Este documento presenta una sesión de capacitación sobre cómo crear un modelo de regresión utilizando Azure Machine Learning Designer. La sesión cubre la configuración del entorno de trabajo, la exploración y limpieza de datos, el entrenamiento del modelo, la creación de un pipeline de inferencia y la implementación de un servicio predictivo. El objetivo es enseñar a los asistentes a crear una aplicación predictiva mediante el uso de Azure ML.
3. meetup.com/Microsoft-Reactor-Toronto/
Carla Vanesa Mamani Chavez
Estudiante en Ciencias de la Computación – U.M.S.A.
Speaker Bio: Tengo 23 años. Soy de La Paz - Bolivia. Soy
Microsoft MVP en la categoría de AI. También pertenezco al
programa mundial Microsoft Learn Student Ambassador en la
categoria Gold. Soy lider en la comunidad Microsoft Learn
Student Ambassador La Paz, Co-fundadora de MLSA El Alto,
Cochabamba y Santa Cruz.
Cuento con las certificaciones MIE (Microsoft Innovative
Educator), también con MOS (Microsoft Office Specialist).
4. meetup.com/Microsoft-Reactor-Toronto/
Luis Beltrán
Estudiante de Doctorado en Ingeniería Informática – Tomás
Bata University in Zlín, República Checa
Speaker Bio:
- Microsoft MVP en la categoría de AI y Developer Technologies.
- Me dedico al desarrollo de aplicaciones móviles, trabajo con
tecnologías de cómputo en la nube e inteligencia artificial,
además de ofrecer servicios de consultoría en estas áreas.
7. Introducción
Regresión es una forma de machine learning que es utilizada para
predecir una etiqueta numérica basado en las características de un
elemento.
Precio
Potencia del motor
x x
x
x
x
← Característica (s)
Etiqueta
→
10. Crea un Workspace Crea instancias de
cómputo
• Instancias de Cómputo: Estaciones de trabajo
de desarrollo que los científicos de datos pueden
usar para trabajar con datos y modelos.
Crea una instancia de cómputo
Standard_DS11_v2.
• Clústers de Cómputo: Clústeres escalables de
máquinas virtuales para el procesamiento bajo
demanda de código de los experimentos.
• Clústers de Inferencia: Destinos de
implementación para servicios predictivos que
utilizan tus modelos entrenados.
• Cómputo Adjunto: Vínculos a recursos de
cómputo de Azure existentes, como máquinas
virtuales o clústeres de Azure Databricks.
http://portal.azure.com
http://ml.azure.com
14. Manejo de valores faltantes
Es posible que falten algunos de los datos. Necesitamos manejar los
valores faltantes antes de entrenar el modelo
• Elimina la columna con datos faltantes
(normalized-losses)
• Elimina filas con valores que faltan (bore,
stroke y horsepower)
• Rellena los valores que faltan (con 0s, con
valores promedio)
17. Experimento de Entrenamiento
Una vez limpiados los datos:
• Divide el dataset en
entrenamiento y prueba
• Entrena con los datos de
entrenamiento
• Puntúa con los datos de la prueba
• Evalúa para calcular las
estadísticas
Métricas:
• Error absoluto medio: $2k (15%)
• Coeficiente de determinación:
93%
19. Crea un pipeline de inferencia
Inferencia = Uso del modelo para predecir nuevos precios
REST Endpoint = Llama un servicio a través de Internet desde
cualquier lugar
20. Crea y ejecuta el pipeline de inferencia
Web service input Web
Service Output
Se necesita aplicar las
mismas transformaciones
(normalización, etc.)
