適用於：
Machine Learning Studio （傳統版） 
Azure Machine Learning
重要
Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您依該日期轉換至 Azure Machine Learning 。
自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。 在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。
ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。
Machine Learning Studio （傳統版） 提供互動式畫布，可讓您開發、執行、測試及反覆執行代表預測性分析模型的 實驗 。 有各種不同的模組可供使用：
- 將數據輸入實驗
- 操作資料
- 使用機器學習演算法定型模型
- 評分模型
- 評估結果
- 輸出最終值
一旦您對實驗感到滿意，您可以將它部署為 Machine Learning（傳統）Web服務 或 Azure Machine Learning Web 服務 ，讓使用者可以傳送新數據並接收回結果。
在本文中，我們概述您的 機器學習 模型如何從開發實驗進展到可運作的Web服務。
注意
有其他方式可以開發和部署機器學習模型，但本文著重於如何使用 機器學習 Studio（傳統版）。 例如，若要閱讀如何使用 R 建立傳統預測 Web 服務的描述，請參閱部落格文章 使用 RStudio 和 Azure Machine Learning Studio 建置和部署預測性 Web 應用程式。
雖然 Machine Learning Studio （傳統版） 的設計目的是協助您開發和部署 預測性分析模型，但可以使用 Studio （傳統） 來開發不包含預測分析模型的實驗。 例如，實驗可能只是輸入數據、操作數據，然後輸出結果。 就像預測性分析實驗一樣，您可以將此非預測性實驗部署為 Web 服務，但這是更簡單的程式，因為實驗不是定型或評分機器學習模型。 雖然這不是以這種方式使用 Studio（傳統版）的一般方式，但我們會將其納入討論中，以便我們可以提供 Studio（傳統版）運作方式的完整說明。
開發和部署預測性 Web 服務
以下是一般解決方案在開發並使用 機器學習 Studio 進行部署時所遵循的階段（傳統）：
圖 1 - 典型預測分析模型的階段
定型實驗
訓練實驗是在Machine Learning Studio中開發Web服務的初始階段（傳統）。 定型實驗的目的是讓您有一個開發、測試、反覆執行及最終定型機器學習模型的位置。 您甚至可以在尋找最佳解決方案時同時定型多個模型，但一旦完成實驗，您就會選取單一定型的模型，並從實驗中排除其餘部分。 如需開發預測性分析實驗的範例，請參閱在Machine Learning Studio中開發信用風險評估的預測性分析解決方案（傳統版）。
預測實驗
在定型實驗中擁有定型的模型之後，按一下 [設定 Web 服務]，然後在 Machine Learning Studio (經典) 中選取 [預測 Web 服務]，以啟動將定型實驗轉換為預測實驗的過程。 預測實驗的目的是使用已定型的模型來評分新數據，目標是最終以 Azure Web 服務的形式運作。
這項轉換是透過下列步驟為您完成的：
- 將用於定型的模組集合轉換成單一模組，並將其儲存為已定型的模型
- 排除任何與評分無關的額外模組
- 新增最終 Web 服務將使用的輸入和輸出埠
您可能想要進行更多變更，讓您的預測實驗準備好部署為 Web 服務。 例如，如果您希望 Web 服務只輸出結果的子集，您可以在輸出埠之前新增篩選模組。
在此轉換程式中，不會捨棄定型實驗。 當程式完成時，您在 Studio 中有兩個索引標籤（傳統）：一個用於定型實驗，另一個用於預測實驗。 如此一來，您就可以在部署 Web 服務並重建預測實驗之前，對定型實驗進行變更。 或者，您可以儲存訓練實驗的複本，以開始另一行實驗。
注意
當您按兩下 [預測性 Web 服務 ] 時，會啟動自動程式，將定型實驗轉換成預測性實驗，而且在大部分情況下運作良好。 如果您的定型實驗很複雜（例如，您有多個路徑可供您一起聯結的訓練），建議您手動進行這項轉換。 如需詳細資訊，請參閱如何在Machine Learning Studio 中準備模型以進行部署（傳統版）。
