Apprentissage Automatique - Premiers Pas Avec Microsoft Azure ML Studio

22/05/2022 21:19 Apprentissage automatique - Premiers pas avec Microsoft Azure ML Studio
Publicité:
Premiers pas avec

l'apprentissage automatique à
l'aide de Microsoft Azure ML
Studio
Par Wei-Meng Lee
Publié dans : CODE Magazine : 2017 - Septembre/Octobre
Dernière mise à jour : 13 mai 2021
Quiconque a acheté sur Amazon.com sait que vous

finirez toujours par acheter plus que ce dont vous avez
besoin. En effet, Amazon utilise un ensemble
complexe d'algorithmes pour recommander des
articles en fonction de ce que vous regardez
actuellement. Par exemple, si vous regardez un livre
particulier sur Steve Jobs, Amazon recommande
également une liste d'autres titres que d'autres clients
qui ont acheté ce livre ont également acheté.).
Rechercher des articles supplémentaires : articles sur

l'intelligence artificielle
Amazon le fait en collectant des données sur ce que

les clients achètent, et en utilisant cet énorme Tweet Partager
ensemble de données, il est capable de faire des
prédictions sur :
Nous utilisons des cookies pour faire fonctionner ce site correctement. Publié
Pour plusdans:
d'informations,
Tendances
consultez et demandes
notre politique de produits
de confidentialité . Acceptez-vous que nous utilisions des cookies ? Bien sûr, je
sais comment
Produitscela fonctionne ! - Pas question. Fais-moi sortir d'ici!
interdépendants
https://www.codemag.com/article/1709071/Getting-Started-with-Machine-Learning-Using-Microsoft-Azure-ML-Studio 1/32
Les avis sur les produits et leur utilité


Les algorithmes utilisés par Amazon relèvent du
domaine connu sous le nom d' apprentissage
automatique, parfois aussi largement connu sous le
nom d'intelligence artificielle (IA).
Amazon n'est pas la seule entreprise à utiliser

l'apprentissage automatique pour ses produits. Uber,
le géant du covoiturage, utilise l'apprentissage
automatique pour tous les aspects de son
fonctionnement. Par exemple, il utilise l'apprentissage
automatique pour :
Classé sous :
Vous fournir une estimation précise du moment où
la voiture se présentera lorsque vous en ferez la Azur
demande Apprentissage automatique

L'intelligence d'entreprise
Déterminez le lieu de prise en charge correct en
Azure ML Studio
fonction de votre emplacement spécifié
Intelligence artificielle
Projeter les demandes des clients et ajuster sa
tarification à la hausse
Publicité:
Qu'est-ce que
l'apprentissage
automatique ?
L'apprentissage automatique (ML) est un ensemble
d'algorithmes et de techniques utilisés pour concevoir
des systèmes qui apprennent à partir des données.
Les algorithmes de ML ont une base mathématique et
statistique solide mais ils ne prennent pas en compte
la connaissance du domaine. Le ML comprend les
disciplines suivantes :
Calcul scientifique
Mathématiques
Statistiques
Nous utilisons des cookies pour faire fonctionner ce site correctement. Pour plus d'informations,
consultez politique de du
notreapplication
Une bonne confidentialité déterminer sique nous utilisions des cookies ? Bien sûr, je
ML tente de. Acceptez-vous
sais comment cela fonctionne ! - Pas question. Fais-moi sortir d'ici!
une transaction par carte de crédit particulière est
frauduleuse. Compte tenu des enregistrements de


transactions passées du client, c'est le travail du data
scientist de les nettoyer et de les transformer en
fonction de sa connaissance du domaine afin qu'il
puisse appliquer le bon algorithme ML pour résoudre
le problème (dans ce cas, déterminer si une
transaction est frauduleuse). Un spécialiste des
données doit savoir quelle méthode de ML sera la plus
utile et comment l'appliquer. Il n'a pas
nécessairement besoin de savoir comment cette
méthode fonctionne, bien que savoir cela l'aidera
toujours à construire un modèle d'apprentissage plus
précis.
Qu'est-ce que Microsoft Azure

Machine Learning Studio ?
Microsoft Azure Machine Learning Studio (ci-après

dénommé MAML) est un outil de glisser-déposer
collaboratif en ligne permettant de créer des modèles
ML. Au lieu d'utiliser les algorithmes ML dans des
langages tels que Python ou R, MAML encapsule les
algorithmes ML les plus couramment utilisés sous
forme de modules et vous permet de créer des
modèles d'apprentissage graphiquement à l'aide de
votre ensemble de données. Cela protège les
débutants en science des données des détails des
algorithmes, tout en offrant la possibilité d'affiner les
hyper-paramètres de l'algorithme pour les utilisateurs
avancés. Une fois le modèle d'apprentissage testé et
évalué, vous pouvez publier vos modèles
d'apprentissage en tant que services Web afin que vos
applications personnalisées ou vos outils de BI, tels
qu'Excel, puissent l'utiliser. De plus, MAML prend en
charge l'intégration de votre script Python ou R dans
vos modèles d'apprentissage,
consultez notre politique de confidentialité . Acceptez-vous que nous utilisions des cookies ? Bien sûr, je

