共用方式為

教學課程：在沒有程式代碼的情況下定型機器學習模型（已淘汰）

  • 發行項

您可以使用 自動化機器學習定型的新機器學習模型，擴充 Spark 資料表中的資料。 在 Azure Synapse Analytics 中，您可以直接在工作區中選取 Spark 資料表，作為用來在無需程式碼體驗中建立機器學習模型的訓練資料集。

在本教學課程中，您將了解如何在 Synapse Studio 中使用無需程式碼體驗來定型機器學習模型。 Synapse Studio 是 Azure Synapse Analytics 的一項功能。

您會在 Azure Machine Learning 中使用自動化機器學習，而不是手動編碼體驗。 您所定型的模型類型取決於您嘗試解決的問題。 在本教學課程中，您將使用迴歸模型，從紐約市計程車資料集預測計程車的車資。

如果您沒有 Azure 訂用帳戶，請在開始前建立免費帳戶。

警告

  • 自 2023 年 9 月 29 日起，Azure Synapse 將會停止對 Spark 2.4 運行時間的官方支援。 在 2023 年 9 月 29 日之後，我們不會處理任何與 Spark 2.4 相關的支援票證。 Spark 2.4 的 Bug 或安全性修正不會有發行管線。 使用Spark 2.4後，支援截止日期會自行承擔風險。 由於潛在的安全性和功能考慮，我們強烈勸阻其繼續使用。
  • 作為 Apache Spark 2.4 淘汰程式的一部分，我們想要通知您 Azure Synapse Analytics 中的 AutoML 也將已被取代。 這包括低程式代碼介面和用來透過程式代碼建立 AutoML 試用版的 API。
  • 請注意，AutoML 功能是透過 Spark 2.4 運行時間獨佔提供的。
  • 對於想要繼續使用 AutoML 功能的客戶，建議您將資料儲存到 Azure Data Lake 儲存體 Gen2 （ADLSg2） 帳戶。 您可以從該處順暢地透過 Azure 機器學習 （AzureML） 存取 AutoML 體驗。 如需此因應措施的詳細資訊，請參閱 這裡。

必要條件

登入 Azure 入口網站

登入 Azure 入口網站。

為定型資料集建立 Spark 資料表

在本教學課程中，您需要使用 Spark 資料表。 下列筆記本會建立一個 Spark 資料表：

  1. 下載筆記本 Create-Spark-Table-NYCTaxi- Data.ipynb。

  2. 將筆記本匯入到 Synapse Studio。

    Azure Synapse Analytics 的螢幕快照，其中已醒目提示 [匯入] 選項。

  3. 選取要使用的 Spark 集區，然後選取 [全部執行]。 此步驟會從開啟的資料集取得紐約計程車資料，並將資料儲存至您的預設 Spark 資料庫。

    Azure Synapse Analytics 的螢幕快照，其中已醒目提示 [全部執行] 和 [Spark] 資料庫。

  4. 當筆記本執行完成之後，您會在預設 Spark 資料庫下看到新的 Spark 資料表。 從資料中，尋找名為 nyc_taxi 的資料表。

    Azure Synapse Analytics 數據索引卷標的螢幕快照，其中已醒目提示新的數據表。

開啟自動化機器學習精靈

若要開啟精靈，請以滑鼠右鍵按一下您在上一個步驟中建立的 Spark 資料表。 然後，選取 [機器學習]>[定型新模型]。

Spark 數據表的螢幕快照，其中已醒目提示 機器學習 並定型新的模型。

選擇模型類型

根據您想了解的內容，選取實驗的機器學習模型類型。 因為您嘗試預測的值是數值 (計程車費)，所以請在這裡選取 [迴歸]。 然後選取 [繼續]。

將新模型定型的螢幕快照，其中已醒目提示回歸。

設定實驗

  1. 在 Azure Machine Learning 中提供建立自動化機器學習實驗執行的組態詳細資料。 此執行會定型多個模型。 來自成功執行的最佳模型會在 Azure Machine Learning 模型登錄中註冊。

