教學課程 3：部署信用風險模型 - 機器學習 Studio（傳統版）
適用於：
機器學習 Studio（傳統版）
Azure 機器學習
重要
Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您在該日期之前轉換成 Azure Machine Learning。
自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。 在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。
ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。
在本教學課程中，您會深入瞭解開發預測性分析解決方案的程式。 您在 機器學習 Studio 中開發簡單的模型（傳統版）。 接著，您會將模型部署為 機器學習 Web 服務。 此已部署的模型可以使用新的數據進行預測。 本教學課程是 三部分教學課程系列的第三部分。
假設您需要根據他們在信用申請上提供的資訊來預測個人的信用風險。
信用風險評估是一個複雜的問題，但本教學課程會簡化它一點。 您將使用它作為如何使用 機器學習 Studio 建立預測性分析解決方案的範例（傳統版）。 您將針對此解決方案使用 機器學習 Studio （傳統版） 和 機器學習 Web 服務。
在本三部分教學課程中，您會從公開可用的信用風險數據開始。 您接著會開發並定型預測模型。 最後，您會將模型部署為 Web 服務。
在本教學課程的第一部分中，您已建立 機器學習 Studio （傳統） 工作區、上傳的數據，以及建立實驗。
在本 教學課程的第二部分中，您已定型和評估模型。
在本教學課程的這個部分中，您會：
- 準備開始部署
- 部署 Web 服務
- 測試 Web 服務
- 管理 Web 服務
- 存取 Web 服務
必要條件
完成 本教學課程的第二部分。
準備開始部署
若要讓其他人有機會使用您在本教學課程中開發的預測模型，您可以將它部署為 Azure 上的 Web 服務。
到目前為止，您已嘗試訓練我們的模型。 但已部署的服務不會再進行定型，而是會根據我們的模型來評分用戶的輸入，以產生新的預測。 因此，我們將進行一些準備，將此實驗從訓練實驗轉換成預測實驗。
準備部署是三個步驟的程式：
- 拿掉其中一個模型
- 將您建立的訓練實驗轉換成預測實驗
- 將預測實驗部署為 Web 服務
拿掉其中一個模型
首先，您需要稍微修剪此實驗。 您目前在實驗中有兩個不同的模型，但當您將此部署為 Web 服務時，您只想要使用一個模型。
假設您已決定提升的樹狀結構模型執行效能優於 SVM 模型。 因此，首先要做的是移除 雙類別支援向量機器 模組，以及用於定型它的模組。 您可以按兩下 實驗畫布底部的 [另存新檔 ]，先建立實驗複本。
您需要刪除下列模組：
選取每個模組，然後按 [刪除] 鍵，或以滑鼠右鍵按兩下模組，然後選取 [ 刪除]。
我們的模型現在看起來應該像這樣：
現在我們已經準備好使用 雙類別提升判定樹來部署此模型。
將定型實驗轉換成預測實驗
若要讓此模型準備好進行部署，您必須將此定型實驗轉換為預測實驗。 這涉及三個步驟：
- 儲存您已定型的模型，然後取代我們的訓練模組
- 修剪實驗以移除只需要定型的模組
- 定義 Web 服務將接受輸入的位置，以及其產生輸出的位置
您可以手動執行這項操作，但幸運的是，您可以按兩下 實驗畫布底部的 [設定 Web 服務 ] 來完成這三個步驟（然後選取 [預測性 Web 服務 ] 選項。
提示
如果您想要深入瞭解將定型實驗轉換成預測性實驗時會發生什麼情況，請參閱如何在 機器學習 Studio （傳統版） 中準備您的模型以進行部署。
當您按兩下 [ 設定 Web 服務] 時，會發生數件事：
- 定型的模型會轉換成單 一定型模型 模組，並儲存在實驗畫布左側的模組調色盤中（您可以在 [定型的模型] 底下 找到該模型）
- 已移除用於定型的模組;具體說來：
- 已儲存的定型模型會新增回實驗
- 新增 Web 服務輸入 和 Web 服務輸出 模組（這些模組會識別使用者的數據將進入模型的位置，以及在存取 Web 服務時傳回哪些資料）
