O objetivo desse laboratório é usar machine learning de forma automatizada através da plataforma Azure Machine Learning para inferir, ou prever, (predict) a quantidade de aluguéis de bicicletas que serão esperados em um determinado dia.
Mais informações sobre a o problema podem ser lidas no arquivo
AprofundamentoNoLabProject01.md.
Esse experimento é baseado no guia "Explore Automated Machine Learning in Azure Machine Learning" disponível aqui.
Para ser possível usar o Azure Machine Learning é essencial que você possua um workspace para a plataforma associado a sua conta Azure. Isso pode ser feito por meio dos seguintes passos:
- Acessar https://portal.azure.com
- Criar novo recurso Azure Machine Learning através da opção Create Resource
- Acessar o workspace no Azure Machine Learning Studio (https://ml.azure.com)
Dentro do Azure Machine Learning Studio, podemos selecionar o serviço Automated ML e criar um novo automated job.
Feito isso é preciso preencher algumas configurações básicas como nome do trabalho, novo nome do experimento, descrição e tags. O tipo de tarefa realizada nesse exercício é uma Regressão, utilizando um conjunto de dados do tipo tabular disponível via Web URL aqui.
Demais configurações para o conjunto de dados que determinam como serão analisados podem ser vistas na imagem abaixo.
O restante da configuração do conjunto de dados não precisa ser alterado e pode ser deixado nas predefinições padrão.
Nessa etapa é preciso selecionar a coluna do target, ou label, que neste caso é a coluna "Rentals". Além disso, é preciso alterar algumas configurações adicionais, que podem ser vistas na figura abaixo.
É importante ficar atento nesse passo à seleção da métrica primária, onde é usado NormalizedRootMeanSquredError (NRMSE), e à seleção dos modelos. Nesse exercício foram usado RandomForest e LightGBM.
A próxima etapa é determinar os limites das configurações de tarefas:
Feito isso, é preciso selecionar o tipo de validação a ser usado. Nesse experimento foi usado "Divisão de validação de treinamento" (Train-validation split) com 10% de dados para validação e nenhum dado de teste.
Por fim, as configurações de computação foram mantidas no padrão sugerido pela plataforma. Após essas etapas é posssível enviar o trabalho de treinamento.
Mais detalhes das configurações do treinamento podem ser encontradas no guia citado na introdução deste arquivo.
Uma vez concluído o treinamento é possível verificar os resultados e validar métricas do melhor modelo. Basta clicar no texto em azul abaixo de Algorithm Name (Nome do Algoritmo).
Ao acessar a aba Métricas, temos acesso a diversos indicadores da performance do modelo, como r2_score e o próprio NNRMSE. Além disso, é possível visualizar dois gráficos: Predicted vs True, que compara os valores preditos com os valores reais, e Residuals Histogram, que é um histograma que representa a diferença entre o predito e os valores reais.
Mais informações sobre os gráficos podem ser lidas no arquivo
AprofundamentoNoLabProject01.md.
A partir da aba Modelo (Model), é possível realizar o deploy e realizar algumas inferências a fim de testar o serviço. Basta selecionar Deploy > Web service, e configurar uma instância de um container Azure para lidar com os requests.
Uma vez que o deploy foi feito é possível acessar o Endpoint no menu da esquerda e inserir o arquivo .json com o caso a ser inferido.
O resultado do painel da esquerda mostra a predição da quantidade de biciletas requisitadas para o dia especificado.
Mais informações sobre detalhes técnicos e gráficos podem ser lidas no arquivo
AprofundamentoNoLabProject01.md.