Usa los datos de ejemplo
como esquema
Después de puntuar
podemos hacer un poco de
post-procesamiento usando
un script de Python
personalizado
Ejecuta el pipeline para
probarlo y realiza la
puntuación de los datos de
muestra
22. Implementa un servicio predictivo
Implementar = Ejecutar el modelo predictivo en algún lugar de
cómputo
ACI: Instancia de contenedor, una máquina virtual para pruebas /
carga baja
AKS: Clúster de Kubernetes, para producción / carga escalable
23. Prueba el servicio
endpoint = 'YOUR_ENDPOINT' #Reemplazar con tu endpoint
key = 'YOUR_KEY’ #Reemplazar con tu llave
import urllib.request, json, os
# Prepara los datos de entrada
data = {
"Inputs": { "WebServiceInput0": [
{
'symboling': 3,
'make': "alfa-romero",
….. }, ], },
"GlobalParameters": { } }
body = str.encode(json.dumps(data))
headers = {'Content-Type':'application/json',
'Authorization':('Bearer '+ key)}
req = urllib.request.Request(endpoint, body, headers)
response = urllib.request.urlopen(req)
result = response.read()
json_result = json.loads(result)
y = json_result["Results"]["WebServiceOutput0"][0]
print(y)
Usaremos el servicio de Notebooks
para ejecutar código de Python
Cómput
o
Designer
Notebooks Implementación
Llamada
REST
25. Pregunta 1
Está creando un pipeline de entrenamiento para un modelo de
regresión, utilizando un conjunto de datos que tiene varias columnas
numéricas en las que los valores están en diferentes escalas. Deseas
transformar las columnas numéricas para que todos los valores estén
en una escala similar en relación con los valores mínimo y máximo de
cada columna. ¿Qué módulo debe agregar al pipeline?
A. Select Columns in a Dataset
B. Normalize Data
C. Clean Missing Data
26. Pregunta 1
Está creando un pipeline de entrenamiento para un modelo de
regresión, utilizando un conjunto de datos que tiene varias columnas
numéricas en las que los valores están en diferentes escalas. Deseas
transformar las columnas numéricas para que todos los valores estén
en una escala similar en relación con los valores mínimo y máximo de
cada columna. ¿Qué módulo debe agregar al pipeline?
A. Select Columns in a Dataset
B. Normalize Data
C. Clean Missing Data
27. Pregunta 2
¿Por qué dividimos nuestros datos en conjuntos de entrenamiento y
validación?
A. Los datos se dividen en dos conjuntos para crear dos modelos, un modelo que
utiliza el conjunto de entrenamiento y un modelo diferente que utiliza el conjunto
de validación.
B. La división de datos en dos conjuntos permite comparar las etiquetas que
predice el modelo con las etiquetas conocidas reales del conjunto de datos original.
C. Solo necesitamos dividir nuestros datos cuando usamos Azure Machine
Learning Designer, pero no en otros escenarios de machine learning.
28. Pregunta 2
¿Por qué dividimos nuestros datos en conjuntos de entrenamiento y
validación?
A. Los datos se dividen en dos conjuntos para crear dos modelos, un modelo que
utiliza el conjunto de entrenamiento y un modelo diferente que utiliza el conjunto
de validación.
B. La división de datos en dos conjuntos permite comparar las etiquetas que
predice el modelo con las etiquetas conocidas reales del conjunto de datos
original.
C. Solo necesitamos dividir nuestros datos cuando usamos Azure Machine
Learning Designer, pero no en otros escenarios de machine learning.
30. Resumen
En este módulo aprendiste cómo usar Azure Machine Learning
Designer para entrenar y publicar un modelo de regresión.
¿Qué puedes hacer con este nuevo aprendizaje?
Crea una aplicación predictiva
• Selecciona un problema de un dominio que te interese. Inspírese con los
conjuntos de datos disponibles en Kaggle o en otros lugares.
• Entrena e implementa el modelo de la manera en que lo has hecho en
este taller
• Crea una aplicación móvil o web que consuma la API.
31. Limpieza de recursos
Cuando ya no vayas a trabajar más con este módulo, asegúrate de
eliminar todos los recursos de nube utilizados para evitar consumir
créditos de suscripción
• Elimina el endpoint de predicción (Endpoints en Azure ML Portal)
• Detener la instancia de cómputo (Compute en Azure ML Portal)
• Elimina Azure ML Workspace (Azure Portal)
33. Módulo
Microsoft Learn: Creación de un modelo de regresión con el Diseñador de
Azure Machine Learning
https://docs.microsoft.com/es-mx/learn/modules/create-regression-model-azure-
machine-learning-designer/
Luis
Puede usar el diseñador de Azure Machine Learning para crear modelos de regresión mediante una interfaz visual de arrastrar y colocar, sin necesidad de escribir ningún código.
En este módulo, aprenderá a:
Usar el Diseñador de Azure Machine Learning para entrenar un modelo de regresión.
