データのインポートおよびデータのエクスポートモジュールを使用する Machine Learning スタジオ (クラシック) Web サービスをデプロイする

2017-03-28

適用対象: 適用対象。 Machine Learning Studio (クラシック) は適用されません。 Azure Machine Learning

重要

Machine Learning Studio (クラシック) のサポートは、2024 年 8 月 31 日に終了します。その日付までに Azure Machine Learning に移行することをお勧めします。

2021 年 12 月 1 日以降、新しい Machine Learning Studio (クラシック) リソースは作成できません。 2024 年 8 月 31 日まで、既存の Machine Learning Studio (クラシック) リソースを引き続き使用できます。

ML Studio (クラシック) から Azure Machine Learning への機械学習プロジェクトの移動に関する情報を参照してください。
Azure Machine Learning の詳細

ML Studio (クラシック) のドキュメントは廃止予定であり、今後更新されない可能性があります。

予測実験を作成するときには通常、Web サービスの入力と出力を追加します。実験を展開するときに、コンシューマーはこれらの入力と出力を介して Web サービスとのデータの送受信を行うことができます。一部のアプリケーションでは、コンシューマーのデータはデータフィードから利用できるか、または Azure BLOB ストレージなどの外部データソースに既に存在しています。このような場合、Web サービスの入力と出力を使用してデータを読み書きする必要はありません。代わりに、バッチ実行サービス (BES) を使用して、データのインポートモジュールを使用してデータソースからデータを読み取り、データのエクスポートモジュールを使用して、スコア付けの結果を他のデータの場所に書き込むことができます。

データのインポートモジュールとエクスポートモジュールは、HTTP を使用する Web URL、Hive クエリ、Azure SQL Database 内のデータベース、Azure Table Storage、Azure Blob Storage、提供されたデータフィード、または SQL Server データベースなどのさまざまなデータの場所に対してデータの読み取りと書き込みを行うことができます。

このトピックでは "Sample 5: Train, Test, Evaluate for Binary Classification: Adult Dataset" サンプルを使用しており、このデータセットは censusdata という名前の Azure SQL テーブルに既に読み込まれていることを前提としています。

トレーニング実験を作成する

"Sample 5: Train, Test, Evaluate for Binary Classification: Adult Dataset" サンプルを開くと、これはサンプル Adult Census Income Binary Classification データセットを使用しています。キャンバスの実験は以下の図のようになります。

実験の初期構成。

Azure SQL テーブルからデータを読み取るには:

データセットモジュールを削除します。
コンポーネントの検索ボックスで、「インポート」と入力します。
結果の一覧から、 データのインポート モジュールを実験キャンバスに追加します。
データのインポート モジュールの出力を、Clean Missing Data モジュールの入力に接続します。
[プロパティ] ウィンドウで、[データソース] ドロップダウンで [Azure SQL Database] を選択します。
[ データベースサーバー名]、[ データベース名]、[ ユーザー名]、および [パスワード ] フィールドに、データベースの適切な情報を入力します。

データベースのクエリフィールドに、次のクエリを入力します。

 select [age],
    [workclass],
    [fnlwgt],
    [education],
    [education-num],
    [marital-status],
    [occupation],
    [relationship],
    [race],
    [sex],
    [capital-gain],
    [capital-loss],
    [hours-per-week],
    [native-country],
    [income]
 from dbo.censusdata;

実験キャンバスの下部にある [ 実行] をクリックします。

予測実験を作成する

次に、Web サービスの展開元の予測実験を設定します。

実験キャンバスの下部にある [ Web サービスのセットアップ ] をクリックし、[ 予測 Web サービス [推奨] を選択します。
予測実験から Web サービス入力 モジュールと Web サービス出力モジュール を削除します。
コンポーネントの検索ボックスで、「エクスポート」と入力します。
結果の一覧から、データの エクスポート モジュールを実験キャンバスに追加します。
スコアモデルモジュールの出力を、エクスポートデータモジュールの入力に接続します。
[プロパティ] ウィンドウで、データ変換先のドロップダウンで Azure SQL Database を選択します。
[ データベースサーバー名]、[ データベース名]、[ サーバーユーザーアカウント名]、[ サーバーユーザーアカウントのパスワード ] フィールドに、データベースの適切な情報を入力します。
[ 保存する列のコンマ区切りリスト ] フィールドに「Scored Labels」と入力します。
データテーブル名フィールドに「dbo.ScoredLabels」と入力します。テーブルが存在しない場合、テーブルは実験を実行したとき、または Web サービスが呼び出されたときに作成されます。
[ データテーブル列のコンマ区切りリスト ] フィールドに、「ScoredLabels」と入力します。