注意
您可以看到實驗儲存在實驗畫布頂端的索引標籤下兩個部分。 原始定型實驗位於 [訓練實驗] 索引標籤底下，新建立的預測實驗位於 [預測實驗] 底下。 預測實驗是您將部署為 Web 服務的實驗。
您需要在這個特定實驗中採取一個額外的步驟。 您已新增兩 個執行 R 文稿 模組，以提供數據的加權函式。 這隻是訓練和測試所需的技巧，因此您可以在最終模型中取出這些模組。 機器學習 Studio （傳統版） 已移除一個拿掉分割模組時，請執行 R 文稿模組。 現在您可以移除另一個 ，並將元數據編輯器直接連線到評分模型。
我們的實驗現在看起來應該像這樣：
注意
您可能想知道為何將 UCI 德國信用卡數據數據集留在預測實驗中。 服務會為用戶的數據評分，而不是原始數據集，那麼為什麼將原始數據集保留在模型中？
服務確實不需要原始信用卡數據。 但它確實需要該數據的架構，其中包含的資訊，例如有多少個數據行，以及哪些數據行是數值。 需要此架構資訊，才能解譯用戶的數據。 您會讓這些元件保持連線，讓評分模組在執行服務時具有數據集架構。 數據不會使用，只是架構。
請務必注意的是，如果您的原始數據集包含標籤，則來自 Web 輸入的預期架構也會預期具有標籤的資料行！ 解決方法是移除標籤，以及定型數據集中的任何其他數據，但在將 Web 輸入和定型數據集連線到通用模組之前，不會位於 Web 輸入中。
上次執行實驗一次 （按兩下[執行]。如果您想要確認模型仍在運作，請按兩下評分模型模組的輸出，然後選取 [檢視結果]。 您可以看到原始數據已顯示，以及信用風險值（「評分標籤」）和評分機率值（「評分機率」。
部署 Web 服務
您可以將實驗部署為傳統 Web 服務，或部署為以 Azure Resource Manager 為基礎的新 Web 服務。
部署為傳統 Web 服務
若要部署衍生自實驗的傳統 Web 服務，請按下 畫布下方的 [部署 Web 服務 ]，然後選取 [部署 Web 服務 [傳統] 。 機器學習 Studio （傳統版） 會將實驗部署為 Web 服務，並帶您前往該 Web 服務的儀錶板。 您可以從此頁面返回實驗（檢視快照 集或 檢視最新版），並執行 Web 服務的簡單測試（請參閱 下面的測試 Web 服務 ）。 這裡也提供建立應用程式的信息，這些應用程式可以存取 Web 服務（在本教學課程的下一個步驟中深入瞭解）。
您可以按下 [組態] 索引標籤來設定服務。您可以在這裡修改服務名稱（預設會提供實驗名稱），並提供描述。 您也可以為輸入和輸出資料提供更易記的標籤。
部署為新的 Web 服務
注意
若要部署新的 Web 服務，您必須在部署 Web 服務的訂用帳戶中有足夠的許可權。 如需詳細資訊，請參閱使用 機器學習 Web 服務入口網站管理 Web 服務。
若要部署衍生自實驗的新 Web 服務：
點選 取 [部署 Web 服務 ]，然後選取 [部署 Web 服務 [新增] 。 機器學習 Studio （傳統版） 會將您傳輸到 機器學習 Web 服務 [部署實驗] 頁面。
輸入 Web 服務的名稱。
針對 價格方案，您可以選取現有的定價方案，或選取 [新建]，併為新方案指定名稱，然後選取每月方案選項。 方案層預設為預設區域的方案，而您的 Web 服務會部署到該區域。
按一下 [部署]。
幾分鐘后， Web 服務的 [快速入門 ] 頁面隨即開啟。
您可以按下 [設定] 索引標籤來設定服務。您可以在這裡修改服務標題，併為其提供描述。
若要測試 Web 服務，請按兩下 [ 測試 ] 索引標籤（請參閱 下方測試Web服務 ）。 如需建立可存取 Web 服務之應用程式的資訊，請按兩下 [ 取 用] 索引標籤（本教學課程中的下一個步驟將詳細說明）。
提示
部署 Web 服務之後，您可以更新它。 例如，如果您想要變更模型，則可以編輯定型實驗、調整模型參數，然後按兩下 [部署Web服務]、選取 [部署Web服務[傳統] 或 [部署Web服務][新增]。 當您再次部署實驗時，它會取代 Web 服務，現在會使用更新的模型。
測試 Web 服務