Utilizar un modelo de regresión para la inferencia.
Implementar un modelo de regresión como servicio.
Carlita
La regresión es una forma de machine learning que se utiliza para predecir una etiqueta numérica basada en las características de un elemento. Por ejemplo, una empresa de ventas de automóviles podría utilizar las características de un automóvil (como el tamaño del motor, el número de asientos, el kilometraje, etc.) para predecir su precio de venta probable. En este caso, las características del automóvil son las características, y el precio de venta es la etiqueta.
La regresión es un ejemplo de una técnica de machine learning supervisado en la que se entrena un modelo utilizando datos que incluyen tanto las características como los valores conocidos de la etiqueta, de modo que el modelo aprende a ajustar las combinaciones de características a la etiqueta. A continuación, una vez finalizado el entrenamiento, puede utilizar el modelo entrenado para predecir las etiquetas de los nuevos elementos para los que se desconoce su etiqueta.
Luis
Azure Machine Learning es una plataforma basada en la nube para la compilación y el uso de soluciones de machine learning en Azure. Incluye una amplia gama de características y funcionalidades que ayudan a los científicos de datos a preparar datos, entrenar modelos, publicar servicios predictivos y supervisar su uso. Una de estas características es una interfaz visual denominada diseñador, que puede usar para entrenar, probar e implementar modelos de Machine Learning sin necesidad de escribir código.
Para usar Azure Machine Learning, debe crear un área de trabajo en la suscripción de Azure. Después, puede usar esta área de trabajo para administrar datos, recursos de proceso, código, modelos y otros artefactos relacionados con las cargas de trabajo de machine learning.
Puede administrar el área de trabajo mediante Azure Portal, pero para los científicos de datos y los ingenieros de operaciones de Machine Learning, Azure Machine Learning Studio proporciona una interfaz de usuario más centrada a fin de administrar los recursos del área de trabajo.
Carlita (primer parte)
Vamos a crear un recurso de Machine Learning desde el portal.
[Aquí va el primer demo]
1. Seleccione ＋Crear un recurso, busque Machine Learning y cree un recurso de Machine Learning con los valores siguientes:
Suscripción: suscripción de Azure
Grupo de recursos: cree o seleccione un grupo de recursos.
Nombre del área de trabajo: escriba un nombre único para el área de trabajo.
Región: seleccione la región geográfica más cercana.
Cuenta de almacenamiento: tenga en cuenta la nueva cuenta de almacenamiento predeterminada que se creará para el área de trabajo.
Almacén de claves: tenga en cuenta el nuevo almacén de claves predeterminado que se creará para el área de trabajo.
Application Insights: tenga en cuenta el nuevo recurso de Application Insights predeterminado que se creará para el área de trabajo.
Registro de contenedor: ninguno (se creará uno automáticamente la primera vez que implemente un modelo en un contenedor).
2. Espere a que se cree el área de trabajo (puede tardar unos minutos). Después, vaya a ella en el portal.
En la página Información general del área de trabajo, inicie Estudio de Azure Machine Learning 3. (o abra una pestaña nueva del explorador y vaya a ), e inicie sesión en Estudio de Azure Machine Learning con la cuenta de Microsoft.
4. En Estudio de Azure Machine Learning, alterne el icono ☰ de la parte superior izquierda para ver las distintas páginas de la interfaz. Puede usar estas páginas para administrar los recursos en el área de trabajo.
Luis (segunda parte)
Para entrenar e implementar modelos mediante el diseñador de Azure Machine Learning, necesita instancias de cómputo. Las instancias de cómputo son recursos basados en la nube en los que puede ejecutar procesos de entrenamiento de modelos, exploración de datos y pruebas del modelo entrenado después de su implementación.
En Azure Machine Learning Studio, vea la página Compute (en Administrar). Aquí es donde se administran los destinos informáticos para sus actividades de ciencia de datos. Hay cuatro tipos de recursos informáticos que puede crear:
Instancias de proceso: estaciones de trabajo de desarrollo que los científicos de datos pueden usar para trabajar con datos y modelos.
Clústeres de proceso: clústeres escalables de máquinas virtuales para el procesamiento a petición de código de experimento.
Clústeres de inferencia: destinos de implementación para servicios predictivos que usan los modelos entrenados.