Un exemple : l'expérience
du Titanic
Maintenant que vous avez une bonne idée de ce
qu'est ML et de ce qu'il peut faire, commençons par
une expérience utilisant MAML avant de discuter de
toutes les technologies et des détails derrière ML.
Pour cette expérience, je vais utiliser un exemple
classique en ML - prédire la survie d'un passager sur le
Titanic.
Au cas où vous ne seriez pas familier avec le Titanic, le

15 avril 1912, lors de son voyage inaugural, le Titanic a
coulé après être entré en collision avec un iceberg,
tuant 1502 des 2224 passagers et membres
d'équipage. Le navire massif avait été présenté
comme insubmersible.
Publicité
La principale raison des décès était un nombre

insuffisant de canots de sauvetage. Parmi ceux qui ont
survécu, la plupart étaient des femmes, des enfants et
des membres de la classe supérieure. Cela présente
une expérience très intéressante en ML. Si on nous
donne un ensemble de points de données contenant
les différents profils de passagers (tels que le sexe, la
classe de
consultez cabine,
notre l'âge,
politique de etc.) et s'ils ont
confidentialité survécu au que nous utilisions des cookies ? Bien sûr, je
. Acceptez-vous
naufrage,
sais commentilcela
serait intéressant
fonctionne ! d'utiliser
- Pas question.ML pour sortir d'ici!
Fais-moi
prédire la capacité de survie d'un passager en fonction


de son profil.
Fait intéressant, vous pouvez obtenir les données du

Titanic auprès de Kaggle (
https://www.kaggle.com/c/titanic/data ).
Kaggle est une plate-forme de

modélisation prédictive et de
compétitions analytiques dans lesquelles
les entreprises et les chercheurs publient
des données, et les statisticiens et les
mineurs de données s'affrontent pour
produire les meilleurs modèles de
prédiction et de description des données.
Deux jeux de données sont fournis :
Ensemble d'entraînement
Ensemble de test
Vous utilisez l'ensemble d'entraînement pour

entraîner votre modèle d'apprentissage à faire des
prédictions. Une fois votre modèle d'apprentissage
formé, vous utilisez l'ensemble de tests pour vérifier
l'exactitude de votre prédiction.
Une fois les ensembles de formation et de test

téléchargés, examinez le contenu. Les deux
(enregistrés en tant que fichiers CSV) doivent contenir
les champs suivants :
PassengerId : un numéro courant indiquant la

ligne d'enregistrements
Survived : si le passager en question a survécu au
naufrage
Pclass : la classe du billet que détient le passager

Nous utilisons
Nom : nomdes cookies pour faire fonctionner ce site correctement. Pour plus d'informations,
du passager
Sexe : lecela
sais comment sexe du passager
fonctionne ! - Pas question. Fais-moi sortir d'ici!
Âge : l'âge du passager


SibSp : nombre de frères et sœurs/conjoints à bord
du Titanic
Parch : nombre de parents/enfants à bord du

Titanic
Billet : numéro du billet
Tarif : le tarif payé par le passager
Cabine : le numéro de la cabine
Embarqué : lieu d'embarquement ; notez que C =

Cherbourg, Q = Queenstown, S = Southampton
Utilisation de Microsoft Azure

Machine Learning Studio
Vous êtes maintenant prêt à charger les données dans
MAML. À l'aide de votre navigateur Web, accédez à
http://studio.azureml.net et cliquez sur le lien
Inscrivez-vous ici.
Si vous souhaitez simplement découvrir MAML sans

aucun engagement financier, choisissez l'option
Espace de travail gratuit et cliquez sur Se connecter.
Les autres options incluent un essai gratuit de huit
heures et 9,99 $ par mois pour un abonnement.
Une fois que vous êtes connecté, vous voyez une liste
d'éléments sur le côté gauche de la page (voir Figure
1 ). Je soulignerai certains des éléments de ce panneau
au fur et à mesure.
Figure 1 : Le panneau de gauche d'Azure Machine

Learning Studio
Téléchargement de votre ensemble

de données
Pour créer des modèles d'apprentissage, vous avez
besoin d'ensembles de données. Pour cet exemple,
vous utiliserez le jeu de données que vous venez de
télécharger.
Cliquez sur l' élément + NOUVEAU situé en bas à

gauche de la page. Sélectionnez DATASET à gauche
(voir Figure 2 ) puis cliquez sur l'élément à droite
intitulé FROM LOCAL FILE .
Figure 2 : Charger un jeu de données dans Azure

