利用Microsoft Azure Machine Learning Studio建立機器學習執行個體

標籤：style   blog   http   color   檔案   os   

    Microsoft Azure雲端服務推出機器學習的模組，使用者只需上傳資料，利用機器學習模組提供的一些演算法介面和R語言或別的語言介面，就能利用Microsoft Azure強大的雲端運算能力來實現自己的機器學習的任務。

    本文淺嘗了該機器學習模組，參照官方執行個體和協助文檔，完成了一個簡單的應用執行個體，具體步驟如下。

1、建立workspace

注意，在填寫workspace owner，一定要填寫一個有效windows live 帳號

 

 

進入建立的workspace，介面如所示

2、上傳資料

資料來源：http://archive.ics.uci.edu/ml/datasets/Statlog+(German+Credit+Data)

下載名為german.data，該資料用於信用風險的機器學習演算法，資料包括20個變數，1000條信用記錄，其中700條問低風險，300條為高風險。注意，由於Azure Machine Learning stidio 只支援csv檔案，所以需要把german.data轉化為csv檔案。

點擊ML studio下方的"+new"連結，按所示將資料已建立好workspace中

3、建立Azure ML的實驗

點擊ML studio下方的"+new"連結，選擇Experiment選項，開啟如下介面後

    第一步，可以給這個實驗添加一個標題，本文命名為"Experiment by Jiahua"

    第二步，在左側找到上傳的資料，名字為上傳資料是給定的資料名字，本文為"UCI German Credit Card Data"，將資料拖到中間的工作區，然後右側會給出資料的描述資訊。資料進入工作區之後，用一個圓角的矩形表示，矩形下有一個圓圈，稱為"output port"，將滑鼠放在上面並點擊右鍵後，可以進行資料視覺效果等操作。拖動圓圈，可以指向下一個資料處理操作。

    第三步，添加完資料集之後，就需要對資料集進行相應的處理，包括資料預先處理，訓練樣本和測試樣本劃分，選擇機器學習演算法等等，詳細操作課參加官方執行個體。完成上述操作後，一個可視化的機器學習過程就完成，如所示：

        

第四步，模型運行。完成上述操作後，就就可以運行程式了，點擊下方的"Run"，模型就會運行，每個模組運行完成之後會在右上方標示一個綠色小勾，如果每個模組或步驟出錯了，會在同樣的地方出現一個紅色的，滑鼠放上去之後就會提示錯誤的類型。

第五步，查看結果，在"Evaluate Model"方框下的圓點處點擊右鍵，選擇"Visualize"即可查看模型運行結果，部分結果如所示：

5、小結

這樣一個利用Azure雲端服務的機器學習執行個體就完成了，當然如果必要的的話還可以將完成模型發布到web伺服器上，這裡就不細述，可以參考說明文檔。

利用Azure雲端服務做機器學習研究，給我最大的體會是可視化的操作步驟使得演算法的運行過程更加清晰明聊，將演算法拆分為資料準備、資料預先處理、訓練資料和測試資料分割、模型選擇、模型參數調整、模型評價等環節，每個環節以處理框的形式出現，通過帶箭頭的連線，可以清晰的看出每個環節的輸入和輸出關係，從而研究者能更容易的抓住和控制演算法的要點。

初步的嘗試就到此結束，由於時間和能力的關係，本文只做了最簡單的嘗試，敘述過程省略了很多細節，尤其是在建立實驗部分，如果感興趣可以詳細查閱官方協助文檔。