Weitere ähnliche Inhalte Ähnlich wie Azure Machine Learning getting started (20) Azure Machine Learning getting started1. Azure Machine Learning
getting started
日本マイクロソフト
テクニカル エバンジェリスト
大田 昌幸
Twitter : @masota0517
Blog : http://nt-d.hatenablog.com/
江田 周平
Twitter : @shumach5
1
8. 線形回帰 (Linear Regression)
ハンズオン・セッションで使用します
• 要素データからの距離が最小となる
直線を生成します
• ある変数の変化を元に別の変数の
変化を予測する際に使用されます
• 例 : 車の性能・パーツから価格を予測
8
学習アルゴリズムは複数ありますので、下記を参考に選定してください (英語)
http://azure.microsoft.com/en-us/documentation/articles/machine-learning-algorithm-choice/
12. Azure Machine Learning
• Azure 上の機械学習サービス
• 高度な分析ソリューションを GUI で開発
• R, Python によるカスタム コードもサポート
• 数分で Web API として公開
12
36. データの追加
1. 検索ボックスに “Automobile” と入力します。
対象のデータが検索結果として表示されます。
2. [Automobile price date (Raw)] を
画面中央のスペースにドラッグ & ドロップします。
36
ML Studio 上には練習用のサンプルデータがあります。
今回は車の売り上げデータを使用します。
41. データの正規化
1.検索ボックスに “Project Columns” と入力します。
2.[Project Columns] を
画面中央のスペースにドラッグ & ドロップします。
このパーツは、データの中で使用する列の選択・
不要な列の削除をする際に使用します。
41
このセクションでは不正・不要なデータを削除する
方法を学びます。データを変更することで
モデルの予測精度が変わります。
50. データの正規化
必要な列のみを選択するために、
再度 [Project Columns] を追加します。
その後、[Missing Values Scrubber] と結合します。
このプロジェクトでは、[Project Columns] を 2 つ使用し
ています。[Project Columns] を一つにまとめてしまっ
ても同じ結果となりますが、下記 2 つの処理ができる
ことを説明するためにあえて追加しました。
• 特定列のみの選択
• 特定列のみの削除
なお、 2 つに分けた方が適切な場合もありますので、
適宜データの処理結果を見ながらご判断ください。
50
51. データの正規化
1.[Launch Column Selector] をクリックします。
2.画面の通り設定を追加します。
なお、追加している Column は、以下となります。
[make], [body-style], [wheel-base], [engine-size],
[horsepower], [peak rpm], [highway-mpg], [price]
51
このセクションの手順は完了です。
データの正規化方法・現時点でのデータの様子を
確認する方法を学びました。
58. モデルの作成
[Linear Regression] を追加し、
[Train Model] と結合します。
この操作は y = ax1 + ax2 + ax3 … のような、
ベースとなる関数を決定しています。
今回は線形回帰を選択しています。
なお、他のモデルの選択も可能です。
58
このセクションの手順は完了です
ML Studio でデータを追加する方法や
追加したデータの中身を見る方法を学びました。
Train Model はベースとなる関数と変数 (x) を入力
する必要があるので、入力が 2 つあります。
60. モデルの評価
予想の値段を出すためには Score Model を使います。
[Score Model] を追加し、
[Split]、[Train Model] と [Score Model] を結合させます。
Score Model はモデル・データを入力する必要がある
ので、入力口が 2 つあります。
左側の入力が “モデルの入り口” 、
右側の入力が “モデルで使うデータの入り口” となる
ため、今回はここに評価用のデータを入力します。
60
評価用のデータをモデルに入力し、
モデルに予想の値段を出力させます。
y = ax1 + ax2 + ax3 … の x に評価用のデータを入れると
いうイメージをしてください。
66. ハンズオンの全体像
66
Microsoft Azure
Azure Machine Learning
1. 機械学習のソリューションを開発する
Azure Machine Lerning の環境構成
2. ソリューションの開発と検証
今回は車のパーツから売上金額を予想する
ソリューションを開発します
3. Web API の公開
※ Web API を操作するプログラムの開発は
本ハンズオンには含まれていません
69. API の公開
69
操作が完了すると、
このような画面が表示されます。
[Web service input] と [Web service output] が
上下に追加されていることを確認してください。
構築したモデルで有効なデータの列は
モデル構築時に絞り込まれています。
例 : [make], [body-style]
そのため、Web API 呼び出し時に正規化の手順は
必要なく、[Web service input] の位置を変更します。
なお、変更をしない場合には不必要に処理の時間
がかかり、Timeout が発生し 500 エラーが返され
ることが多くなります。
71. API の公開
71
[Web Service input] の出力と [Score Model] の入力を繋ぎます。
テクニック的な補足を追加します。
Web API の出力を絞り込みたいときには
[Score Model] と [Web service output] の間に [Project Columns]
を追加しましょう。
Web API の出力を確認する方法はこの後解説しますので、
まずは API の出力を確認し、必要に応じて [Project Columns] を
追加してください。
72. API の公開
72
[PUBLISH WEB SERVICE] をクリックします。
もし [PUBLISH WEB SERVICE] がグレーアウトしてい
る場合には、下記手順を行ってください。
1. [PUBLISH WEB SERVICE] 左隣の [RUN] ボタンを
クリックします。
2. この部分が地球儀のマークになっていることを
確認します。ビーカーのマークになっている場
合にはクリックして、地球儀のマークへ切り替
えてください。
地球儀のマーク : Web API 公開用のビュー
ビーカーのマーク : モデル構築用のビュー