Machine Learning Studio
Cliquez sur le bouton Choisir un fichier (voir Figure 3

) et localisez l' ensemble de formation téléchargé
précédemment. Lorsque vous avez terminé, cliquez
sur le bouton coche pour télécharger l'ensemble de
données dans le MAML.
Figure 3 : Choisissez un fichier à télécharger en tant

qu'ensemble de données
Répétez les étapes ci-dessus pour télécharger

également l'ensemble de données de test.
Création d'une expérience
Vous êtes maintenant prêt à créer une expérience

d'apprentissage
Nous dans pour
utilisons des cookies MAML. Cliquez
faire sur lece
fonctionner bouton +
site correctement. Pour plus d'informations,
NEW en
consultez bas politique
notre à gauchedede la page et sélectionnez
confidentialité Blank
. Acceptez-vous que nous utilisions des cookies ? Bien sûr, je
Experiment.
Vous devriez maintenant voir le canevas illustré à la


figure 4 .
Figure 4 : Le canevas représentant votre expérience
Vous pouvez donner un nom à votre expérience en le

tapant sur le nom de l'expérience par défaut en haut.
J'ai choisi Titanic Experiment .
Une fois cela fait, ajoutons l'ensemble de données

d'entraînement au canevas. Tapez le nom de
l'ensemble d'apprentissage dans la zone de recherche
à gauche et l'ensemble de données correspondant
apparaît.
Faites glisser et déposez l'ensemble de données

train.csv sur le canevas (voir Figure 5 ).
Figure 5 : Faites glisser et déposez le jeu de données

sur le canevas
Le jeu de données train.csv a un port de sortie

(représenté par un cercle avec un 1 intérieur). Cliquer
dessus fait apparaître un menu contextuel (voir Figure
6 ).
Figure 6 : Visualiser le contenu du jeu de données
Cliquez sur Visualiser pour afficher le contenu du jeu

de données. Le jeu de données est maintenant affiché,
comme illustré à la Figure 7 .
Figure 7 : Afficher le jeu de données
Prenez une minute pour faire défiler les données.

Observez ce qui suit :
Le champ PassengerID est simplement un numéro

courant et ne fournit aucune information
concernant les passagers individuels. Ce champ
doit être ignoré lors de la formation de votre
modèle d'apprentissage.
Le champ Billet contient le numéro de billet des
passagers. Dans ce cas, beaucoup de ces chiffres
semblent être générés de manière aléatoire, ce
n'est donc pas très utile pour aider à prédire la
capacité de survie d'un passager. Il devrait être
jeté.
Le champ Cabin contient beaucoup de données
manquantes. Les champs qui contiennent
beaucoup de données manquantes ne fournissent
pas d'informations sur le modèle d'apprentissage
et doivent être ignorés.
Si vous sélectionnez le champ Survived , vous
verrez le graphique affiché en bas à droite de la
fenêtre (voir Figure 8). Parce qu'un passager peut
survivre (représenté par un 1 ) ou mourir
(représenté par un 0 ), il n'est pas logique d'avoir
des valeurs entre les deux. Cependant, comme il
est représenté par une valeur numérique, MAML
ne pourra
Nous utilisons despas le comprendre
cookies à moins que
pour faire fonctionner vous
ce site ne
correctement. Pour plus d'informations,
consultez notre politique
le disiez. de confidentialité
Pour résoudre ce problème, vous devezque nous utilisions des cookies ? Bien sûr, je
. Acceptez-vous
faire de cette valeur une valeur catégorielle. Une
valeur catégorielle est une valeur qui peut prendre


une valeur parmi un nombre limité et
généralement fixe de valeurs possibles.
Les champs Pclass , SibSp et Parch doivent

également être rendus catégoriques.
Tous les champs qui ne sont pas ignorés sont utiles

pour aider à créer un modèle d'apprentissage. Ces
champs sont appelés caractéristiques .
Figure 8 : Afficher la colonne Survived
Filtrer les données et rendre les

champs catégoriques
Maintenant que vous avez identifié les fonctionnalités

souhaitées, ajoutons le module Sélectionner les
colonnes dans le jeu de données au canevas (voir
Figure 9 ).
Nous utilisons des cookies pour faire fonctionner ce site correctement.

