Cortana Intelligence Suite 구축(5회) - Azure Machine Learning 예측 데이터 사용(서명 & 데이터 준비편)
개요
이번에는 Cortana Intelligence Suite 구축(4차)에서 출력된 도쿄 지하철 각 노선의 항행 정보 데이터와 기상청 기상 데이터를 조합하여 날씨, 요일을 바탕으로 Azure Machine Learning으로 각 노선의 지연 시간을 계산하는 기계 학습 모델을 구축하고자 한다.
미리 준비한 물건
Cortana Intelligence Suite 구축(4차) 출력된 데이터
단계 설정
기상청 데이터 준비
기상청은 과거 기상청이 관측한 모든 기상정보를 CSV 형식으로 다운로드할 수 있는 사이트를 제공했다.이번에는 이 사이트에서 다운로드한 CSV 파일과 도쿄 지하철의 항행 데이터를 조합해 보려고 한다.
날씨의 열은 숫자로 표시되기 때문에 여기에 기록되어 있다, 표와 문자열을 대체합니다.
Before:
After:
이렇게 하면 날씨 정보의 준비가 다 된다.
Azure Machine Learning 준비
사용하기 위해서는 먼저 "경전 문호"부터 Azure Machine Learning에 서명해야 합니다.
액세스
배포가 완료되면 다음 내용이 표시됩니다.
Azure Machine Learning으로 예측 모델 구축
Azure Machine Learning은 데이터 원본으로 여러 가지 선택을 준비했습니다. Azure 저장 계정, Azure SQL 데이터베이스, Azure Data Lake 등 Azure 서비스는 말할 필요도 없고 이외에도 로컬에 저장된 파일을 직접 업로드할 수 있습니다.이번에는 Cortana Intelligence Suite 구축(4차) 수출 목적지로 이용된 Azure 저장 계정을 소개하고 사전에 준비한 기상정보(weather_data.csv)를 업로드하는 방법 2개를 소개한다.
로컬 파일
이 완료되면 다음이 표시됩니다.
Azure 스토리지 계정
Azure 스토리지 계정을 데이터 소스로 사용하려면 스토리지 계정 키를 미리 가져와야 합니다.
그런 다음 Azure Machine Learning Studio에서 새 실험(Experiment)을 만듭니다. 이 실험에서 데이터 원본은 Azure 저장 계정이어야 합니다.
Cortana Intelligence Suite 구축(4차)
http://studio.azureml.com를 클릭하십시오.
Path to container는 에서 정의된 파일 대상 경로입니다.
제 상황은 "tyqiita/output/result.txt"입니다.'캐시 사용'을 선택하면 Azure Machine Learning은 매번 Azure Blob Storage에서 데이터를 검색하지 않고 캐시를 저장하여 향후 구축 작업이 Azure Machine Learning에서 신속하게 처리될 수 있도록 합니다.
Cortana Intelligence Suite 구축(4차)
Reference
이 문제에 관하여(Cortana Intelligence Suite 구축(5회) - Azure Machine Learning 예측 데이터 사용(서명 & 데이터 준비편)), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/taiki_yoshida/items/8426131b4e4b4033c0b6텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)