Article original : How to Create a ML Model with Azure Machine Learning Designer
Saviez-vous que vous pouvez créer des modèles de machine learning sans écrire une seule ligne de code ? Si vous êtes ici, vous êtes probablement curieux de savoir comment y parvenir.
Dans cet article, je vais vous guider à travers la création d'un modèle de régression qui prédit les prix des automobiles en utilisant les outils Low-Code/No-Code d'Azure Machine Learning.
La régression est une technique de machine learning supervisée utilisée pour prédire des valeurs numériques. Pour mieux comprendre la régression, vous pouvez lire mon article précédent ici.
Prérequis
Pour comprendre et suivre les étapes de ce tutoriel, vous avez besoin des éléments suivants :
Un compte Azure : Vous devez avoir un compte Azure actif.
Un abonnement Azure : Un abonnement Azure actif est requis.
Si vous n'avez pas encore de compte Azure, vous pouvez vous inscrire pour Azure pour les étudiants, le GitHub Student Developer Pack, ou un essai gratuit Azure. Ces options offrent divers avantages et des crédits gratuits pour commencer.
Maintenant, commençons à construire notre modèle. Suivez les étapes ci-dessous pour commencer ! Assurez-vous de lire jusqu'à la fin pour apprendre tout le processus.
Table des matières
Comment configurer votre espace de travail Azure Machine Learning
Comment configurer les ressources de calcul dans Azure Machine Learning Studio
Comment configurer votre espace de travail Azure Machine Learning
Pour commencer à travailler avec Azure Machine Learning, vous devez d'abord créer un workspace. Un workspace est un endroit centralisé pour gérer toutes les ressources et expériences de vos projets de machine learning.
Étape 1 : Créer un groupe de ressources
Commencez par vous connecter au Portail Azure. Cliquez sur le bouton Créer une ressource (l'icône plus) dans la barre de navigation de gauche.
Dans la barre de recherche, tapez « Machine Learning » et sélectionnez Azure Machine Learning dans la liste.
Navigation vers la page d'accueil Azure et clic sur l'icône plus pour créer une nouvelle ressource pour le projet de machine learning
Étape 2 : Créer une nouvelle ressource Azure Machine Learning
Maintenant, cliquez sur Créer pour commencer à configurer votre espace de travail. Vous devrez remplir les détails nécessaires :
Abonnement : Sélectionnez votre abonnement Azure.
Groupe de ressources : Sélectionnez un groupe de ressources existant ou créez-en un nouveau en cliquant sur
Créeret en fournissant un nom.Nom de l'espace de travail : Fournissez un nom unique pour votre espace de travail.
Région : Choisissez une région proche de votre emplacement pour réduire la latence.
Registre de conteneurs : Choisissez
Créersauf si vous avez un registre de conteneurs existant que vous souhaitez utiliser.
Parcourir le marketplace Azure pour les services de machine learning afin de trouver l'outil approprié pour construire et déployer des modèles.
Étape 3 : Vérifier et créer
Remplissez le formulaire avec toutes les informations requises. Assurez-vous de fournir un Nom unique et de sélectionner une région. Ensuite, créez votre nouveau registre de conteneurs.
Passez en revue vos paramètres pour vous assurer que tout est correct. Ensuite, cliquez sur Vérifier + créer pour valider votre configuration. Une fois la validation terminée, cliquez sur Créer pour déployer votre espace de travail. Ce processus peut prendre quelques minutes.
Configuration d'un nouvel espace de travail de machine learning dans Azure avec les détails de configuration essentiels.
Étape 4 : Déploiement
Une fois le déploiement terminé, cliquez sur le bouton Aller à la ressource pour naviguer vers votre nouvel espace de travail.
Dans l'aperçu de l'espace de travail, cliquez sur Lancer le studio pour ouvrir le Azure Machine Learning Studio, où vous effectuerez toutes vos tâches de machine learning.
Déploiement de la ressource terminé dans les services Microsoft Azure Machine Learning.
Comment configurer les ressources de calcul dans Azure Machine Learning Studio
Une fois le déploiement de votre espace de travail terminé, vous devez configurer les ressources de calcul nécessaires pour exécuter vos expériences de machine learning. Suivez les étapes ci-dessous pour ce faire.
Étape 1 : Accéder à l'espace de travail
Une fois le déploiement terminé, cliquez sur le bouton Aller à la ressource. Dans l'aperçu de l'espace de travail, cliquez sur Lancer le studio pour ouvrir Azure Machine Learning Studio.
