Теперь, когда вы улучшили свою модель, пришло время использовать ее с пользой, спрогнозировав рейтинг эффективности игроков НБА в следующем сезоне. На данный момент все, что вы создали, — это обучающий эксперимент, предназначенный для подготовки ваших данных и обучения модели только с историческими данными.

Давайте перейдем на следующий уровень, создав прогностический эксперимент на основе алгоритма, который работал лучше после корректировок, регрессии нейронной сети. Нам нужно настроить прогнозную веб-службу, чтобы мы могли использовать ее как модуль в инструменте Azure ML и как конечную точку для запроса прогнозов с некоторыми входными данными через HTTP-запрос.

Чтобы настроить веб-службу, выберите модуль «Обучение модели», подключенный к алгоритму регрессии нейронной сети, найдите кнопку «НАСТРОЙКА ВЕБ-СЛУЖБЫ» на нижней панели и нажмите «Прогнозирующая веб-служба [рекомендуется]» в неожиданно возникнуть:

После завершения вы увидите что-то похожее на экран ниже:

Обратите внимание, что это новый эксперимент (названный [Эксперимент с прогнозированием] и отображаемый на другой вкладке), и что он содержит некоторые подготовительные этапы обучающего эксперимента, а также «входные данные веб-службы» и «выходные данные веб-службы». модули. Также обратите внимание, что есть новый модуль с тем же именем, которое вы дали своему обучающему эксперименту, связанному с модулем «Модель оценки».

Чтобы заложить основу для полезного прогностического эксперимента, давайте подключим модуль «Ввод веб-сервиса» в качестве ввода набора данных для модуля «Модель оценки» и просто сохраним модуль «Прогноз NBA PER — обучение» (наша обученная модель, уже упакованная как один модуль), модуль «Оценочная модель», а также модули ввода и вывода веб-службы, удалив все остальное. Нам не потребуются все остальные шаги, так как наш набор входных данных для будущего прогноза уже содержит только известные столбцы до начала сезона (игрок, позиция, возраст, команда, сезон), и нам не нужно выполнять какую-либо очистку. или обработки этих данных. Давайте также включим набор данных с игроками на следующий сезон, используя третий набор данных, который мы загрузили и еще не использовали: nba_2017_players_input. Вы можете найти его в левом меню в категории «Сохраненные наборы данных › Мои наборы данных», и после перетаскивания его на холст вы также должны подключить его к модулю «Оценочная модель» в качестве ввода набора данных. Теперь ваш прогностический эксперимент должен выглядеть так:

Если вы запустите прогностический эксперимент сейчас, у вас будет набор данных, содержащий прогнозы PER каждого игрока НБА на сезон 2016/2017, который называется «Ярлыки с оценкой». Но опять же, лучше давать вещам их имена, поэтому давайте добавим модуль «Редактировать метаданные» после модуля «Модель оценки», чтобы переименовать столбец «Оцененная метка» в фактическое имя «PER»:

Поздравляю! Если вы взглянете на получившийся набор данных, вы заглянете в будущее и взглянете на прогнозируемое значение рейтинга эффективности игрока для каждого активного игрока НБА в сезоне 2016/2017 (содержание этой лаборатории были созданы до начала этого сезона и только с предыдущими данными). Обратите внимание, что есть также новый столбец под названием «Черновик», который будет полезен для главы о визуализации и использовании данных, единственной оставшейся в этой серии.

#gkout

Горка Мадариага (@Gk_8)

Первоначально опубликовано на испанском языке в блоге MSDN Spain 25 июля 2017 г.