    定型機器學習模型的組態規格螢幕快照。

    • Azure Machine Learning 工作區：建立自動化機器學習實驗執行時，必須要有 Azure Machine Learning 工作區。 您也需要使用連結服務，將 Azure Synapse Analytics 工作區連結至 Azure Machine Learning 工作區。 在滿足了所有的必要條件之後，您可以指定要用於此自動化執行的 Azure Machine Learning 工作區。

    • 實驗名稱：指定實驗名稱。 當您提交自動化機器學習執行時，必須提供一個實驗名稱。 執行的資訊會儲存在 Azure Machine Learning 工作區的該實驗底下。 此體驗預設會建立新的實驗，並產生建議的名稱，但您也可以提供現有實驗的名稱。

    • 最佳模型名稱：從自動化執行指定最佳模型的名稱。 最佳模型會使用此名稱，並在執行後將其自動儲存在 Azure Machine Learning 模型登錄中。 自動化機器學習執行會建立許多機器學習模型。 根據您將在稍後步驟中選取的主要度量，您可以比較這些模型並選出最佳模型。

    • 目標資料行：這是將定型以進行預測的模型。 選擇資料集中的資料行，其中包含您要預測的資料。 針對本教學課程，選取數值資料行 fareAmount 作為目標資料行。

    • Spark 集區：指定要用於自動化實驗執行的 Spark 集區。 系統會在您指定的集區上執行計算。

    • Spark 組態詳細資料：除了 Spark 集區，您也可以選擇提供工作階段組態詳細資料。

  2. 選取繼續。

設定模型

如果您已在上一節中選取 [迴歸] 作為模型類型，則可使用下列組態 (這些也適用於 [分類] 模型類型)：

  • 主要度量：輸入計量來測量模型的執行效能。 您可以使用此計量，比較自動化執行中所建立的不同模型，並判斷哪一個模型最適合執行。

  • 定型工作時間 (小時)：指定實驗執行和定型模型的時間量上限，以小時為單位。 請注意，您也可以提供小於 1 的值 (例如 0.5)。

  • 並行反覆運算次數上限：選擇平行執行的反覆運算次數上限。

  • ONNX 模型相容性：如果啟用此選項，自動化機器學習定型的模型會轉換成 ONNX 格式。 如果要在 Azure Synapse Analytics SQL 集區中使用模型評分，此項目特別相關。

這些設定都有您可以自訂的預設值。

設定回歸模型之其他組態的螢幕快照。

啟動執行

完成所有必要組態之後，您就可以開始執行自動化。 您可以選擇直接建立執行，方法是選取 [建立執行] - 這會在沒有程式碼的情況下啟動執行。 或者，如果偏好使用程式碼，您可以選取 [在筆記本中開啟] - 這會開啟一個筆記本，其中包含建立執行的程式碼，讓您可以檢視程式碼，並自行啟動執行。

[建立執行] 或 [在筆記本中開啟] 選項的螢幕快照。

注意

如果已在上一節中選取 [時間序列預測] 作為模型類型，您必須設定其他組態。 預測也不支援 ONNX 模型相容性。

直接建立執行

若要直接啟動自動化機器學習執行，請選取 [建立執行]。 您會到正在啟動執行的通知。 然後您會看到另一個指出成功的通知。 您也可以選取通知中的連結，檢查 Azure Machine Learning 中的狀態。

成功通知的螢幕快照。

使用筆記本建立執行

選取 [在筆記本中開啟] 以產生筆記本。 這讓您有機會新增設定，或為您的自動化機器學習執行修改程式碼。 當您準備好要執行程式碼時，請選取 [全部執行]。

筆記本的螢幕快照，其中已醒目提示 [全部執行]。

監視執行

在成功提交了執行之後，您會在筆記本輸出中看到 Azure Machine Learning 工作區中實驗執行的連結。 選取連結，以在 Azure Machine Learning 中監視您的自動化機器學習執行。

Azure Synapse Analytics 的螢幕快照，其中已醒目提示連結。

下一步