Étape 2 : Créer une instance de calcul
Dans Azure Machine Learning Studio, naviguez vers le menu de gauche et cliquez sur Calcul. Sélectionnez l'onglet Instances de calcul, puis cliquez sur + Nouveau pour créer une nouvelle instance de calcul.
Remplissez les détails requis :
Taille de la machine virtuelle : Sélectionnez
Standard_DS11_v2pour un équilibre entre performance et coût minimal.Nom du calcul : Entrez un nom unique pour votre instance de calcul.
Ensuite, cliquez sur Créer pour configurer l'instance de calcul. Ce processus peut prendre quelques minutes.
Configuration des instances de calcul dans Azure Machine Learning pour garantir la puissance de calcul requise pour l'entraînement des modèles de machine learning.
Étape 3 : Créer un cluster de calcul
En plus d'une instance de calcul, vous aurez besoin d'un cluster de calcul pour un entraînement scalable. Toujours dans la section Calcul, sélectionnez l'onglet Clusters de calcul et cliquez sur + Nouveau.
Remplissez les détails :
Nom du cluster : Entrez un nom unique pour votre cluster de calcul.
Taille de la machine virtuelle : Choisissez
Standard_DS11_v2.Nombre minimal de nœuds : Définissez à
0pour économiser des coûts lorsqu'il n'est pas utilisé.Nombre maximal de nœuds : Définissez à
2pour ce tutoriel.
Ensuite, cliquez sur Créer pour configurer le cluster de calcul. Attendez que le cluster soit en état de fonctionnement avant de continuer.
Aperçu des clusters de calcul dans Azure Machine Learning
Comment créer votre pipeline de Machine Learning
Dans cette section, nous allons créer un pipeline de machine learning en utilisant Azure Machine Learning Designer. Les pipelines aident à rationaliser le processus de préparation des données, d'entraînement des modèles et de leur déploiement.
Étape 1 : Naviguer vers le Designer
Dans Azure Machine Learning Studio, allez dans la barre de navigation de gauche et cliquez sur Designer. Ensuite, cliquez sur + Nouveau pipeline pour commencer à créer un nouveau pipeline.
Interface montrant la création d'un nouveau pipeline.
Étape 2 : Ajouter vos données
Vous avez la possibilité d'utiliser des données externes ou des jeux de données d'exemple préconstruits. Pour ce tutoriel, nous utiliserons un jeu de données d'exemple préconstruit.
Pour utiliser des données d'exemple préconstruites, cliquez sur l'onglet Composants. Utilisez la barre de recherche ou faites défiler manuellement pour trouver le jeu de données Automobile price data. Glissez-déposez le jeu de données sur le canevas dans le Designer.
Interface montrant l'ajout du jeu de données Automobile price data.
Étape 3 : Explorer les données
Une fois le jeu de données sur le canevas, cliquez dessus pour voir ses détails. Naviguez vers l'onglet Visualisations pour explorer la distribution des données et les résumés statistiques. Cliquez sur l'onglet Output+logs puis sur Preview data pour inspecter les premières lignes du jeu de données. Cela vous aidera à comprendre la structure des données et à identifier d'éventuels problèmes.
Visualisation du jeu de données
Étape 4 : Préparer les données
Pour spécifier les variables avec lesquelles nous voulons travailler, nous devons filtrer les colonnes inutiles.
Dans la section Transformation des données, glissez-déposez le module Sélectionner les colonnes dans le jeu de données sur le canevas sous le jeu de données. Connectez le nœud de sortie du jeu de données au nœud d'entrée du module Sélectionner les colonnes dans le jeu de données.
Ouvrez les paramètres du module, sélectionnez les colonnes que vous souhaitez inclure dans votre modèle, et excluez les colonnes non pertinentes telles que normalized-losses. (Nous supprimons cette colonne car elle contient un pourcentage élevé de données manquantes). Cliquez sur Enregistrer et fermer pour appliquer les modifications.
Interface pour sélectionner les colonnes dans le jeu de données.
Ensuite, vous devrez nettoyer les données manquantes. Cela nous aide à gérer les valeurs manquantes pour améliorer la précision du modèle.
Pour ce faire, glissez-déposez le module Nettoyer les données manquantes sur le canevas, sous le module Sélectionner les colonnes dans le jeu de données. Connectez les nœuds et configurez les paramètres pour supprimer les lignes avec des valeurs manquantes. Enregistrez et fermez les paramètres.
Interface pour nettoyer les colonnes dans le jeu de données.
Étape 5 : Normaliser les données
Pour garantir que le modèle fonctionne bien, nous devons normaliser les données. Pour ce faire, dans la section Transformation des données, glissez-déposez le module Normaliser les données sur le canevas. Connectez la sortie du module Nettoyer les données manquantes à l'entrée du module Normaliser les données.
