser (klassiska) (arbetsyta och webbtjänstplan). Till och med den 31 augusti 2024 kan du fortsätta att använda befintliga Machine Learning Studio-experiment (klassiska) och webbtjänster. Mer information finns i:

Dokumentationen för Machine Learning Studio (klassisk) dras tillbaka och kanske inte uppdateras i framtiden.

Den här artikeln visar hur du konfigurerar ett enkelt Azure Stream Analytics-jobb som använder Machine Learning Studio (klassisk) för attitydanalys. Du använder en Modell för attitydanalys i Studio (klassisk) från Cortana Intelligence Gallery för att analysera strömmande textdata och fastställa sentimentpoängen.

Dricks

Vi rekommenderar starkt att du använder Azure Machine Learning UDF i stället för Machine Learning Studio (klassisk) UDF för bättre prestanda och tillförlitlighet.

Du kan använda det du lär dig i den här artikeln för scenarier som dessa:

  • Analysera realtidssentiment på strömmande Twitter-data.
  • Analysera poster för kundchatt med supportpersonal.
  • Utvärdera kommentarer på forum, bloggar och videor.
  • Många andra scenarier för förutsägelsebedömning i realtid.

Det Streaming Analytics-jobb som du skapar tillämpar attitydanalysmodellen som en användardefinierad funktion (UDF) på exempeltextdata från bloblagret. Utdata (resultatet av attitydanalysen) skrivs till samma bloblager i en annan CSV-fil.

Förutsättningar

Se till att du har följande innan du börjar:

  • En aktiv Azure-prenumeration.

  • En CSV-fil med vissa Twitter-data i. Du kan ladda ned en exempelfil från GitHub eller skapa en egen fil. I ett verkligt scenario skulle du hämta data direkt från en Twitter-dataström.

Skapa en lagringscontainer och ladda upp CSV-indatafilen

I det här steget laddar du upp en CSV-fil till lagringscontainern.

  1. I Azure-portalen väljer du Skapa ett lagringskonto> för resurslagring.>

  2. Fyll i fliken Grundläggande med följande information och lämna standardvärdena för de återstående fälten:

    Fält Värde
    Prenumeration Välj din prenumeration.
    Resursgrupp Välj din resursgrupp.
    Lagringskontonamn Ange ett namn för lagringskontot. Namnet måste vara unikt i Hela Azure.
    Plats Välj en plats. Alla resurser bör använda samma plats.
    Typ av konto BlobStorage

    provide storage account details

  3. Välj Granska + skapa. Välj sedan Skapa för att distribuera ditt lagringskonto.

  4. När distributionen är klar går du till ditt lagringskonto. Välj containrar under Blob Service. Välj sedan + Container för att skapa en ny container.

    Create blob storage container for input

  5. Ange ett namn för containern och kontrollera att offentlig åtkomstnivå är inställd på Privat. Välj Skapa när du är klar.

    specify blob container details

  6. Gå till den nyligen skapade containern och välj Ladda upp. Ladda upp den sampleinput.csv fil som du laddade ned tidigare.

    'Upload' button for a container

Nu när exempeldata finns i en blob kan du aktivera attitydanalysmodellen i Cortana Intelligence Gallery.

  1. Gå till modellsidan för förutsägelsesentimentanalys i Cortana Intelligence-galleriet.

  2. Välj Öppna i Studio (klassisk).

    Stream Analytics Machine Learning Studio (classic), open Studio (classic)

  3. Logga in för att gå till arbetsytan. Välj en plats.

  4. Välj Kör längst ned på sidan. Processen körs, vilket tar ungefär en minut.

    Run experiment in Studio (classic)

  5. När processen har körts väljer du Distribuera webbtjänst längst ned på sidan.

    Deploy experiment in Studio (classic) as a web service

  6. Om du vill verifiera att attitydanalysmodellen är redo att användas väljer du knappen Testa . Ange textinmatning som "Jag älskar Microsoft".

    Test experiment in Studio (classic)

    Om testet fungerar ser du ett resultat som liknar följande exempel:

    Test results in Studio (classic)

  7. I kolumnen Appar väljer du länken excel 2010 eller tidigare arbetsbok för att ladda ned en Excel-arbetsbok. Arbetsboken innehåller API-nyckeln och den URL som du behöver senare för att konfigurera Stream Analytics-jobbet.

    Stream Analytics Machine Learning Studio (classic), quick glance

Skapa ett Stream Analytics-jobb som använder Studio-modellen (klassisk)

Nu kan du skapa ett Stream Analytics-jobb som läser exempel-tweets från CSV-filen i Blob Storage.

Skapa jobbet

Gå till Azure-portalen och skapa ett Stream Analytics-jobb. Om du inte är bekant med den här processen kan du läsa Skapa ett Stream Analytics-jobb med hjälp av Azure-portalen.

Konfigurera jobbindata

Jobbet hämtar sina indata från CSV-filen som du laddade upp tidigare till Blob Storage.

