「Azure/MachineLearning」の版間の差分
提供: 初心者エンジニアの簡易メモ
(ページの作成:「==Microsoft Machine Learningの使い方== #https://portal.azure.comでアカウントを作る #新規を選択 #intelligence+analyticsを選択 #Machine Learningを選...」) |
(→Microsoft Machine Learningの使い方) |
||
行1: | 行1: | ||
==Microsoft Machine Learningの使い方== | ==Microsoft Machine Learningの使い方== | ||
− | #https://portal.azure. | + | #https://portal.azure.com でアカウントを作る |
#新規を選択 | #新規を選択 | ||
#intelligence+analyticsを選択 | #intelligence+analyticsを選択 |
2016年11月12日 (土) 18:26時点における版
目次
Microsoft Machine Learningの使い方
- https://portal.azure.com でアカウントを作る
- 新規を選択
- intelligence+analyticsを選択
- Machine Learningを選択
- ワークスペース名をtestなどと適当に入れてく
- 場所は東日本がよい
- サービスプランレベルはdevtestを選択
- 作成すると2分ぐらいで
Machine Learning Studioを開く
- 作成したワークスペースを選択
- "Machine Learning Studio の起動"のリンクを選択(https://japaneast.studio.azureml.net)
- 0/monthを選択
- 右上にあるボタンからリージョンをjapan Eastを選択
- 先ほど選択したworkspaceを選択
Machine Learning Studioを使う
- 下の+ボタンからEXPERIMENTS/Blank Experimentsを選択
- 車の売り上げサンプルデータを入れるために"Automobile"を検索し"Automobile price data (Raw)"をドラッグ
- データを確認するには"Automobile price data (Raw)"の下の丸印を選択しvisualiseを選択
不要な列を削除する
- 不要な列を削除するために"Select Columns"を検索し"Select Columns in Dataset"をドラッグ
- ドラッグした2つのモジュール("Automobile price data (Raw)"と"Select Columns in Dataset"を連結する)
- "Select Columns in Dataset"を選択して"Launch Column Selector"で不要なカラムを削除する
- ここでは"make,body-style,wheel-base,engine-size,horsepower,peak-rpm,highway-mpg,price"をselected columnsに移す
- runを押すとしばらくして処理が完了する
- データを確認するには"Select Columns in Dataset"の下の丸印を選択しvisualiseを選択
空白を含む行を削除する
- Deprecated/Missing Values Scrubberをドラッグし連結
学習と評価のデータを分ける
- "Split Data"をドラッグする
- "Fraction of rows in the first"を0.7にして学習用を70%とする
学習用モデルの作成
- "train model"を検索して"Train Model"をドラッグ
- "Split Data"の1の丸印と連結する
- "Launch Column Selector"でpriceのみを選択する
回帰モデルの作成
- "Linear"を検索して"Linear Regression"(線形回帰)を選択
- "Train Model"と連結する
評価の生成
- "Score"を検索し"Score Model"をドラッグ
- "Split Data"と"Train Model"を"Score Model"に連結する
実際に評価値を出してみる
- runとvisualiseをすると
- "Scored Labels"の列が追加されたリストが出てくる
評価値の検証をしてみる
- "Evaluate"と検索し"Evaluate Model"をドラッグし、runとvisualiseしてみる
今回は以下のようになった
Mean Absolute Error 2548.456744 Root Mean Squared Error 3578.479079 Relative Absolute Error 0.349983 Relative Squared Error 0.143899 Coefficient of Determination 0.856101
- 上4つのErrorは小さい方が性能が高い
- 5番目のCoefficientは1に近い方が性能が高い
APIを作る
- SetUp Web Service(recoomend)を選択
- 上下に"Web service input"と"Web service output"が追加される
- "Web service input"と"Automobile price data (Raw)"の連結を右クリックしてDeleteし
- "Web service input"と"Score Model"を連結する
- runして"Deploy Web Service"を選択する
- ApiKeyがページに表示される
APIをテストしてみる
- ApiKeyが表示されたページで"Test"ボタンがあるのでクリックする
make:alfa-romero body-style:convertible wheel-size:88.6 engine-size:130 horsepower:111 peak-rmp:5000 highway-mpg:27 price:0
- 入力すると以下データjsonが返って来る
["alfa-romero","convertible","88.6","130","111","5000","27","0","13499.2091267297"]
APIurlを確認する
- help page urlのリンクからAPIurlを確認する