Vous devrez configurer le module pour utiliser la méthode de mise à l'échelle MinMax et sélectionner les colonnes à normaliser. Vous pouvez les saisir manuellement en séparant chaque colonne par une virgule. Ensuite, enregistrez et fermez les paramètres.
Interface pour normaliser les colonnes dans le jeu de données.
Étape 6 : Finaliser la configuration du pipeline
Une fois toutes les transformations en place, passez en revue le pipeline pour vous assurer que toutes les étapes sont correctement configurées. Cliquez sur Soumettre pour exécuter le pipeline. Vous pouvez surveiller la progression du pipeline dans la section Jobs.
REMARQUE : Chaque fois que vous configurez un module et que vous cliquez sur soumettre, afficher les détails du travail de pipeline pour suivre vos flux.
Surveillance du pipeline via le lien
Comment construire le modèle
C'est l'étape amusante où nous commençons à construire notre modèle de machine learning en préparant le jeu de données pour l'entraînement et en appliquant les algorithmes appropriés.
Étape 1 : Diviser le jeu de données
Glissez-déposez le module Diviser les données sur le canevas. Ensuite, connectez la sortie du module Normaliser les données à l'entrée du module Diviser les données.
Dans le panneau des paramètres du module Diviser les données :
Définissez la
Fraction de lignesdans le premier jeu de données de sortie à 0,7. Cela signifie que 70 % des données seront utilisées pour entraîner le modèle.Définissez la
Graine aléatoireà n'importe quel nombre pour garantir la reproductibilité. Pour ce tutoriel, utilisez 123.
Étape 2 : Entraîner le modèle
Il est maintenant temps d'ajouter le bloc Entraîner le modèle. Glissez-déposez le module Entraîner le modèle sur le canevas. Connectez la première sortie du module Diviser les données (les 70 % de données d'entraînement) à l'entrée du module Entraîner le modèle.
Cliquez sur le module Entraîner le modèle pour configurer ses paramètres. Dans la section Modifier la colonne, sélectionnez la variable cible, qui dans ce cas est price. Enregistrez et fermez les paramètres.
Ensuite, vous ajouterez l'algorithme d'entraînement. Dans la section Algorithmes de Machine Learning, glissez-déposez le module Régression linéaire sur le canevas. Connectez la sortie du module Régression linéaire à l'entrée droite du module Entraîner le modèle.
Interface montrant la connexion des modules dans le pipeline
Étape 3 : Évaluer le modèle
Glissez-déposez le module Noter le modèle sur le canevas. Connectez la deuxième sortie du module Diviser les données (les 30 % de données de test) à l'entrée gauche du module Noter le modèle. Connectez la sortie du module Entraîner le modèle à l'entrée droite du module Noter le modèle. Cela appliquera le modèle entraîné aux données de test pour évaluer ses performances.
Ensuite, glissez-déposez le module Évaluer le modèle sur le canevas. Connectez la sortie du module Noter le modèle à l'entrée du module Évaluer le modèle. Cela fournira diverses métriques d'évaluation pour évaluer la précision du modèle.
Interface montrant la connexion des modules dans le pipeline
Étape 4 : Vérifier et soumettre
Vérifiez toutes les connexions et paramètres dans votre pipeline. Ensuite, cliquez sur Soumettre pour exécuter le pipeline d'entraînement et d'évaluation du modèle. Vous pouvez surveiller la progression du travail dans la section Jobs, où vous pouvez voir les journaux et les sorties.
Comment évaluer le modèle
Après avoir entraîné notre modèle, il est important d'évaluer ses performances pour s'assurer qu'il fait des prédictions précises. Nous utiliserons les modules Noter le modèle et Évaluer le modèle à cette fin.
Étape 1 : Évaluer les performances du modèle
Glissez-déposez le module Évaluer le modèle sur le canevas. Connectez la sortie du module Noter le modèle à l'entrée du module Évaluer le modèle.
Le module Évaluer le modèle générera diverses métriques d'évaluation, telles que l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE) et le R-carré (R²), qui sont essentielles pour évaluer la précision et les performances du modèle de régression.
Explorer les métriques d'évaluation
Une fois l'exécution du pipeline terminée, cliquez sur le module Évaluer le modèle pour explorer les métriques détaillées.
Voici quelques métriques clés sur lesquelles se concentrer :
Erreur absolue moyenne (MAE) : Mesure l'ampleur moyenne des erreurs dans les prédictions, sans tenir compte de leur direction. Des valeurs plus faibles indiquent une meilleure précision.