存取 Web 服務時，使用者的數據會透過 Web 服務輸入 模組輸入，而該模組會傳遞至 評分模型 模組並評分。 設定預測實驗的方式，模型預期數據的格式與原始信用風險數據集相同。 結果會透過 Web 服務輸出 模組從 Web 服務傳回給使用者。
提示
您已設定預測實驗的方式，會傳回來自評分模型模組的整個結果。 這包括所有輸入數據加上信用風險值和評分機率。 但是，如果您想要的話，您可以傳回不同的東西，例如，您可以只傳回信用風險值。 若要這樣做，請在評分模型與 Web 服務輸出之間插入選取數據行模組，以排除您不希望 Web 服務傳回的數據行。
您可以在 機器學習 Studio（傳統版）或 Azure 機器學習 Web 服務入口網站中測試傳統 Web 服務。 您只能在 機器學習 Web 服務入口網站中測試新的 Web 服務。
提示
在 機器學習 Web 服務入口網站中測試時，您可以讓入口網站建立可用來測試 Request-Response 服務的範例數據。 在 [設定] 頁面上，針對 [已啟用範例數據？] 選取 [是]。 當您在 [測試] 頁面上開啟 [要求-回應] 索引卷標時，入口網站會填入從原始信用風險數據集擷取的範例數據。
測試傳統 Web 服務
您可以在 機器學習 Studio（傳統版）或 機器學習 Web 服務入口網站中測試傳統 Web 服務。
在 機器學習 Studio 中測試 （傳統）
在 Web 服務的 [儀錶板] 頁面上，按兩下 [預設端點] 底下的 [測試] 按鈕。 對話框隨即出現，並要求您提供服務的輸入數據。 這些是出現在原始信用風險數據集中的相同數據行。
輸入一組數據，然後按兩下 [ 確定]。
在 機器學習 Web 服務入口網站中測試
在 Web 服務的 [儀錶板] 頁面上，按兩下 [預設端點] 底下的 [測試預覽] 連結。 web 服務端點的 機器學習 Web 服務入口網站中的測試頁面隨即開啟，並要求您提供服務的輸入數據。 這些是出現在原始信用風險數據集中的相同數據行。
按兩下 [ 測試要求-回應]。
測試新的 Web 服務
您只能在 機器學習 Web 服務入口網站中測試新的 Web 服務。
在 機器學習 Web 服務入口網站中，按下頁面頂端的 [測試]。 [ 測試 ] 頁面隨即開啟，您可以輸入服務的數據。 顯示的輸入欄位會對應至原始信用風險數據集中顯示的數據行。
輸入一組數據，然後按兩下 [ 測試要求-回應]。
測試結果會顯示在輸出數據行頁面右側。
管理 Web 服務
一旦您部署 Web 服務，無論是傳統或新服務，都可以從 機器學習 Web 服務入口網站加以管理。
若要監視 Web 服務的效能：
- 登入 機器學習 Web 服務入口網站
- 按兩下 [Web 服務]
- 按兩下您的 Web 服務
- 按兩下儀錶板
存取 Web 服務
在本教學課程的上一個步驟中，您已部署使用信用風險預測模型的Web服務。 現在用戶能夠將數據傳送至該數據並接收結果。
Web 服務是一種 Azure Web 服務，可以使用下列兩種方式之一來接收和傳回數據：
- 要求/回應 - 使用者使用 HTTP 通訊協定將一或多個信用額度數據列傳送至服務，而服務會以一或多個結果集回應。
- 批次執行 - 使用者會將一或多個信用額度數據列儲存在 Azure Blob 中，然後將 Blob 位置傳送至服務。 服務會將輸入 Blob 中的所有數據列評分、將結果儲存在另一個 Blob 中，並傳回該容器的 URL。
注意
Studio 中的功能數據行名稱區分 大小寫。 請確定叫用 Web 服務的輸入資料與定型數據集中的數據行名稱相同。
如需存取和使用 Web 服務的詳細資訊，請參閱使用 Web 應用程式範本取用 機器學習 Web 服務。
清除資源
如果您不再需要使用本文建立的資源，請將其刪除，以避免產生任何費用。 瞭解如何在文章中匯出 和刪除產品內用戶數據。
下一步
在本教學課程中，您已完成下列步驟：
- 準備開始部署
- 部署 Web 服務
- 測試 Web 服務
- 管理 Web 服務
- 存取 Web 服務
您也可以開發自定義應用程式，以使用 R、C# 和 Python 程式設計語言所提供的入門程式代碼來存取 Web 服務。