Azure Machine Learning 설정

기록을 잊어버리다
Azure의 등록 등 수속 할애.
[작업공간 만들기]
Azure 클래식 화면에서
새 "+"를 클릭하여 데이터 서비스 → MIACHINE 학습 → 간편 제작 선택
작업공간 이름: 옵션
위치: South Central US 선택
스토리지 계정 - 옵션
* 기존 생성된 스토리지 계정은 사용할 수 없습니다.ML 전용입니다.
입력한 후 ML 작업공간 만들기 를 클릭합니다.
작업공간 생성이 완료되었습니다.

【로그인】
제작이 완료되면 다음과 같은 화면이 나타납니다.
Azure에서 사용하는 ID로 ML Studio에 로그인합니다.
로그인하면 다른 탭이 올라가고 Machine Learning Studio가 시작됩니다.영어 버전만 해당(2016/06/14 현재)


【Experiments】
실제 실행 ML을 만들려면 Experiments를 선택하고 + NEW 를 클릭합니다.
기본 템플릿 선택 화면이기 때문에
초기에 템플릿을 선택한 후에 사용자 정의를 하는 것은 나무랄 데가 없다.
익숙해지면 Blank를 선택해서 처음부터 만들어도 좋다.

예를 들어, 그룹 Iris 데이터를 사용합니다.
3종의 아이리스로 꽃받침의 길이와 너비, 꽃잎의 길이와 너비의 데이터 집합
꽃받침, 꽃잎의 정보를 바탕으로 3가지 내용으로 나뉜다.
UCI Machine Learning Repository에 공개된 데이터는 인기 1위의 유명한 데이터인 것 같습니다.

네, 완성했습니다.아무것도 하지 않아도 템플릿에서 준비한 처리와 데이터를 만들 수 있다.
이 샘플에서 k-meansclustering(k평균법)과multiclasslogisticregression(다중 논리 회귀)
이런 방법으로 기계 학습과 분류를 진행하다.
SAVE 를 클릭하여 저장한 후 RUN 을 클릭하여 ML을 실행합니다.
처리 통과 및 데이터 로드 완료 부분✔다 왔어요.

모든 처리가 끝난 후 실제 처리된 데이터를 확인하세요.
처리된 모듈의 데이터를 보려면 출력을 나타내는 원형 부분을 누르고 Visualize를 선택하십시오.


Col1~Col4는 꽃받침, 꽃잎의 데이터이고, Col5는 아이리스의 종류이다.하면, 만약, 만약...
오른쪽의 Statistics와 Visualizations에서도 값의 범위와 분포 등을 알 수 있어 편리하다.
다음은 결과를 봅시다."K-Means Clustering"연결
열차 군집 모형을 보기 전에 프로젝트 열 데이터를 보십시오.
라벨 열은 데이터를 입력한 아이리스의 종류입니다.열 지정
꽃받침·꽃잎을 사용한 특징량으로 기계학습에 따라 분류된 값(0~2)이다.
[할당] 열을 선택하고 오른쪽 시각화 영역에서 [태그에 통합]을 선택합니다.

실제 아이리스 유형 (레이블 열) 과 분류 값을 비교할 수 있습니다.
아이리스-versicolor라는 종류만 2건, 아이리스-virginica라는 종류로 분류된다.
[테스트 데이터의 결과]
이 견본에서 분할(Split) 입력 데이터로 90개를 머신러닝에 사용
나머지 60개를 학습 결과의 모델에 입력하여 테스트를 진행한다.

커서를 연결 부분에 걸면 모듈의 입력과 출력이 무엇인지 알 수 있다.
또한 선택을 클릭한 상태에서 화면 오른쪽 아래에 있는 빠른 도움말에도 설명과 문서 링크가 있습니다.
만약 네가 각 모듈의 출력을 많이 본다면, 너는 데이터의 흐름과 동작을 알게 될 것이다.
"클러스터에 지정"앞의 "항목 열"결과를 살펴보겠습니다.
학습된 모델이 분류된 것을 볼 수 있습니다.

[Multiclass Logistic Regression의 결과]
Multiclasslogisticregression은 Score Model에 학습 결과와 테스트 데이터를 입력했습니다.

"Score Model"의 출력 데이터를 보면 k-means clustering 형식과 다르다
Scored Labels 열은 분류된 결과입니다.태그 열과 비교합니다.

Score Model은 또한 Evaluate Model과 연결되어 분류 결과에 대한 평가를 볼 수 있습니다.

보다 크면 같음