Azure机器学习模型搭建

Azure机器学习模型搭建

Azure Machine Learning（简称“AML”）是微软在其公有云Azure上推出的基于Web使用的一项机器学习服务，机器学习属人工智能的一个分支，它技术借助算法让电脑对大量流动数据集进行识别。这种方式能够通过历史数据来预测未来事件和行为，其实现方式明显优于传统的商业智能形式。

微软的目标是简化使用机器学习的过程，以便于开发人员、业务分析师和数据科学家进行广泛、便捷地应用。

这款服务的目的在于“将机器学习动力与云计算的简单性相结合”。

AML目前在微软的Global Azure云服务平台提供服务，用户可以通过站点：https://studio.azureml.net/ 申请免费试用。

实验步骤：

获取数据

UCI机器学习数据库的网址：****http://archive.ics.uci.edu/ml/****

该数据库是加州大学欧文分校(UniversityofCaliforniaIrvine)提出的用于机器学习的数据库，这个数据库目前共有187个数据集，其数目还在不断增加，UCI数据集是一个常用的标准测试数据集。数据库不断更新，是所有学习人工智能、机器学习等都需要用到的数据库，是看文章、写论文、测试算法的必备数据集。数据库种类涉及生活、工程、科学各个领域，记录数也是从少到多，最多达几十万条。

我们使用其中：美国人口普查数据集（****https://archive.ics.uci.edu/ml/datasets/census+income）****的数据，该数据从美国1994年人口普查数据库抽取而来，可以用来预测居民收入是否超过50K/year。该数据集类变量为年收入是否超过50k，属性变量包含年龄，工种，学历，职业，人种等重要信息，

值得一提的是，14个属性变量中有7个类别型变量，数据集各属性:其中序号0~13是属性， 14是类别

数据集局部图如下图所示：

现在，用 Microsoft Excel 或任何其他电子表格工具中打开 adult.data 文件，并为其添加网站中属性列表的详细信息，这些信息如下列出。注意，其中的一部分属性值为连续的，因为它们以数值的形式表现，另一部分则为离散的。

1. 观察数据集

****年龄（age）****，连续值

****工作种类（Workclass）****个人（Private）, 无限责任公司（Self-emp-not-inc）, 有限责任公司（Self-emp-inc）, 联邦政府（Federal-gov）, 地方政府（ Local-gov）, 州政府（State-gov）, 无薪人员（Without-pay）, 无工作经验人员（Never-worked）离散值

****序列号（********Fnlwgt********）****连续值

*教育情况（Education）* Bachelors, Some-college, 11th, HS-grad, Prof-school, Assoc-acdm, Assoc-voc, 9th, 7th-8th, 12th, Masters, 1st-4th, 10th, Doctorate, 5th-6th, Preschool ）离散值

****受教育年限（Education-num）****，连续值

*婚姻状况（Marital-status）* 已婚（Married-civ-spouse），离婚（Divorced），未婚（Never-married），离异（Separated），丧偶（Widowed），已婚配偶缺席（Married-spouse-absent）、 再婚（Married-AF-spouse），离散值

****职业情况（Occupation）****技术支持（Tech-support），维修工艺（Craft-repair），服务行业（Other-service）、 销售（Sales）、 执行管理（Exec-managerial）、 专业教授（Prof-specialty），清洁工（Handlers-cleaners），机床操控人员（Machine-op-inspct）、 行政文员（Adm-clerical）、 养殖渔业（Farming-fishing）、 运输行业（Transport-moving），私人房屋服务（Priv-house-serv），保卫工作（Protective-serv）， 武装部队（Armed-Forces）职业情况，离散值

****亲属情况（Relationship）****妻子（Wife），子女（Own-child），丈夫（Husband），外来人员（Not-in-family）、 其他亲戚（Other-relative）、 未婚（Unmarried），离散值