Erreur quadratique moyenne (RMSE) : Similaire à la MAE mais donne plus de poids aux erreurs plus grandes. Des valeurs plus faibles sont meilleures.
R-carré (R²) : Indique à quel point les prédictions du modèle correspondent aux données réelles. Des valeurs plus proches de 1 signifient un meilleur ajustement.
Visualisation des données de sortie du modèle de régression.
Nous venons de construire et d'évaluer notre modèle. Hourra !
Comment déployer le modèle
Maintenant que nous avons entraîné et évalué notre modèle de régression, il est temps de le déployer pour une inférence en temps réel en utilisant Azure Machine Learning. Suivez ces étapes pour déployer le modèle et créer un pipeline d'inférence.
Étape 1 : Créer le pipeline d'inférence
Naviguez vers la section Designer dans Azure Machine Learning Studio et créez un nouveau pipeline pour le déploiement. Sélectionnez Inférence en temps réel pour configurer automatiquement le pipeline de déploiement.
Étape 2 : Configurer le pipeline
Après avoir sélectionné l'inférence en temps réel, le pipeline sera initialisé avec des composants par défaut. Vous pouvez modifier le pipeline en ajoutant les composants nécessaires.
Nous devons apporter quelques modifications comme ajouter les modules Saisir les données manuellement, Exécuter le script Python. De plus, dans le bloc sélectionner les colonnes dans le jeu de données, modifiez et supprimez la colonne de prix. Supprimez la connexion entre Noter le modèle et service web.
Saisir les données manuellement: Glissez-déposez ce bloc sur le canevas. Ce composant permet la saisie manuelle des données pour la prédiction. Copiez et collez les données ci-dessous dans le champdata.
symboling,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-mpg,make 3,gas,std,two,convertible,rwd,front,88.6,168.8,64.1,48.8,2548,dohc,four,130,mpfi,3.47,2.68,9,111,5000,21,27,alfa-romero giulia 3,gas,std,two,convertible,rwd,front,88.6,168.8,64.1,48.8,2548,dohc,four,130,mpfi,3.47,2.68,9,111,5000,21,27,alfa-romero stelvio 1,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,alfa-romero Quadrifoglio 2,gas,std,four,sedan,fwd,front,99.8,176.6,66.2,54.3,2337,ohc,four,109,mpfi,3.19,3.4,10,102,5500,24,30,audi 100 ls 2,gas,std,four,sedan,4wd,front,99.4,176.6,66.4,54.3,2824,ohc,five,136,mpfi,3.19,3.4,8,115,5500,18,22,audi 100ls 2,gas,std,two,sedan,fwd,front,99.8,177.3,66.3,53.1,2507,ohc,five,136,mpfi,3.19,3.4,8.5,110,5500,19,25,audi fox 1,gas,std,four,sedan,fwd,front,105.8,192.7,71.4,55.7,2844,ohc,five,136,mpfi,3.19,3.4,8.5,110,5500,19,25,audi 100ls 1,gas,std,four,wagon,fwd,front,105.8,192.7,71.4,55.7,2954,ohc,five,136,mpfi,3.19,3.4,8.5,110,5500,19,25,audi 5000 1,gas,turbo,four,sedan,fwd,front,105.8,192.7,71.4,55.9,3086,ohc,five,131,mpfi,3.13,3.4,8.3,140,5500,17,20,audi 4000
Exécuter le script Python: Remplacez le code dans ce bloc par :
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
Sélectionner les colonnes dans le jeu de données: Modifiez et supprimez la colonnepricepour vous assurer qu'elle n'est pas incluse dans les données d'entrée pour les prédictions.Supprimer la connexion: Déconnectez le moduleNoter le modèlede la sortie du service web pour vous assurer que seul le blocExécuter le script Pythons'y connecte.
Voir les images ci-dessous pour une représentation visuelle de la manière dont les connexions sont configurées.
Interface de connexion des modules dans le pipeline
Étape 3 : Soumettre et déployer le modèle
Soumettez le flux et attendez que tous les processus se terminent avec succès (coche verte). Une fois votre déploiement réussi, vous pouvez explorer la sortie pour vérifier que tout fonctionne comme prévu.
Vous pouvez maintenant déployer le modèle en tant que service web en temps réel pour les prédictions.
Paramètres de configuration pour la mise en place d'un nouveau pipeline
Une fois que tous les processus sont terminés avec succès dans Azure Machine Learning Studio, vous êtes prêt à explorer la sortie et à déployer votre modèle entraîné en tant que service web en temps réel.
Voici comment vous pouvez procéder :
Vérifier l'exécution du pipeline : Assurez-vous que toutes les étapes de votre pipeline se sont terminées avec une coche verte indiquant le succès.