Web 服務
一旦您滿意預測實驗準備就緒，您就可以根據 Azure Resource Manager，將服務部署為傳統 Web 服務或新的 Web 服務。 若要將模型部署為 傳統機器學習 Web 服務來運作，請按兩下 [ 部署 Web 服務 ]，然後選取 [ 部署 Web 服務 [傳統] 。 若要部署為新的 Machine Learning Web 服務，請按兩下 [部署Web服務]，然後選取 [部署Web服務][新增]。 用戶現在可以使用 Web 服務 REST API 將數據傳送至您的模型，並接收結果。 如需詳細資訊，請參閱 如何使用Machine Learning Web服務。
非典型案例：建立非預測性 Web 服務
如果您的實驗未定型預測性分析模型，則您不需要同時建立定型實驗和評分實驗 - 只有一個實驗，而且您可以將它部署為Web服務。 機器學習 Studio （傳統版） 會藉由分析您已使用的模組來偵測您的實驗是否包含預測模型。
在您逐一查看實驗並滿意之後：
- 按兩下 [設定 Web 服務 ]，然後選取 [重新定型 Web 服務 - 會自動新增輸入和輸出節點]
- 按一下 [執行]
- 單擊 [部署 Web 服務 ]，然後選取 [ 部署 Web 服務 [傳統] 或 [ 部署 Web 服務 [新增]， 視您要部署的環境而定。
您的 Web 服務現在已部署，而且您可以存取和管理它，就像預測性 Web 服務一樣。
更新 Web 服務
既然您已將實驗部署為 Web 服務，如果您需要更新它，該怎麼辦？
這取決於您需要更新的內容：
您想要變更輸入或輸出，或想要修改 Web 服務作數據的方式
如果您未變更模型，但只是變更 Web 服務處理數據的方式，您可以編輯預測實驗，然後按兩下 [部署Web服務]，然後再次選取 [部署Web服務 [傳統] 或 [部署Web服務 [新增]。 Web 服務已停止、已部署更新的預測實驗，並重新啟動Web服務。
以下是範例：假設您的預測實驗會傳回具有預測結果的輸入數據的完整數據列。 您可以決定讓 Web 服務只傳回結果。 因此，您可以在預測實驗中新增 項目 數據行模組，就在輸出埠之前，以排除結果以外的數據行。 當您按兩下 [部署Web服務 ]，然後再次選取 [部署Web服務[傳統] 或 [ 部署Web服務[新增] 時，Web 服務會更新。
您想要使用新數據重新定型模型
如果您想要保留機器學習模型，但想要使用新數據重新定型，您有兩個選項：
在 Web 服務執行時重新定型模型 - 如果您想要在預測性 Web 服務執行時重新定型模型，您可以對定型實驗進行幾項修改，使其成為 重新定型實驗，然後將其部署為 重新定型 Web 服務。 如需如何執行這項作的指示，請參閱 以程序設計方式重新定型機器學習模型。
返回原始定型實驗，並使用不同的定型數據來開發模型 - 您的預測實驗會連結至 Web 服務，但定型實驗不會以這種方式直接連結。 如果您修改原始定型實驗並按兩下 [ 設定Web服務]，則會建立 新的 預測實驗，部署時將會建立 新的 Web服務。 它不只是更新原始的 Web 服務。
如果您需要修改訓練實驗，請開啟它，然後點擊另存新檔以創建副本。 這會讓原始定型實驗、預測實驗和 Web 服務保持不變。 您現在可以使用變更來建立新的 Web 服務。 部署新的 Web 服務之後，您就可以決定要停止先前的 Web 服務，還是讓它與新的 Web 服務一起執行。
您想要定型不同的模型
如果您想要變更原始預測實驗，例如選取不同的機器學習演算法、嘗試不同的定型方法等等，則您必須遵循上述第二個程式來重新定型模型：開啟定型實驗，按兩下 [ 另存新檔 ] 進行複本，然後開始開發模型的新路徑， 建立預測實驗，以及部署Web服務。 這會建立與原始 Web 服務無關的新 Web 服務-您可以決定要繼續執行哪一項或兩者。
下一步
如需開發和實驗程序的詳細資訊，請參閱下列文章：
- 轉換實驗 - 如何準備模型以在 Machine Learning Studio 中部署 （傳統）
- 部署 Web 服務 - 部署 Machine Learning Web 服務
- 重新定型模型 - 以程序設計方式重新定型 Machine Learning 模型
如需整個程式的範例，請參閱：