来源：AzureDeveloper AzureDeveloper

开始之前，请点击这里下载我们需要的实例数据：https://automlsamplenotebookdata.blob.core.windows.net/automl-sample-notebook-data/bankmarketing_train.csv

使用Studio进行AutoML分类模型训练使用Studio进行AutoML分类模型训练

在本章所有的训练都无需写任何的代码，这对于非程序是非常友好的，即便是程序员也能使用Studio提供的便利功能大大介绍项目的开发成本，我们在本节中即将做如下的事情：

• 创建一个Azure Machine Learning的workspace

• 运行一个Auto ML的experiment

• 查看experiment运行细节。

• 部署模型

在开始之前，你至少需要有一个Azure订阅，以及从这里下载一个预先准备好的数据文件https://automlsamplenotebookdata.blob.core.windows.net/automl-sample-notebook-data/bankmarketing_train.csv

创建Azure Machine Learning的workspace

创建Azure Machine Learning的workspace非常直观，只需要登录到Azure的portal, 然后在marketplace里搜索Machine Lerning, 然后按照提示一步一步操作就可以了。

关于如何创建一个workspace, 你可以参考文档https://docs.azure.cn/zh-cn/machine-learning/how-to-manage-workspace?tabs=python

创建完成后，进入到Azure Machine Learning的概要页面，点击Launch Studio启动Azure Machine Learning Studio工具，

启动后，studio的全貌如下图：

下面我们将使用Studio工具进行Auto ML 分类模型训练

创建数据集(DataSet)

在之前的文章中我们已经学习过了Azure ML基本的数据处理概念和工具，在Azure ML中使用Store和DataSet来表示数据处理概念和工具。在我们使用Python SDK的时候，可以使用代码来创建数据存储(store)和数据集(dataset),然后将dataset 挂载(mount)到用于训练的机器上，代码可以像使用本地文件系统一样来使用存储在Azure Storage Blob里的数据， 关于这个部分，您可以从这篇文章来复习一下。本章中我们使用Studio来可视化的创建store和dataset，并应用于Auto ML。

启动Studio之后，选择左侧的菜单数据集,如下图:

然后选择创建数据集，并选择从本地文件

在出现的第一个界面，开始创建数据集，需要注意的是Azure Auto ML仅仅支持表格形式的数据:

给数据集起一个名字，然后数据集类型选择表格, 添加描述，然后下一步:

注意：

• 数据存储和文件选择，选择默认的workspaceblobstore, 这是workspace创建时默认会创建一个storage

• 选择上传文件选择刚刚下载的文件bankmarketing_train.csv, 然后下一步：
  

请注意按照上图所示设置，特别需要注意文件格式, 分隔符, 编码, 列标题等等设置，然后下一步

开始进入了数据Schema预览和设置的部分，例如本例中我们不需要列数据day_of_week, 即可以通过开关不包含该列数据，设置后下一步：

最后一步，预览一下数据集的配置，然后点击创建，完成数据集创建。

创建计算群集

创建了数据集之后，我们需要再创建用于模型训练的数据群集。

打开studio之后，选择左侧的菜单：计算, 然后选择计算群集, 如下图:

点击新建之后图片

点击新建之后

在出现的界面之后，选择位置, 虚拟机优先级选择专用, 虚拟机类型选择CPU, 虚拟机大小可以选择Standard_DS2_v2, 然后选择下一步

输入集群名称，节点数下限选择0， 节点数上限4,然后选择下一步。

计算集群创建完成。

创建Auto ML任务
创建完数据集和计算集群之后，可以开始正式的使用studio来创建Auto ML experiment任务。

回到studio首页之后，选择左侧菜单的自动化ML, 然后选择新建自动化ML运行

在出现的界面里选择刚刚创建的数据集:

然后下一步，选择数据集之后，创建用于运行计算任务的Experiment和计算集群

这里输入experiment的名字my-1st-automl-experiment, 然后最需要注意的是：选择我们需要预测的数据列, 我们这里选择数据列y(string), 选择用于计算的群集为刚刚创建的群集，然后下一步

在本部我们需要选择算法类型，本例中我们选择分类, 然后选择查看其他配置设置, 在出现的对话框里按照对话框里进行分类的参数设置:

然后点击下一步:

至此，Azure Auto ML类型开始进行了训练，一切全部自动，在出现的界面里可以查看各种信息，如下图：

部署

等候训练完成后，进入左侧菜单试验(experiment), 找到刚刚创建的试验: my-1st-automl-experiment, 点击进入后，如下图:

选择运行的ID， 进入该运行的概要, 然后选择模型，如下图:

在上图选择查看解释,如下图：

点击部署, 根据提示即可将已经训练好的模型部署到Azure AKS或者Azure容器实例, 同时你可以将自己的自建的k8s继承进来，如下图:

至此我们已经使用Studio工具完成了一个Auto ML的分类模型训练以及部署，可以看到整个过程中，没有写一行代码，完全只需要在图形界面上配置就可以了，这个大大降低了模型开发的难度。

我们总结一下使用Studio 进行AutoML模型训练的基本步骤：

• 数据载入和处理

• 选择用于计算的计算集群

• 选择计算的模型类型，需要注意的是Azure AutoML 仅仅支持：分类，基于时序数据预测，回归

• 运行experiment

• 查看训练模型

• 部署模型