Proceso asociado: vínculos a recursos de proceso de Azure existentes, como clústeres de Azure Virtual Machines o Azure Databricks.
[!NOTA]
Las instancias de proceso y los clústeres se basan en imágenes de máquina virtual de Azure estándar. La imagen Standard_DS11_v2 logra el equilibrio óptimo entre el costo y el rendimiento. Si la suscripción tiene una cuota que no incluye esta imagen, elija una imagen alternativa, pero tenga en cuenta que una imagen más grande puede incurrir en un costo mayor y una imagen más pequeña puede no ser suficiente para completar las tareas. Como alternativa, pida al administrador de Azure que amplíe la cuota.
Realicemos este paso en el portal
[Segundo demo]
En la pestaña Instancias de proceso, agregue una nueva instancia de proceso con los valores siguientes:
Nombre del proceso: escriba un nombre único
Tipo de máquina virtual: CPU
Tamaño de la máquina virtual:
Elija Seleccionar de entre todas las opciones
Busque y seleccione Standard_DS11_v2
Mientras se crea la instancia de proceso, cambie a la pestaña Clústeres de proceso y agregue un nuevo clúster de proceso con la configuración siguiente:
Ubicación: seleccione la misma que el área de trabajo. Si esa ubicación no aparece, elija la más cercana.
Nivel de máquina virtual: dedicado
Tipo de máquina virtual: CPU
Tamaño de la máquina virtual:
Elija Seleccionar de entre todas las opciones
Busque y seleccione Standard_DS11_v2
Nombre del proceso: escriba un nombre único
Número mínimo de nodos: 0
Número máximo de nodos: 2
Segundos de inactividad antes de la reducción vertical: 120
Habilitar acceso SSH: no seleccionado
[!TIP] Después de completar todo el módulo, asegúrese de seguir las instrucciones de limpieza al final del módulo para detener los recursos de proceso. Detenga los recursos de proceso para asegurarse de que no se cobrará la suscripción.
Los destinos de proceso tardan algún tiempo en crearse.
Carlita
Para entrenar un modelo de regresión, necesita un conjunto de datos que incluya características históricas, las cuales son características de la entidad para la que quiere realizar una predicción. También necesita valores de etiqueta conocidos, es decir, el valor numérico que quiere para entrenar un modelo que va a predecir.
Carlita
Normalmente, se aplican transformaciones de datos para preparar los datos para el modelado. En el caso de los datos de precios de automóviles, agregará transformaciones para abordar los problemas que identificó al explorar los datos.
Luis [Tercer demo]
1. En el panel de la izquierda, expanda la sección Transformación de datos, que contiene una amplia variedad de módulos que puede usar para transformar los datos antes de entrenar el modelo.
2. Arrastre un módulo Seleccionar columnas del conjunto de datos al lienzo, debajo del módulo Automobile price data (Raw). Después, conecte la salida de la parte inferior del módulo Automobile price data (Raw) a la entrada de la parte superior del módulo Seleccionar columnas del conjunto de datos:
3. Seleccione el módulo Seleccionar columnas del conjunto de datos y, en el panel Configuración de la derecha, seleccione Editar columna. Después, en la ventana Seleccionar columnas, seleccione Por nombre y use los vínculos + para agregar todas las columnas menos normalized-losses, de esta forma:
4. Arrastre un módulo Limpiar datos que faltan desde la sección Transformaciones de datos y colóquelo bajo el módulo Seleccionar columnas del conjunto de datos. Después, conecte la salida del módulo Seleccionar columnas del conjunto de datos a la entrada del módulo Limpiar datos que faltan.
5. Seleccione el módulo Limpiar datos que faltan y, en el panel Configuración de la derecha, haga clic en Editar columna. Después, en la ventana Seleccionar columnas, seleccione Con reglas, en la lista Incluir seleccione Nombres de columna y, en el cuadro de nombres de columna, escriba bore, stroke y horsepower:
6. Con el módulo Limpiar datos que faltan aún seleccionado, en el panel Configuración, establezca las siguientes opciones de configuración:
Relación mínima de valores que faltan: 0,0
Relación máxima de valores que faltan: 1,0
Modo de limpieza: quitar toda la fila
7. Arrastre un módulo Normalizar datos al lienzo, debajo del módulo Limpiar datos que faltan. Después, conecte la salida del módulo Limpiar datos que faltan a la entrada del módulo Normalizar datos.