Pour plus d'informations,
Figurenotre
consultez politique
9 : Utilisez de confidentialité
le module Sélectionner que nous utilisions des cookies ? Bien sûr, je
des colonnes
. Acceptez-vous
sais comment
dans cela fonctionne !
l'ensemble de données - Pas question.
pour filtrer Fais-moi sortir d'ici!
les colonnes
Dans le volet Propriétés, cliquez sur Lancer le sélecteur


de colonne et sélectionnez les colonnes, comme
illustré à la Figure 10 .
Figure 10 : Sélectionnez les champs que vous

souhaitez utiliser comme fonctionnalités
Le module Sélectionner des colonnes dans

l'ensemble de données réduit l'ensemble de données
aux colonnes que vous avez spécifiées. Ensuite, vous
voulez rendre certaines colonnes catégorielles. Pour
ce faire, ajoutez le module Modifier les métadonnées
comme illustré à la figure 11 et connectez-le comme
indiqué. Cliquez sur le bouton de sélection de colonne
Lancer et sélectionnez les champs Survived , Pclass ,
SibSp et . Parch Dans la section Catégoriel du volet
des propriétés, sélectionnez Rendre catégoriel.
Figure
Nous 11 : des
utilisons Rendre despour
cookies champs
faire spécifiques
fonctionner cecatégoriels
Vous pouvez maintenant exécuter l'expérience en


cliquant sur le bouton RUN situé en bas du MAML. Une
fois l'expérience lancée, cliquez sur le port de sortie du
module Modifier les métadonnées et sélectionnez
Visualiser. Examinez l'ensemble de données affiché.
Suppression des données

manquantes
Si vous observez attentivement l'ensemble de
données renvoyé par le module Modifier les
métadonnées, vous verrez que la age colonne
contient des valeurs manquantes. Il est toujours bon
de supprimer toutes les lignes qui ont des valeurs
manquantes afin que ces valeurs manquantes
n'affectent pas l'efficacité du modèle d'apprentissage.
Pour ce faire, ajoutez un module Nettoyer les données
manquantes au canevas et connectez-le, comme
illustré à la Figure 12 . Dans le volet des propriétés,
sélectionnez la colonne Age et définissez le mode de
nettoyage sur Supprimer toute la ligne.
Figure 12 : Supprimer les lignes qui ont des valeurs

manquantes dans la colonne Age
Cliquez sur EXÉCUTER. L'ensemble de données ne

devrait
Nous plusdes
utilisons avoir de valeurs
cookies manquantes.
pour faire fonctionnerNotez
ce site correctement. Pour plus d'informations,
également
consultez notreque le nombre
politique de lignes a.été
de confidentialité réduit à 712.
Acceptez-vous que nous utilisions des cookies ? Bien sûr, je

Fractionnement des données pour la
formation et les tests
Lors de la création de votre modèle d'apprentissage, il
est essentiel que vous le testiez avec des exemples de
données une fois la formation terminée. Si vous ne
disposez que d'un seul ensemble de données, vous
pouvez le diviser en deux parties : une pour
l'entraînement et une pour les tests. Ceci est accompli
par le module Split Data (voir Figure 13 ). Pour cet
exemple, je divise 80 % de l'ensemble de données
pour la formation et les 20 % restants pour les tests.
Pour le cas du Titanic, vous pouvez

toujours utiliser train.csv pour la
formation et test.csv pour les tests. Pour
cet exemple, j'utilise le module Split Data
pour diviser l'ensemble de données de
formation en deux parties : une pour la
formation et une pour les tests.
Figure 13 : Diviser les données en jeu de données

d'entraînement et de test
Le port de sortie gauche du module Split Data fournit
80 % de l'ensemble de données et le port de sortie
droit fournit les 20 % restants.


Création du modèle de formation

Vous êtes maintenant prêt à créer le modèle de
formation. Ajoutez les modules Two-Class Logistic
Regression et Train Model au canevas et connectez-
les, comme illustré à la Figure 14 . Le module Train
Model comprend un algorithme d'apprentissage et un
ensemble de données de formation. Vous devez
également indiquer au modèle de train l'étiquette
pour laquelle vous l'entraînez. Dans ce cas, c'est la
Survived colonne.
Figure 14 : Entraînez votre modèle à l'aide de

l'algorithme de régression logistique à deux classes.
Une fois que vous avez entraîné le modèle, il est

essentiel de vérifier son efficacité. Pour ce faire,
utilisez le module Score Model , comme illustré à la
Figure 15 . Le modèle de score comprend un modèle
formé (qui est la sortie du module Train Model) et un
jeu de données de test.
Figure 15 : Évaluez votre modèle à l'aide de

l'ensemble de données de test et du modèle entraîné.
Vous êtes maintenant prêt à relancer l'expérience.

Cliquez sur EXÉCUTER. Une fois terminé, sélectionnez
la colonne Étiquettes notées (voir Figure 16 ). Cette
colonne représente les résultats de l'application de
l'ensemble de données de test par rapport au modèle
d'apprentissage. La colonne à côté, Probabilités
notées, indique la confiance de la prédiction. Avec la
colonne Étiquettes notées sélectionnée, regardez sur
le côté droit de l'écran et au-dessus du graphique,
sélectionnez Survived pour l'élément nommé
compare to . Cela trace un graphique connu sous le
nom de matrice de confusion.

sais comment
Figure 16 :cela fonctionne !
Affichez - Pasde
la matrice question. Fais-moi
confusion pour sortir
le d'ici!
modèle d'apprentissage.

