review repo pics 11 to 18

• Parte 1 - Resultados
• Parte 2 - Passo a Passo - Replicar os Resultados

Tutorial Pages	Best Model

Para implantar um modelo no Azure Machine Learning você precisará disponibilizar o modelo via algum serviço de consumo, descrito como Ponto de Extremidade na plataforma.

Os pontos de extremidade online podem usar os seguintes destinos de computação:

• Pontos de extremidade online gerenciados
• Serviço de Kubernetes do Azure
• Ambiente de desenvolvimento local

Para implantar o modelo como um serviço Web, devem ser fornecidos os seguintes itens:

• O modelo ou ensemble de modelos.
• Dependências necessárias para usar o modelo. Por exemplo, um script que aceita solicitações e invoca o modelo e dependências de conda.
• Configuração de implantação que descreve como e onde implantar o modelo. Para obter mais informações, consulte Implantar pontos de extremidade online.

Ao implantar em um ponto de extremidade online, é possível usar a distribuição controlada para habilitar os seguintes cenários:

• Criar várias versões de um ponto de extremidade para uma implantação
• Executar testes A/B roteando o tráfego para implantações diferentes do ponto de extremidade.
• Alternar entre as implantações do ponto de extremidade atualizando a porcentagem de tráfego na configuração do ponto de extremidade. Para obter mais informações, consulte Distribuição controlada de modelos de machine learning.

Dados em ponto de extremidade via REST que pode ser consumida temporariamente na URI REST http://c7226a4b-34e9-464b-99ed-606cd74bd866.eastus.azurecontainer.io/score

{
  "Inputs": {
    "data": [
      {
        "day": 22,
        "mnth": 1,
        "year": 2012,
        "season": 1,
        "holiday": 0,
        "weekday": 0,
        "workingday": 0,
        "weathersit": 2,
        "temp": 0.163,
        "atemp": 0.162,
        "hum": 0.796,
        "windspeed": 0.2
      }
    ]
  },
  "GlobalParameters": 0.0
}

Resultado

{
  "Results": [
    261.21536716527214
  ]
}

Para implantar esse modelo, basta seguir os passos abaixo:

Observe que as métricas do melhor modelo maroon_line_k4hh47vg algoritmo MaxAbsScaler, LightGBM, estão descritas abaixo e print da tela em seguida:

Variância explicada
0.77238
Erro absoluto de média
189.81
Erro de percentual absoluto de média
37.659
Erro mediano absoluto
112.35
Erro absoluto de média normalizado
0.055694
Erro mediano absoluto normalizado
0.032966
Erro de quadrado de média de raiz normalizado
0.092708
Erro de log de quadrado de média raiz normalizado
0.059429
Pontuação R2
0.77234
Erro de raiz do valor quadrático médio
315.95
Erro de log de raiz do valor quadrático médio
0.41815
Correlação de Spearman
0.91543

Print das Métricas do melhor modelo

Observe que dentre os 3 algoritmos, o que apresenta melhor RMSE é o VotingEnsemble com 92,71% de RMSE. Sendo um forte candidato para implantação num ponto de extremidade, como faremos a seguir.

Print das Métricas do melhor modelo

Para replicar os passos acima, usei as seguintes configurações do modelo:

Com o modelo criado, você poderá visualizar essas configurações indo em Tarefas (Jobs) no menu lateral, e depois clicar em mslearn-bike-automl. | Print das Métricas do melhor modelo
| ----------------------------------- | | |

Siga os passos a seguir para replicar esse resultado e enviar um trabalho de treinamento no AutoML do Azure Machine Learning:

Clica em Editar e enviar (visualização)

Selecione a opção "Treinar Automaticamente" em "Método de Treinamento"

Insira o nome do seu experimento em "Configurações Básicas". Usei o nome mslearn-bike-rental, todas as outras opções e Tags pode deixar em branco

Em "Tipo de tarefa e dados" selecione a opção "Regressão", dê o nome que achar mais conveniente aos seus dados

Em "Configurações de tarefas" selecione a coluna destino como rentals, Validação de Percentual 10	"Tipo de validação" escolha "Divisão de validação de treinamento"

Em "Computação" selecione a opção "Sem servidor"

Ao final, revise e avance para o treinamento, que poderá demorar entre 10 a 15 minutos

Se você não quiser correr o risco de receber cobranças indesejadas, apague qualquer grupo de recursos após essa atividade, pois, já não são mais necessários.

Para isso, abra o portal da Azure https://portal.azure.com e selecione na opção grupo de recursos o grupo que contém os recursos que você criou.

Clica no recurso e selecione a opção Delete e depois confirme. O recurso será apagado.

• https://microsoftlearning.github.io/mslearn-ai-fundamentals/Instructions/Labs/02-content-safety.html
• https://microsoftlearning.github.io/mslearn-ai-fundamentals/Instructions/Labs/01-machine-learning.html
• https://learn.microsoft.com/pt-br/azure/machine-learning/how-to-use-automated-ml-for-ml-models?view=azureml-api-2
• https://learn.microsoft.com/pt-br/azure/machine-learning/tutorial-first-experiment-automated-ml?view=azureml-api-2
• https://learn.microsoft.com/pt-br/azure/machine-learning/concept-endpoints?view=azureml-api-2