8. Seleccione el módulo Normalize Data (Normalizar datos) y vea su configuración. Tenga en cuenta que es necesario especificar el método de transformación y las columnas que se transformarán. Después, establezca la transformación en MinMax. Aplique una regla para editar las columnas a fin de incluir los Nombres de columna siguientes:
symboling
wheel-base
length
width
height
curb-weight
engine-size
bore
stroke
compression-ratio
horsepower
peak-rpm
city-mpg
highway-mpg
Carlita [Quinto demo]
Ahora el conjunto de datos está preparado para el entrenamiento del modelo.
Seleccione el módulo Normalize Data (Normalizar datos) completado y, en el panel Configuración de la derecha, en la pestaña Salidas y registros, seleccione el icono Vista previa de los datos del Conjunto de datos transformado.
Visualice los datos. Observe que se ha quitado la columna normalized-losses, que todas las filas contienen datos para bore, stroke y horsepower, y que las columnas numéricas que ha seleccionado se han normalizado a una escala común.
Cierre la visualización del resultado normalizado de los datos.
Carlita
Después de haber usado transformaciones de datos para preparar los datos, puede usarlos para entrenar un modelo de Machine Learning.
Carlita (primera parte)
Es habitual entrenar el modelo con un subconjunto de los datos, a la vez que se retienen algunos con los que probar el modelo entrenado. Esto le permite comparar las etiquetas que predice el modelo con las etiquetas conocidas reales del conjunto de datos original.
En este ejercicio, aprenderá paso a paso cómo ampliar el pipeline de entrenamiento.
Luis [Sexto demo]
1. Abra la canalización Entrenamiento de precios automático que ha creado en la unidad anterior si todavía no está abierta.
2. En el panel de la izquierda, en la sección Transformaciones de datos, arrastre un módulo Dividir datos al lienzo bajo el módulo Normalizar datos. Después, conecte la salida Conjunto de datos transformado (izquierda) del módulo Normalizar los datos a la entrada del módulo Dividir datos.
3. Seleccione el módulo Dividir datos y configure sus valores como se indica a continuación:
Modo de división: dividir filas
Fracción de filas del primer conjunto de datos de salida: 0,7
Valor de inicialización aleatorio: 123
División estratificada: Falso
4. Expanda la sección Entrenamiento del modelo del panel de la izquierda y arrastre el módulo Entrenar modelo al lienzo, bajo el módulo Dividir datos. Después, conecte la salida de Conjunto de datos de resultados 1 (izquierda) del módulo Dividir datos a la entrada Conjunto de datos (derecha) del módulo Entrenar modelo.
5. El modelo que se va a entrenar predecirá el valor price, por lo que debe seleccionar el módulo Entrenar modelo y modificar su configuración para establecer la columna Label (Etiqueta) en price (con la misma ortografía y las mismas mayúsculas y minúsculas).
6. La etiqueta price que predecirá el modelo es un valor numérico, por lo que es necesario entrenar el modelo mediante un algoritmo de regresión. Expanda la sección Algoritmos de aprendizaje automático y, en Regresión, arrastre un módulo Regresión lineal al lienzo, a la izquierda del módulo Dividir datos y por encima del módulo Entrenar modelo. Después, conecte su salida a la entrada Modelo no entrenado (izquierda) del módulo Entrenar modelo.
Nota
Puede usar varios algoritmos para entrenar un modelo de regresión. Para ayudarle a elegir uno, eche un vistazo a la Hoja de referencia rápida de algoritmos de aprendizaje automático del diseñador de Azure Machine Learning.
7. Para probar el modelo entrenado, es necesario usarlo para puntuar el conjunto de datos de validación que se ha conservado al dividir los datos originales, es decir, para predecir las etiquetas de las características del conjunto de datos de validación. Expanda la sección Puntuación y evaluación del modelo y arrastre un módulo Puntuar modelo al lienzo, debajo del módulo Entrenar modelo. Después, conecte la salida del módulo Entrenar modelo a la entrada Modelo entrenado (izquierda) del módulo Puntuar modelo y arrastre la salida Conjunto de datos de resultados 2 (derecha) del módulo Dividir datos a la entrada Conjunto de datos (derecha) del módulo Puntuar modelo.