L'axe des ordonnées de la matrice de confusion

montre les informations de survie réelles des
passagers : 1 pour les survivants et 0 pour les
décédés. L'axe des abscisses montre la prédiction.
Comme vous pouvez le voir, 75 ont été correctement
prédits pour mourir dans la catastrophe, et 35 ont été
correctement prédits pour survivre à la catastrophe.
Les deux autres cases montrent les prédictions qui
étaient incorrectes.
Comparaison avec d'autres

algorithmes
Bien que les chiffres des prédictions semblent assez

corrects, il ne suffit pas pour le moment de conclure
que vous avez choisi le bon algorithme pour ce
problème. MAML est livré avec 25 algorithmes ML
pour différents types de problèmes. Et donc, utilisons
maintenant un autre algorithme fourni par MAML
pour former un autre modèle : la jungle de décision à
deux classes.
Ajoutez les modules, comme illustré à la Figure 17 .
Figure 17 : Utiliser un autre algorithme pour entraîner

Nous utilisonsalternatif.
le modèle des cookies pour faire fonctionner ce site correctement. Pour plus d'informations,
Cliquez sur EXÉCUTER. Vous pouvez cliquer sur le port


de sortie du deuxième module Score Model pour
afficher le résultat du modèle, tout comme le modèle
d'apprentissage précédent. Cependant, il est plus utile
de les comparer directement. Vous pouvez accomplir
cela en utilisant le module Évaluer le modèle (voir
Figure 18 ).
Figure 18 : Évaluer les performances des deux

modèles.
Cliquez sur RUN pour exécuter l'expérience. Lorsque

vous avez terminé, cliquez sur le port de sortie du
module Evaluate Model et vous devriez voir quelque
chose comme Figure 19 .
Figure 19 : Affichez les métriques des deux

algorithmes d'apprentissage.
La ligne de couleur bleue représente l'algorithme à

gauche de l'expérience (Two-Class Logistic
Regression) et la ligne rouge représente l'algorithme à
droite (Two-Class Decision Jungle). Lorsque vous
cliquez sur la case bleue ou rouge, vous voyez les
différentes mesures pour chaque algorithme affichées
sous le graphique.
Évaluation des algorithmes

de ML
Maintenant que vous avez vu une expérience réalisée
à l'aide de deux algorithmes ML spécifiques, la
régression logistique à deux classes et la jungle de
décision à deux classes, revenons un peu en arrière et
examinons les différentes métriques générées par le
module Evaluate Model. Plus précisément, définissons
la signification des termes suivants :
Vrainotre
consultez positif (TP) :de
politique le confidentialité
modèle prédit. Acceptez-vous
correctementquele nous utilisions des cookies ? Bien sûr, je
sais comment
résultatcela fonctionne !
comme - Pas question.
étant positif. Dans le Fais-moi
cas de sortir d'ici!
l'exemple du Titanic, le nombre de TP indique le


nombre de prédictions correctes selon lesquelles
un passager a survécu (un résultat positif) à la
catastrophe.
Vrai négatif (TN) : le modèle prédit correctement
le résultat comme étant négatif (n'a pas survécu).
Les passagers ont été correctement prédits pour
ne pas survivre à la catastrophe.
Faux positif (FP) : le modèle a prédit à tort que le
résultat était positif, mais le résultat réel est
négatif. Dans l'exemple du Titanic, cela signifie que
le passager n'a pas survécu à la catastrophe, mais
le modèle prédit que le passager a survécu.
Faux négatif (FN) : le modèle a prédit à tort que le
résultat était négatif, mais le résultat réel est
positif. En utilisant l'exemple du Titanic, cela
signifie que le modèle a prédit que le passager n'a
pas survécu à la catastrophe, mais en réalité, il l'a
fait.
Cet ensemble de nombres est connu sous le nom de

matrice de confusion . Sur la base des métriques ci-
dessus, vous pouvez calculer les métriques suivantes :
Précision:Ceci est défini comme étant la somme de

toutes les prédictions correctes divisée par le
nombre total de prédictions, ou
mathématiquement, (TP/TN)/(TP+TN+FP+FN).
Cette métrique est facile à comprendre. Après tout,
si le modèle prédit correctement 99 échantillons
sur 100, la précision est de 0,99, ce qui serait très
impressionnant dans le monde réel. Mais
considérez la situation suivante : Imaginez que
vous essayez de prédire la défaillance d'un
équipement sur la base des données de
l'échantillon. Sur 1000 échantillons, seuls trois sont
défectueux. Si vous entrez un algorithme stupide
qui renvoie un résultat négatif (c'est-à-dire sans
Nous utilisons des cookies
échec) pour pour
tous les faire fonctionner
résultats, ce site
la précision est correctement.
de Pour plus d'informations,
997/1000, soit 0,997. C'est très impressionnant,
mais cela signifie-t-il que c'est un bon algorithme ?
Non. S'il y a 500 éléments défectueux dans