Voir les sorties et les visualisations : Naviguez à travers les différents composants de votre pipeline pour inspecter les sorties et les visualisations générées lors des étapes de transformation des données, d'entraînement du modèle et d'évaluation. Cela aide à comprendre comment chaque étape a contribué à la performance globale du modèle.
Vérifier les métriques d'évaluation : Examinez les scores d'évaluation générés par le bloc
Noter le modèlepour évaluer les performances de votre modèle de régression entraîné. Les métriques d'évaluation courantes incluent l'erreur quadratique moyenne (MSE), le R-carré (R2) et l'erreur quadratique moyenne (RMSE). Ces métriques fournissent des informations sur la manière dont votre modèle prédit les prix des automobiles en fonction des caractéristiques d'entrée.
Visualisation des données de sortie de l'évaluation du modèle.
Mettez en place les vérifications suivantes avant de commencer le déploiement :
Préparer le déploiement
Tout d'abord, assurez-vous que le bloc Exécuter le script Python est correctement configuré pour transformer les données d'entrée et produire les prix prédits.
Vous devrez également vérifier que le pipeline est configuré pour gérer l'inférence en temps réel pour le déploiement du modèle.
Soumettre le pipeline
Cliquez sur le bouton soumettre pour initier le processus de déploiement. Attendez qu'Azure Machine Learning termine le déploiement et vérifiez que tous les composants ont été déployés avec succès.
Déployer en tant que service web
Une fois le déploiement confirmé comme réussi, vous pouvez déployer le modèle en tant que service web en temps réel. Ce service web sera hébergé sur Azure et pourra être accessible via des points de terminaison API, permettant aux applications d'envoyer des données et de recevoir des prédictions en temps réel.
Tester le service web
Utilisez le bloc Saisir les données manuellement pour saisir manuellement des données de test ou utilisez des systèmes externes pour envoyer des requêtes au point de terminaison du service web déployé. Vous pouvez vérifier que le service web répond avec des prix prédits en fonction des caractéristiques d'entrée.
Surveiller et gérer
Surveillez les performances de votre service web déployé à l'aide des outils de surveillance d'Azure Machine Learning. Vous pouvez gérer le déploiement en mettant à l'échelle les ressources si nécessaire ou en mettant à jour le modèle avec de nouvelles données ou des versions améliorées.
Le déploiement de votre modèle de régression en tant que service web en temps réel vous permet d'utiliser ses capacités prédictives dans diverses applications sans avoir besoin d'une intervention humaine directe. Il garantit que votre modèle peut continuellement fournir des prédictions précises basées sur des entrées de données en temps réel.
Interface montrant le prix prédit
Nettoyage
Le service web que vous avez créé est hébergé dans une instance de conteneur Azure. Si vous n'avez pas l'intention de l'utiliser davantage, vous devez supprimer le point de terminaison pour éviter d'accumuler des coûts inutiles sur Azure.
La suppression de votre calcul garantit que votre abonnement ne sera pas facturé pour les ressources de calcul. Cependant, vous serez facturé d'un petit montant pour le stockage des données tant que l'espace de travail Azure Machine Learning existe dans votre abonnement.
Si vous avez terminé d'explorer Azure Machine Learning, vous pouvez supprimer l'espace de travail Azure Machine Learning et les ressources associées.
Pour supprimer votre espace de travail :
Dans le portail Azure, dans la page Groupes de ressources, ouvrez le groupe de ressources que vous avez spécifié lors de la création de votre espace de travail Azure Machine Learning.
Cliquez sur Supprimer le groupe de ressources, tapez le nom du groupe de ressources pour confirmer que vous souhaitez le supprimer, et sélectionnez Supprimer.
Conclusion
Félicitations ! Vous avez réussi à créer et à déployer un modèle de régression en utilisant Azure Machine Learning Designer sans écrire une seule ligne de code.
Dans ce tutoriel, vous avez appris à nettoyer et pré-traiter les données, à construire et entraîner un modèle de machine learning, à évaluer ses performances et à le déployer en tant que service web. Cette approche low-code/no-code dans Azure Machine Learning Designer le rend accessible à tous pour utiliser la puissance du machine learning.
N'oubliez pas de nettoyer vos ressources pour éviter des frais inutiles. Avec ces compétences, vous pouvez maintenant expérimenter avec d'autres jeux de données et problèmes de machine learning. Les possibilités d'Azure sont infinies, et Azure Machine Learning fournit une plateforme robuste pour vos projets de science des données.
Jusqu'à la prochaine fois, santé ! :)