****种族肤色（Race）****白人（White），亚洲太平洋岛民（Asian-Pac-Islander），阿米尔-印度-爱斯基摩人（Amer-Indian-Eskimo）、 其他（Other），黑人（Black）离散值

****性别（Sex ）****男性（Female）,女性（ Male），离散值

****资本盈利（Capital-gain ）****连续值

*资本损失（Capital-loss）* ，连续值

*每周工作时间（Hours-per-week* ），连续值

****国籍（Native-country ）****美国（United-States）、 柬埔寨（Cambodia）、 英国（England），波多黎各（Puerto-Rico），加拿大（Canada），德国（Germany），美国周边地区（关岛-美属维尔京群岛等）（Outlying-US(Guam-USVI-etc)），印度（India）、 日本（Japan）、 希腊（Greece）、 美国南部（South）、 中国（China）、 古巴（Cuba）、 伊朗（Iran）、 洪都拉斯（Honduras），菲律宾（Philippines）、 意大利（Italy）、 波兰（Poland）、 牙买加（Jamaica）、 越南（Vietnam）、 墨西哥（Mexico）、 葡萄牙（Portugal）、 爱尔兰（Ireland）、 法国（France）、多米尼加共和国（Dominican-Republic）、 老挝（Laos）、 厄瓜多尔（Ecuador）、 台湾（Taiwan）、 海地（Haiti）、 哥伦比亚（Columbia）、 匈牙利（Hungary）、 危地马拉（Guatemala）、 尼加拉瓜（Nicaragua）、苏格兰（Scotland）、 泰国（Thailand）、 南斯拉夫（Yugoslavia），萨尔瓦多（El-Salvador）、 特立尼达和多巴哥（Trinadad&Tobago）、 秘鲁（Peru），香港（Hong），荷兰（Holland-Netherlands）离散值

*收入 （incom）* >50K, <=50K ，离散值

2. 总括一下数据集的数据特征：

   1，十四个与结果相关的唯一属性

   2，数据集的实例数为 48,842

   3，预测任务是确定用户是否一年收入超过$50,000美元。

实验准备

1. 进入官网，点击Sign In

2. 登陆注册

3. 点击左下角的new 选择DATASET，点击从本地文件选择即"FROM LOCAL FILE"，上传本地的数据文件

4. 等待数据加载，完成信息的输入并点击签入按钮后，您的数据集将异步加载至您的第一个Azure机器学习实验的工作区中：

5. 创建新的Azure机器学习实验，创建新的实验的方法是点击屏幕左下角的"+NEW"按钮，选择"实验"（EXPERIMENT）>“空白实验”（Blank Experiment）:

开始实验

1. 获取数据

选择Saved Datasets选项下的My Datasets > adult.data.csv，拖拽到Experiment中

2. 数据基本处理

分割训练集，选择Sample and Split > Split Data，拖拽到Experiment中，将adult.data.csv与Split Data链接，并点击Split Data，将Fraction of rows in firs… 设置为0.8（0.8为训练集，0.2为测试集，我们后面将用到）

3. 特征工程（略）

4. 确认目标值

   选择训练模型，选项Train选项中的Train Model，拖拽到Experiment中，同时将Train Model与Split Data链接，点击Train Model>Launch column selector>输入incom（目标值）

5. 训练模型

   由于我们训练的模型是有特征值有目标值的监督学习，我们展开"Machine Learning"即机器学习模块下的"Initialize Model"即初始化模型，展开"Classfication"即分类子模块。在此实验中，我们使用"Two-Class Boosted Decision Tree"即双类提升的决策树算法。并与Train Model链接

模型评分

1. 选择Score>Score Model,拖拽到Experiment中，同时将Score Model分别与Split Data、Split Data链接。

2. 点击菜单页下方的RUN，开始训练

3. 等待模块中时钟图标消失，右击Score Model>Scored dataset>Visualize查看图形可视化

4. incom为实际值，Scired Labels为预测值，Scored Probabilities为预测得分

5. 选择Machine Learning>Evaluate>Evaluate Model与Score Model链接，右击Evaluate Model选择RUN，同样Visualize查看图形可视化，我们可以看到ROC曲线以及其参数