l'ensemble de données de 1000 éléments, la
mesure de précision indique immédiatement le
défaut de l'algorithme. Bref,
Précision : cette métrique est définie comme étant
TP/(TP + FP). Cette métrique concerne le nombre
de prédictions positives correctes. Vous pouvez
penser à la précision comme "parmi ceux qui
étaient prédits positifs, combien ont été
correctement prédits ?"
Rappel (également connu sous le nom de True
Positive Rate ): Cette métrique est définie comme
étant TP/(TP + FN). Cette métrique concerne le
nombre d'événements positifs correctement
prédits. Vous pouvez considérer le rappel comme
« de ces événements positifs, combien ont été
prédits correctement ? »
Score F1 : Cette mesure est définie comme étant
2*(précision * rappel)/(précision + rappel). C'est ce
qu'on appelle la moyenne harmonique de
précision et de rappel et c'est un bon moyen de
résumer l'évaluation de l'algorithme en un seul
chiffre.
Taux de faux positifs (FPR) : cette mesure est
définie comme étant FP/(FP+TN). Le FPR
correspond à la proportion de points de données
négatifs considérés à tort comme positifs, par
rapport à tous les points de données négatifs. En
d'autres termes, plus le FPR est élevé, plus vous
allez mal classer les points de données négatifs.
Pour combiner le FPR et le TPR en une seule

métrique, vous pouvez d'abord calculer les deux
anciennes métriques avec des seuils différents (de
0,0 à 1,0), puis les tracer sur un seul graphique,
avec les valeurs FPR sur l'axe des abscisses et les
Valeurs TPR sur l'axe y. La courbe résultante est
connue sous le nom de courbe ROC (Receiver
Nous utilisons
OperatingdesCharacteristic),
cookies pour faire
et fonctionner
la métriqueceest
considérée comme l' AUC (Area Under Curve) de
cette courbe. En général, visez l'algorithme avec


l'AUC la plus élevée.
Le concept de précision et de rappel n'est peut-être

pas apparent immédiatement, mais si vous considérez
le scénario suivant, ce sera clair. Prenons le cas du
diagnostic du cancer du sein. Si une croissance
maligne est classée comme positive et une croissance
bénigne est classée comme négative, alors :
Si la précision ou le rappel est élevé, cela signifie

que davantage de patientes atteintes d'un cancer
du sein réel sont diagnostiquées correctement, ce
qui indique que l'algorithme est bon.
Si la précision est faible, cela signifie que plus de
patientes sans cancer du sein sont diagnostiquées
comme ayant un cancer du sein.
Si le rappel est faible, cela signifie que plus de
patientes atteintes d'un cancer du sein sont
diagnostiquées comme n'ayant pas de cancer du
sein.
Pour les deux derniers points, avoir un faible rappel

est plus grave qu'une faible précision (bien qu'un
diagnostic erroné de cancer du sein alors que vous
n'en avez pas entraînera probablement un traitement
inutile et une angoisse mentale) car cela fait manquer
le traitement à la patiente et cause potentiellement la
mort. Par conséquent, pour des cas tels que le
diagnostic du cancer du sein, il est important de
prendre en compte la métrique de précision et de
rappel lors de l'évaluation de l'efficacité d'un
algorithme ML.
Publication du modèle
d'apprentissage en tant
que service Web
Une fois que l'algorithme ML le plus efficace a été


déterminé, vous pouvez publier le modèle
d'apprentissage en tant que service Web. Cela vous
permet de créer des applications personnalisées pour
utiliser le service. Imaginez que vous construisez un
modèle d'apprentissage pour aider les médecins à
diagnostiquer le cancer du sein. La publication en tant
que service Web vous permet de créer des
applications pour transmettre les différentes
fonctionnalités au modèle d'apprentissage afin
d'effectuer la prédiction. Mieux encore, en utilisant
MAML, il n'est pas nécessaire de gérer les détails de la
publication du service Web ; MAML l'héberge pour
vous sur le cloud Azure.
Publication de l'expérience
Pour publier l'expérience en tant que service Web :
Sélectionnez le module Train Model de gauche (car

il a de meilleures performances par rapport à
l'autre).
Au bas de la page, passez la souris sur l'élément
nommé CONFIGURER LE SERVICE WEB, puis cliquez
sur Service Web prédictif (recommandé).
Cela crée une nouvelle expérience prédictive, comme

illustré à la Figure 20 .
Figure 20 : Publier le modèle d'apprentissage en tant

que service Web.
Cliquez sur EXÉCUTER, puis sur DÉPLOYER LE SERVICE

WEB. La page illustrée à la Figure 21 s'affiche.
Figure
Nous 21 : des
utilisons La page depour
cookies test faire
du service Web.ce site correctement. Pour plus d'informations,
fonctionner