Ya está a punto para ejecutar la canalización de entrenamiento y entrenar el modelo.
8. Seleccione Enviar y ejecute la canalización mediante el experimento existente denominado mslearn-auto-training. Espere a que se complete la ejecución del experimento. Esto puede tardar cinco minutos o más.
9. Cuando se haya completado la ejecución del experimento, seleccione el módulo Score Model (Puntuar modelo) y, en el panel Configuración, en la pestaña Resultados y registros, en la sección Scored dataset (Conjunto de datos puntuado) de Data outputs (Salidas de datos), use el icono Vista previa de datos para ver los resultados.
10. Desplácese a la derecha y observe que junto a la columna price (que contiene los valores reales conocidos de la etiqueta) hay una nueva columna denominada Etiquetas puntuadas, que contiene los valores de etiqueta pronosticados.
11. Cierre la ventana Visualización del resultado de Puntuar modelo.
El modelo predice valores para la etiqueta price
Carlita
Después de crear y ejecutar una canalización para entrenar el modelo, necesita una segunda que realice las mismas transformaciones de datos para los datos nuevos y que después use el modelo entrenado para inferir (es decir, para predecir) valores de etiqueta en función de sus características. Esto formará la base de un servicio predictivo que puede publicar para que lo usen las aplicaciones.
Luis [Séptimo demo]
1. En Azure Machine Learning Studio, haga clic en la página Diseñador para ver todas las canalizaciones que ha creado. Después, abra la canalización Entrenamiento de precios automático que ha creado antes.
2. Vaya a la lista desplegable Crear canalización de inferencia situada en la esquina superior derecha de la pantalla. Si no la ve, es posible que tenga que expandir la pantalla o hacer clic en los tres puntos ... que representan Más acciones en la esquina superior derecha. A continuación, haga clic en Canalización de inferencia en tiempo real. Después de unos segundos, se abrirá una versión nueva de la canalización denominada Entrenamiento de precios automático-inferencia en tiempo real.
Si la canalización no incluye los módulosEntrada de servicio web y Salida de servicio web, vuelva a la página Diseñador y, después, abra de nuevo la canalización Entrenamiento de precios automático-inferencia en tiempo real.
3. Cambie el nombre de la nueva canalización a Predicción de precios automática y después revísela. Contiene una entrada de servicio web para los nuevos datos que se van a enviar y una salida de servicio web para devolver los resultados. Algunas de las transformaciones y los pasos de entrenamiento se han encapsulado en esta canalización para que las estadísticas de los datos de entrenamiento se usen en la normalización de los nuevos valores de datos, y el modelo entrenado se usará para puntuar los nuevos datos.
4. La canalización de inferencia supone que los datos nuevos coincidirán con el esquema de los datos de entrenamiento originales, por lo que se incluye el conjunto de datos Automobile price data (Raw) de la canalización de entrenamiento. Pero estos datos de entrada incluyen la etiqueta price que predice el modelo, lo que no resulta intuitivo para incluir en los nuevos datos de automóvil para los que todavía no se ha realizado una predicción del precio. Elimine este módulo y reemplácelo por un módulo Escribir los datos manualmente de la sección Entrada y salida de datos, que contiene los siguientes datos CSV, que incluyen valores de características sin etiquetas para tres automóviles (copie y pegue todo el bloque de texto):
symboling,normalized-losses,make,fuel-type,aspiration,num-of-doors,body-style,drive-wheels,engine-location,wheel-base,length,width,height,curb-weight,engine-type,num-of-cylinders,engine-size,fuel-system,bore,stroke,compression-ratio,horsepower,peak-rpm,city-mpg,highway-mpg3,NaN,alfa-romero,gas,std,two,convertible,rwd,front,88.6,168.8,64.1,48.8,2548,dohc,four,130,mpfi,3.47,2.68,9,111,5000,21,273,NaN,alfa-romero,gas,std,two,convertible,rwd,front,88.6,168.8,64.1,48.8,2548,dohc,four,130,mpfi,3.47,2.68,9,111,5000,21,271,NaN,alfa-romero,gas,std,two,hatchback,rwd,front,94.5,171.2,65.5,52.4,2823,ohcv,six,152,mpfi,2.68,3.47,9,154,5000,19,26
5. Conecte el nuevo módulo Escribir los datos manualmente a la misma entrada conjunto de datos del módulo Seleccionar columnas del conjunto de datos como Entrada de servicio web.
