Microsoft Azure ML Studio –有关如何立即创建搅动模型的教程

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

Microsoft Azure ML Studio –有关如何立即创建搅动模型的教程
在本文中，我们将看到如何实现通过使用Azure机器学习工作室构建的简单客户流失模型。本文将为我们提供一个起点，以了解如何以最容易理解的方式创建和部署基于Azure ML的模型。我将参考的实验（Azure ML模型术语）基于虚拟客户数据，并且可以在Azure ML Studio AI Gallery上轻松获得。
了解客户流失问题
在当今竞争激烈的世界中，企业正在处理客户流失的庞然大物问题，迫使企业做出与政策和产品相关的决策，从而常常导致财务损失。为了解决“客户流失”的问题，许多企业正在通过设计外展计划，一旦通过这些模型确定了这些人群，就创建并部署各种预测模型来隔离潜在的流失者。
在本文中，我们将使用两类Logistic回归模块，该模块可用于预测两个（记住-仅两个）结果。Logistic回归是一种非常流行的分类模型，可以通过将数据拟合到Logistic函数来预测事件发生的可能性。在深入研究创建和部署此模型的机制之前，让我们了解Azure ML工作流。
现在，我们已经研究了非常基本的Azure ML模型工作流，??我们将学习如何创建客户流失模型并将其部署为网络服务，并使用它使用AML插件在Excel中预测结果。
让我们看一下在Azure ML Studio中创建此模型工作流的关键元素：
Azure ML模型工作流视图
创建模型后，点击位于Azure ML Studio控制台底部的运行图标（请参见下图）
单击后，将根据已创建的流程对模型进行训练，评分和评估。
为了评估模型，请右键单击“评估模型”小部件，然后选择“评估结果并可视化”，如下图所示。
如下图所示，这将打开“评估模型结果”页面。考虑到我正在处理的数据是虚拟数据集这一事实，很明显，由于数据综合性（人工生成的数据），模型的性能并不那么好。该模型比公平的抛硬币更好。
特别为分类模型生成了许多模型评估指标（请参考上图）。此AML（Azure ML）小部件提供了比较各种模型以选择和选择最有效的部署模型的功能。模型比较过程不在本文的讨论范围之内。
但是，出于教程目的，我们可以清楚地看到在Azure ML Studio环境中生成和评估模型性能是多么容易和简单。要考虑的一点是，为了使任何人都能生成高质量且可部署的模型，对模型类型及其用法，特征缩减技术和超参数调整有基本的了解。
分类模型的指标
在评估分类模型时，将报告以下指标。如果您比较模型，则将根据您选择的评估指标对模型进行排名。
准确性  衡量的是分类模型的优劣，它是真实结果占案件总数的比例。
精度  是真实结果占所有正面结果的比例。
召回率  是模型返回的所有正确结果的一部分。
F分数  是精度和召回率的加权平均值，介于0和1之间，其中理想F分数值为1。
AUC  测量曲线下的面积，在y轴上为真正，在x轴上为假正。该度量非常有用，因为它提供了一个数字，可让您比较不同类型的模型。
平均对数损失  是用于表示对错误结果的惩罚的单个分数。它被计算为两种概率分布之间的差异，即真正的概率分布和模型中的一种概率分布。
训练日志损失  是一个单一分数，代表了分类器相对于随机预测的优势。对数损失通过将模型输出的概率与标签中的已知值（基本事实）进行比较来衡量模型的不确定性。您希望将整个模型的日志损失降至最低。
现在，我们将进入本教程最有趣的部分，即将模型设置为网络服务，并使用AML Excel Addin进行预测。
通过执行特征约简例程并通过内置的“扫描参数”小部件执行多个周期的超参数调整活动，我们对模型的性能感到满意后。为了使该模型准备好部署，我们需要将此训练实验转换为预测性实验。这涉及三个步骤：
保存训练好的模型
修剪实验以删除仅训练所需的模块
定义网络服务将在何处接受输入以及在何处生成输出，这可以通过使用“数据”小部件中的“选择列”来完成，如上面“ 6步骤模型创建流程”所示。
训练后的模型将转换为单个训练后的模型模块，并存储在实验画布左侧的模块面板中（您可以在训练后的模型下找到它）
删除了用于培训的模块；特别：
两类Logistic回归
火车模型
分割资料
保存的训练好的模型会重新添加到实验中
添加了Web服务输入和Web服务输出模块（这些标识了用户数据将在何处进入模型，以及在访问
Web服务时返回了哪些数据），添加了Web服务输入和Web服务输出模块（这些标识了用户在何处输入模型）。用户的数据将进入模型，并在访问Web服务时返回什么数据）
如下图的最终模型图所示，我已将“选择数据中的列”小部件与Web Service输入和输出小部件一起添加并连接，以更好地定义模型架构并确保仅获得分数标签和概率作为输出运行此模型时。
现在我们的模型已部署为Web服务，我们可以转到Azure ML studio的Web Service区域并访问可以预测的功能齐全的模型。
单击突出显示的客户流失模型后，便带我到“客户客户流失模型仪表板”部分进行模型使用。在这里，我不仅可以通过单击“请求/响应”和“批量执行”旁边列出的“测试”按钮来测试模型的工作方式。我还可以下载Excel文件以对新数据进行预测。
注意：请记住，用户应在其Excel版本中安装AML插件，以使用已部署的客户流失模型。下面的链接进一步说明了如何在Excel中使用Web Service。
1

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Microsoft Studio Azure Micro soft