Power BI - отличный инструмент бизнес-аналитики, который помогает лучше анализировать данные. Это действительно удивительно, что мы смогли использовать модель машинного обучения, созданную в студии машинного обучения Azure, для данных, импортированных в Power BI, для проведения действительно глубокого анализа.
Предварительные требования
- Подписка Azure
- R
- Power BI
Студия машинного обучения Azure
Студия машинного обучения Azure - это веб-портал в разделе Машинное обучение Azure, который содержит варианты с низким кодом и без кода для разработки проектов и управления активами.
Шаги по созданию модели в Microsoft Azure Machine Learning Studio (классическая версия)
1. Войдите в студию машинного обучения Azure. Https://studio.azureml.net/
2. Загрузите образец набора данных, для которого должна быть создана модель.
Выберите Набор данных ›Создать› Из локальных файлов (просмотрите и выберите файл)
3. Далее мы приступаем к созданию эксперимента в Azure ML.
Выберите Эксперименты и нажмите НОВЫЙ внизу, чтобы создать новый эксперимент.
4.Azure ML - это среда перетаскивания. В пустом эксперименте щелкните набор данных, выберите набор данных (Сохраненный набор данных ›Мой набор данных) и перетащите его в область эксперимента. Создайте свою собственную модель, используя элементы эксперимента на левой панели окна.
Пример модели, созданной для набора данных Titanic.csv.
5. Запустите модель.
6. Как только модель будет готова, нам нужно создать веб-сервис для модели.
Выбирать
Настройка WebService ›Веб-служба с прогнозированием
Как только веб-сервис создан, и у нас есть узел для ввода и другой для вывода.
7. щелкните параметр «Развернуть веб-службу», чтобы развернуть веб-службу, которая будет использоваться для прогнозирования.
Запустить сценарий R в Power BI
1 Импортируйте данные в Power BI, для которого необходимо реализовать модель.
2. в редакторе Power Query выберите Run R script.
3. Напишите свой код в редакторе сценариев R.
Код приведен ниже:
Расшифровка кода
1. Первая строка выделяет идентификатор рабочей области из среды Azure переменной с именем wisd.
Чтобы определить свой идентификатор рабочего пространства. выберите настройки слева.
2. Затем он собирается сохранить аутентификацию в переменной auth.
Выберите токены авторизации и используйте токены первичной авторизации в качестве переменной аутентификации.
3. Наконец, имя веб-службы будет сохранено в имени переменной Имя службы.
4. Далее будут использоваться некоторые пакеты R, и служба будет вызываться для подключения к среде Azure ML.
Установите пакет AzureML в консоль R, если он не был установлен ранее
Чтобы установить пакет AzureML, используйте следующий синтаксис
install.packages («AzureML»)
Заключение
В этой статье объясняется, как создать модель машинного обучения в студии машинного обучения Azure и использовать ее для данных в Power BI с помощью R. Power BI с добавленными концепциями машинного обучения дает лучшие результаты.