6. Ahora que ha cambiado el esquema de los datos entrantes para excluir el campo price, tendrá que quitar todos los usos explícitos de este campo en los módulos restantes. Seleccione el módulo Seleccionar columnas del conjunto de datos y, después, en el panel Configuración, edite las columnas para quitar el campo price.
7. La canalización de inferencia incluye el módulo Evaluar modelo, que no resulta útil al realizar predicciones a partir de los datos nuevos, por lo que puede eliminarlo.
8. En la salida del módulo Puntuar modelo se incluyen todas las características de entrada, así como la etiqueta de predicción. Para modificar la salida de forma que solo incluya la predicción:
Elimine la conexión entre el módulo Puntuar modelo y Salida de servicio web.
Agregue un módulo Ejecutar script de Python desde la sección Lenguaje Python y reemplace todo el script de Python predeterminado por el código siguiente (que solo selecciona la columna Etiquetas puntuadas y le cambia el nombre por predicted_price):
import pandas as pd
def azureml_main(dataframe1 = None, dataframe2 = None):
scored_results = dataframe1[['Scored Labels’]]
scored_results.rename(columns={'Scored Labels':'predicted_price'}, inplace=True)
return scored_results
Conecte la salida del módulo Puntuar modelo a la entrada Conjunto de datos 1 (en el extremo izquierdo) del módulo Ejecutar script de Python, y conecte la salida del módulo Ejecutar script de Python a Salida del servicio web.
9. Envíe la canalización como un nuevo experimento denominado mslearn-auto-inference en el clúster de proceso. Esta operación puede tardar varios minutos.
10. Una vez que se haya completado la canalización, seleccione el módulo Ejecutar script de Python y, en el panel Configuración, en la pestaña Salida y registros, visualice el Conjunto de datos de resultados para ver los precios pronosticados de los tres automóviles de los datos de entrada.
11. Cierre la ventana de visualización.
Close the visualization window.
La canalización de inferencia predice los precios de los automóviles en función de sus características. Ya está a punto para publicar la canalización a fin de que las aplicaciones cliente la puedan usar.
Carlita primera parte
Después de crear y probar una canalización de inferencia para la inferencia en tiempo real, puede publicarla como un servicio para que lo usen las aplicaciones cliente.
En este ejercicio, implementará el servicio web en Azure Container Instance (ACI). Este tipo de proceso se crea dinámicamente y resulta útil para el desarrollo y las pruebas. Para producción, debe crear un clúster de inferencia, que proporciona un clúster de Azure Kubernetes Service (AKS) que ofrece mejor escalabilidad y seguridad.
Luis [Octavo demo] 1. Vea la canalización de inferencia Predicción de precios automática que ha creado en la unidad anterior.
2. En la parte superior derecha, seleccione Implementar e implemente un nuevo punto de conexión en tiempo real con la siguiente configuración:
Nombre: predict-auto-price
Descripción: regresión de precios automática.
Tipo de proceso: instancia de Azure Container.
3. Espere a que se implemente el servicio web; esto puede tardar varios minutos. El estado de implementación se muestra en la parte superior izquierda de la interfaz del diseñador.
Luis
Ahora puede probar el servicio implementado desde una aplicación cliente; en este caso, usará el código de la celda siguiente para simular una aplicación cliente.
[Noveno demo]
1. En la página Puntos de conexión, abra el punto de conexión en tiempo real predict-auto-price.
2. Cuando se abra el punto de conexión predict-auto-price, examine la pestaña Consumir y observe la información siguiente. La necesitará para conectarse al servicio implementado desde una aplicación cliente.
El punto de conexión REST para el servicio
La clave principal para el servicio
3. Observe que puede usar el vínculo ⧉ situado junto a estos valores para copiarlos en el Portapapeles.
4. Con la página Consumir de la página del servicio predict-auto-price abierta en el explorador, abra una nueva pestaña y una segunda instancia de Azure Machine Learning Studio. Después, en la pestaña nueva, vea la página Cuadernos (en Autor).
