facebook twitter hatena line email

「Azure/MachineLearning」の版間の差分

提供: 初心者エンジニアの簡易メモ
移動: 案内検索
(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...」)
(相違点なし)

2016年11月12日 (土) 18:26時点における版

Microsoft Machine Learningの使い方

  1. https://portal.azure.comでアカウントを作る
  2. 新規を選択
  3. intelligence+analyticsを選択
  4. Machine Learningを選択
  5. ワークスペース名をtestなどと適当に入れてく
  6. 場所は東日本がよい
  7. サービスプランレベルはdevtestを選択
  8. 作成すると2分ぐらいで

Machine Learning Studioを開く

  1. 作成したワークスペースを選択
  2. "Machine Learning Studio の起動"のリンクを選択(https://japaneast.studio.azureml.net)
  3. 0/monthを選択
  4. 右上にあるボタンからリージョンをjapan Eastを選択
  5. 先ほど選択したworkspaceを選択

Machine Learning Studioを使う

  1. 下の+ボタンからEXPERIMENTS/Blank Experimentsを選択
  2. 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
  3. 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

  1. 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
  2. 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)
  3. "Select Columns in Dataset"を選択して"Launch Column Selector"で不要なカラムを削除する
  4. ここでは"make,body-style,wheel-base,engine-size,horsepower,peak-rpm,highway-mpg,price"をselected columnsに移す
  5. runを押すとしばらくして処理が完了する
  6. 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

  1. 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

  1. "Split Data"をドラッグする
  2. "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

  1. "train model"を検索して"Train Model"をドラッグ
  2. "Split Data"の1の丸印と連結する
  3. "Launch Column Selector"でpriceのみを選択する

回帰モデルの作成

  1. "Linear"を検索して"Linear Regression"(線形回帰)を選択
  2. "Train Model"と連結する

評価の生成

  1. "Score"を検索し"Score Model"をドラッグ
  2. "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

  1. runとvisualiseをすると
  2. "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

  1. "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

  1. SetUp Web Service(recoomend)を選択
  2. 上下に"Web service input"と"Web service output"が追加される
  3. "Web service input"と"Automobile price data (Raw)"の連結を右クリックしてDeleteし
  4. "Web service input"と"Score Model"を連結する
  5. runして"Deploy Web Service"を選択する
  6. ApiKeyがページに表示される

APIをテストしてみる

  1. 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
  1. 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

  1. help page urlのリンクからAPIurlを確認する