  1. Gå till Stream Analytics-jobbet. Under Jobbtopologi väljer du alternativet Indata . Välj Lägg till Stream-indatabloblagring>.

  2. Fyll i bloblagringsinformationen med följande värden:

    Fält Värde
    Inmatat alias Ge dina indata ett namn. Kom ihåg det här aliaset för när du skriver frågan.
    Prenumeration Välj din prenumeration.
    Lagringskonto Välj det lagringskonto som du gjorde i föregående steg.
    Container Välj den container som du skapade i föregående steg.
    Format för serialisering av händelser CSV

  3. Välj Spara.

Konfigurera jobbutdata

Jobbet skickar resultat till samma bloblagring där det hämtar indata.

  1. Gå till Stream Analytics-jobbet. Under Jobbtopologi väljer du alternativet Utdata . Välj Lägg till>bloblagring.

  2. Fyll i bloblagringsformuläret med följande värden:

    Fält Värde
    Inmatat alias Ge dina indata ett namn. Kom ihåg det här aliaset för när du skriver frågan.
    Prenumeration Välj din prenumeration.
    Lagringskonto Välj det lagringskonto som du gjorde i föregående steg.
    Container Välj den container som du skapade i föregående steg.
    Format för serialisering av händelser CSV

  3. Välj Spara.

Lägg till funktionen Studio (klassisk)

Tidigare publicerade du en Studio-modell (klassisk) till en webbtjänst. I det här scenariot, när Stream Analysis-jobbet körs, skickar det varje exempel-tweet från indata till webbtjänsten för attitydanalys. Studio-webbtjänsten (klassisk) returnerar en attityd (positive, neutral, eller negative) och sannolikheten för att tweeten är positiv.

I det här avsnittet definierar du en funktion i Stream Analysis-jobbet. Funktionen kan anropas för att skicka en tweet till webbtjänsten och få tillbaka svaret.

  1. Kontrollera att du har webbtjänst-URL:en och API-nyckeln som du laddade ned tidigare i Excel-arbetsboken.

  2. Gå till Stream Analytics-jobbet. Välj sedan Functions+ Add Azure ML Studio (Funktioner>+ Lägg till>Azure ML Studio)

  3. Fyll i funktionsformuläret för Azure Machine Learning med följande värden:

    Fält Värde
    Funktionsalias Använd namnet sentiment och välj Ange Azure Machine Learning-funktionsinställningar manuellt, vilket ger dig möjlighet att ange URL:en och nyckeln.
    webbadress Klistra in webbtjänst-URL:en.
    Nyckel Klistra in API-nyckeln.

  4. välj Spara.

Skapa en fråga för att transformera data

Stream Analytics använder en deklarativ, SQL-baserad fråga för att undersöka indata och bearbeta den. I det här avsnittet skapar du en fråga som läser varje tweet från indata och anropar sedan funktionen Studio (klassisk) för att utföra attitydanalys. Frågan skickar sedan resultatet till de utdata som du definierade (bloblagring).

  1. Gå tillbaka till Stream Analytics-jobböversikten.

  2. Välj Fråga under Jobbtopologi.

  3. Ange följande fråga:

    WITH sentiment AS (  
SELECT text, sentiment1(text) as result 
FROM <input>  
)  

SELECT text, result.[Score]  
INTO <output>
FROM sentiment

    Frågan anropar den funktion som du skapade tidigare (sentiment) för att utföra attitydanalys på varje tweet i indata.

  4. välj Spara för att spara frågan.

Starta Stream Analytics-jobbet och kontrollera utdata

Nu kan du starta Stream Analytics-jobbet.

Starta jobbet

  1. Gå tillbaka till Stream Analytics-jobböversikten.

  2. välj Starta överst på sidan.

  3. I Startjobb väljer du Anpassad och väljer sedan en dag före när du laddade upp CSV-filen till bloblagringen. När du är klar väljer du Starta.

Kontrollera utdata

  1. Låt jobbet köras i några minuter tills du ser aktivitet i rutan Övervakning .

  2. Om du har ett verktyg som du normalt använder för att undersöka innehållet i bloblagringen använder du det verktyget för att undersöka containern. Du kan också utföra följande steg i Azure-portalen:

    1. Leta reda på ditt lagringskonto i Azure-portalen och leta upp containern i kontot. Du ser två filer i containern: filen som innehåller exempel-tweets och en CSV-fil som genereras av Stream Analytics-jobbet.
    2. Högerklicka på den genererade filen och välj sedan Ladda ned.

  3. Öppna den genererade CSV-filen. Du ser något som liknar följande exempel:

    Stream Analytics Machine Learning Studio (classic), CSV view

Visa mått

Du kan också visa funktionsrelaterade mått i Studio (klassisk). Följande funktionsrelaterade mått visas i rutan Övervakning i jobböversikten:

  • Funktionsbegäranden anger antalet begäranden som skickas till en Studio-webbtjänst (klassisk).
  • Funktionshändelser anger antalet händelser i begäran. Som standard innehåller varje begäran till en Studio-webbtjänst (klassisk) upp till 1 000 händelser.

Nästa steg