5. Vaya al panel izquierdo y haga clic en Cuadernos. Después, use el botón 🗋 para crear un archivo con la siguiente configuración:
Ubicación del archivo: Users/su nombre de usuario
Nombre de archivo: Test-Autos.ipynb
Tipo de archivo: cuaderno
Sobrescribir si ya existe: seleccionado
6. Cuando se haya creado el cuaderno, asegúrese de que la instancia de proceso que ha creado antes esté seleccionada en el cuadro Proceso y que tiene el estado En ejecución.
7. Use el botón ≪ para contraer el panel del explorador de archivos y así disponer de más espacio para centrarse en la pestaña del cuaderno Test-Autos.ipynb.
8. En la celda rectangular que se ha creado en el cuaderno, pegue el código siguiente:
https://docs.microsoft.com/es-mx/learn/modules/create-regression-model-azure-machine-learning-designer/8-deploy-service
[!NOTE] El código anterior simplemente envía los detalles de un automóvil y usa el servicio predict-auto-price que ha creado para obtener un precio pronosticado.
9. Cambie a la pestaña del explorador que contiene la página Consumir para el servicio predict-auto-price y copie el punto de conexión REST del servicio. Después, vuelva a la pestaña que contiene el cuaderno y pegue la clave en el código, para reemplazar YOUR_ENDPOINT.
10. Cambie a la pestaña del explorador que contiene la página Consumir para el servicio predict-auto-price y copie la clave principal del servicio. Luego vuelva a la pestaña que contiene el cuaderno y pegue la clave en el código, para reemplazar YOUR_KEY.
11. Guarde el cuaderno. Después, use el botón ▷ situado junto a la celda para ejecutar el código.
12. Después de ejecutar el código, desplácese hacia abajo hasta la parte inferior de la pantalla. Debería ver la salida "predicted_price". La salida es el precio previsto para un vehículo con las características de entrada concretas especificadas en el código.
Desde aquí al final Carlita
Explicación: Eso es correcto. Cuando necesite transformar datos numéricos para que estén en una escala similar, utilice un módulo Normalizar datos.
Explicación: Eso es correcto. Cuando necesite transformar datos numéricos para que estén en una escala similar, utilice un módulo Normalizar datos.
Explicación: Eso es correcto. Queremos probar el modelo creado con datos de entrenamiento en datos de validación para ver qué tan bien funciona el modelo con datos en los que no fue entrenado.
Explicación: Eso es correcto. Cuando necesite transformar datos numéricos para que estén en una escala similar, utilice un módulo Normalizar datos.
En este módulo, aprendió a usar el Diseñador de Azure Machine Learning para entrenar y publicar un modelo de regresión.
El servicio web que se ha creado se hospeda en una instancia de Azure Container. Si no tiene previsto experimentar con él, debe eliminar el punto de conexión para evitar el uso innecesario de Azure. También debe detener la instancia de proceso hasta que la vuelva a necesitar.
[Opcional, décimo demo]
1. En Azure Machine Learning Studio, en la pestaña Puntos de conexión, seleccione el punto de conexión predict-auto-price. Después, seleccione Eliminar (🗑) y confirme que quiere eliminar el punto de conexión.
2. En la página Proceso, en la pestaña Instancias de proceso, seleccione la instancia de proceso y, luego, Detener.
Nota
Al detener el proceso, se garantiza que no se cobren los recursos de proceso en la suscripción. Sin embargo, se le cobrará un importe reducido por el almacenamiento de datos, siempre que el área de trabajo de Azure Machine Learning exista en la suscripción. Si ha terminado de explorar Azure Machine Learning, puede eliminar el área de trabajo de Azure Machine Learning y los recursos asociados. Sin embargo, si planea completar cualquier otro laboratorio de esta serie, tendrá que volver a crearla.
Para eliminar el área de trabajo:
1. En Azure Portal, en la página Grupos de recursos, abra el grupo de recursos que haya especificado al crear el área de trabajo de Azure Machine Learning.
2. Haga clic en Eliminar grupo de recursos, escriba el nombre del grupo de recursos para confirmar que quiere eliminarlo y seleccione Eliminar.