Tester le service Web
Cliquez sur le lien hypertexte Tester. La page de test

illustrée à la Figure 22 s'affiche. Vous pouvez cliquer
sur le bouton Activer pour renseigner les différents
champs de votre ensemble d'entraînement. Cela vous
évite la corvée de remplir les différents champs.
Figure 22 : Testez le service Web avec quelques

données.
The fields should now be filled with values from the

training data. At the bottom of the page, click Test
Request/Response and the prediction will be shown
on the right.
Programmatically Accessing the

Web Service
At the top of the Test page, you see a Consume link.

Click on it.
The credentials you need to use in order to access

your Web service, as well as the URLs for the Web
service are now visible. At the bottom of the page,
you'll
Nous see the
utilisons dessample
cookiescode
pour generated for you
faire fonctionner thatcorrectement.
ce site you Pour plus d'informations,
could use
consultez topolitique
notre de confidentialité
programmatically access. the Web service
Acceptez-vous que nous utilisions des cookies ? Bien sûr, je
(see Figure 23). The sample code is available in C#,


Python 2, Python 3, and R.
Figure 23: The sample code for accessing the Web

service is written in the three programming
languages.
Click on the Python 3+ tab and copy the code

generated. Back in MAML, click on the + NEW button
at the bottom of the screen. Click on NOTEBOOK on
the left and you can see the various notebooks as
shown in Figure 24.
Figure 24: Create a new notebook in Azure Machine

Learning Studio.
Click on Python 3, give a name to your notebook, and
paste
sais in thecela
comment Python code that
fonctionne ! you copied earlier (see
- Pas question. Fais-moi sortir d'ici!
Figure 25).

Figure 25: Test the code in the Python notebook.
Be sure to replace the value of the api_key variable

with that of your primary key. Press Ctrl+Enter to run
the Python code. If the Web service is deployed
correctly, you can see the result at the bottom of the
screen (see Figure 26).
Figure 26: The result returned by the Web service
Summary
In this article, you've learned the basics of ML and how
you can build a learning model using the Microsoft
Azure Machine Learning Studio. With MAML, it's now
very easy to start developing and testing your learning
models without getting bogged down with the details
of the learning algorithms. Happy ML!
Related Articles
Building and Deploying Services to Azure with


.NET Core and Docker
Using WebJobs for Event-Driven,
Asynchronous Services
Azure's Active Directory - Authorization in the
Cloud
Azure's SQL Database - SQL Server in the
Cloud
Remote App - Hosting Desktop Apps in Azure

Introduction to Artificial Intelligence Using
Microsoft Cognitive Services
Identify Voices with Microsoft Cognitive
Services
Identify Faces with Microsoft Cognitive
Services
Machine Learning
Algorithms
The Titanic case study is known as a classification
problem. A classification problem is one in which
you try to classify the outcome belonging to a set
of labels. For example, you want to predict
whether a passenger survived or not. Another
example of classification problem is that of trying
to predict the types of iris plants based on sepal
length, sepal width, etc. The Logistic Regression
algorithm is one popular algorithm for solving
classification problem.
Another type of common
ML problem is regression. Regression allows you
to predict a range of values. For example, given a
dataset representing past property sales
transactions, you want to try to predict how
much your current property can fetch. The Linear
Regression algorithm is one algorithm that is
suited to solving this type of problem.

The Dreaded Azure 3 Cs
No doubt about it, Microsoft Azure is a robust
and full-featured cloud platform but with that
robustness often comes the dreaded 3 Cs:
Confusion, Complication, and Complexity. CODE
Consulting can help you navigate your way
through the 3 Cs and partner with you to develop
Web, mobile, IoT, SaaS, machine learning, and
data analytics solutions on the Microsoft Azure
platform. CODE Consulting is your consulting and
development partner with the experience and
expertise you need to build powerful enterprise
solutions on the Microsoft Azure platform.
Whether it's a free (yes, free!) hour-long
mentoring session, help coding to meet a tight
deadline, or helping you architect and code your
latest Azure-based app, the experts at CODE
Consulting can help with all your Microsoft Azure
needs. For more information visit
www.codemag.com/consulting or email us at
info@codemag.com and ask about scheduling a
free hour-long mentoring session or tell us how
our experienced CODE Consultants can help you
today.
This article was filed under:
Azure Machine Learning Business Intelligence Azure ML Studio Artificial Intelligence
This article was published in:
Have additional technical questions?

Get help from the experts at CODE Magazine - sign up for our free hour of consulting!
Contact CODE Consulting at techhelp@codemag.com.
Contact Site Map

6605 Cypresswood Dr.
Suite 425
Consulting Formation
Houston TX 77379
Consulting Home Formation Accueil

USA
Services & Technologies État de .NET
 Voice: +1 (832) 717- Conversion et CODE présente
4445
maintenance héritées Des classes
 Fax: +1 (832) 717-4460 Heure de consultation
Mentorat
 Email: gratuite
Déjeuner avec CODE
info@codemag.com Conversion VFP
Azure et autres nuages
 1993 - 2022 EPS
Software Corp.
Logiciel d'énergie Recrutement
Nous contacter Accueil du personnel
Privacy Policy Vous cherchez du
Magazine personnel?
sais comment cela fonctionne ! - Pas question. Fais-moi sortir d'ici! Recherche d'un emploi?
Magazine Accueil
Nous contacter
Tous les problèmes

 Conversion
CODE Focus Magazine
S'abonner VFP
Portable Accueil Conversion VFP
Mes magazines Prestations de service
(numériques) Outils
Où est mon Magazine ? Des articles
Mon compte abonné
Renard en fin de vie
Afficher
Nous contacter
Écrire
Cadre
Cadre Accueil
Prise en main et
documentation
Télécharger
Services de soutien

Apprentissage Automatique - Premiers Pas Avec Microsoft Azure ML Studio

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Apprentissage Automatique - Premiers Pas Avec Microsoft Azure ML Studio

Transféré par

Droits d'auteur :

Formats disponibles

22/05/2022 21:19 Apprentissage automatique - Premiers pas avec Microsoft Azure ML Studio

Premiers pas avec

Publié dans : CODE Magazine : 2017 - Septembre/Octobre

Dernière mise à jour : 13 mai 2021

Quiconque a acheté sur Amazon.com sait que vous

Rechercher des articles supplémentaires : articles sur

Amazon le fait en collectant des données sur ce que

Les avis sur les produits et leur utilité

Amazon n'est pas la seule entreprise à utiliser

demande Apprentissage automatique

frauduleuse. Compte tenu des enregistrements de

Qu'est-ce que Microsoft Azure

Microsoft Azure Machine Learning Studio (ci-après

Au cas où vous ne seriez pas familier avec le Titanic, le

La principale raison des décès était un nombre

prédire la capacité de survie d'un passager en fonction

Fait intéressant, vous pouvez obtenir les données du

Kaggle est une plate-forme de

Deux jeux de données sont fournis :

Vous utilisez l'ensemble d'entraînement pour

Une fois les ensembles de formation et de test

PassengerId : un numéro courant indiquant la

Pclass : la classe du billet que détient le passager

Âge : l'âge du passager

Parch : nombre de parents/enfants à bord du

Embarqué : lieu d'embarquement ; notez que C =

Utilisation de Microsoft Azure

Si vous souhaitez simplement découvrir MAML sans

Figure 1 : Le panneau de gauche d'Azure Machine

Téléchargement de votre ensemble

Cliquez sur l' élément + NOUVEAU situé en bas à

Figure 2 : Charger un jeu de données dans Azure

Cliquez sur le bouton Choisir un fichier (voir Figure 3

Figure 3 : Choisissez un fichier à télécharger en tant

Répétez les étapes ci-dessus pour télécharger

Création d'une expérience

Vous êtes maintenant prêt à créer une expérience

Vous devriez maintenant voir le canevas illustré à la

Figure 4 : Le canevas représentant votre expérience

Vous pouvez donner un nom à votre expérience en le

Une fois cela fait, ajoutons l'ensemble de données

Faites glisser et déposez l'ensemble de données

Figure 5 : Faites glisser et déposez le jeu de données

Le jeu de données train.csv a un port de sortie

Figure 6 : Visualiser le contenu du jeu de données

Cliquez sur Visualiser pour afficher le contenu du jeu

Figure 7 : Afficher le jeu de données

Prenez une minute pour faire défiler les données.

Le champ PassengerID est simplement un numéro

valeur catégorielle est une valeur qui peut prendre

Les champs Pclass , SibSp et Parch doivent

Tous les champs qui ne sont pas ignorés sont utiles

Figure 8 : Afficher la colonne Survived

Filtrer les données et rendre les

Maintenant que vous avez identifié les fonctionnalités

Nous utilisons des cookies pour faire fonctionner ce site correctement.

Dans le volet Propriétés, cliquez sur Lancer le sélecteur

Figure 10 : Sélectionnez les champs que vous

Le module Sélectionner des colonnes dans

Vous pouvez maintenant exécuter l'expérience en

Suppression des données

Figure 12 : Supprimer les lignes qui ont des valeurs

Cliquez sur EXÉCUTER. L'ensemble de données ne

Pour le cas du Titanic, vous pouvez