最終的な Web サービスを呼び出すアプリケーションを作成する場合は、実行時に別の入力クエリまたは変換先テーブルを指定します。これらの入力と出力を構成するには、Web サービスパラメーター機能を使用して、 データのインポート モジュール のデータソース プロパティと データのエクスポート モードのデータ変換先プロパティを設定します。 Web サービスパラメーターの詳細については、Cortana Intelligence と Machine Learning ブログの Machine Learning Studio (クラシック) Web サービスパラメーターエントリを参照してください。

クエリのインポートおよび変換先テーブルの Web サービスパラメーターを構成するには:

[データのインポート] モジュールのプロパティウィンドウで、[データベースクエリ] フィールドの右上にあるアイコンをクリックし、[Web サービスパラメーターとして設定] を選択します。
[ データのエクスポート ] モジュールのプロパティウィンドウで、[ データテーブル名 ] フィールドの右上にあるアイコンをクリックし、[ Web サービスパラメーターとして設定] を選択します。
[ データのエクスポート モジュールのプロパティ] ウィンドウの下部にある [ Web サービスパラメーター] セクションで、[データベースクエリ] をクリックし、クエリの名前を変更します。
[ データテーブル名 ] をクリックし、テーブルの名前を変更 します。

完了すると、実験は以下の図のようになります。

実験の最終的な外観。

Web サービスとして予測実験をデプロイできるようになります。

Web サービスをデプロイする

従来の、または新しい Web サービスにデプロイすることができます。

従来の Web サービスとしてデプロイする

従来の Web サービスとしてデプロイし、それを使用するアプリケーションを作成します。

実験キャンバスの下部で、 [実行]をクリックします。
実行が完了したら、[ Web サービスのデプロイ ] をクリックし、[ Web サービスのデプロイ ][クラシック] を選択します。
Web サービスダッシュボードで、API キーを見つけます。この API キーをコピーして、後で使用できるように保存します。
[既定のエンドポイント] テーブルで、[バッチ実行] リンクをクリックして API ヘルプページを開きます。
Visual Studio で、C# コンソールアプリケーション New>Project>Visual C#>Windows クラシックデスクトップ>Console アプリ (.NET Framework) を作成します。
API ヘルプページで、ページの下部にある [サンプルコード ] セクションを見つけます。
C# サンプルコードをコピーして Program.cs ファイルに貼り付け、BLOB ストレージへの参照をすべて削除します。
apiKey 変数の値を、前に保存した API キーで更新します。

要求宣言を見つけて、 データのインポート モジュールと データのエクスポート モジュールに渡される Web サービスパラメーターの値を更新します。この場合は、元のクエリを使用しますが、新しいテーブル名を定義します。

var request = new BatchExecutionRequest()
{
    GlobalParameters = new Dictionary<string, string>() {
        { "Query", @"select [age], [workclass], [fnlwgt], [education], [education-num], [marital-status], [occupation], [relationship], [race], [sex], [capital-gain], [capital-loss], [hours-per-week], [native-country], [income] from dbo.censusdata" },
        { "Table", "dbo.ScoredTable2" },
    }
};

アプリケーションを実行します。

実行が完了すると、新しいテーブルがスコア付けの結果を含むデータベースに追加されます。

新しい Web サービスのデプロイ

注

新しい Web サービスをデプロイするには、Web サービスのデプロイ先となるサブスクリプションで十分なアクセス許可を持っている必要があります。詳細については、 Machine Learning Web サービスポータルを使用した Web サービスの管理に関するページを参照してください。

新しい Web サービスとしてデプロイし、それを使用するアプリケーションを作成します。

実験キャンバスの下部にある [ 実行] をクリックします。
実行が完了したら、[Web サービスのデプロイ] をクリックし、[新しい Web サービスのデプロイ] を選択します。
[Deploy Experiment]\(実験のデプロイ\) ページで、Web サービスの名前を入力し、価格プランを選択し、[ デプロイ] をクリックします。
[クイックスタート] ページで、[使用] をクリックします。
[ サンプルコード ] セクションで、[ バッチ] をクリックします。
Visual Studio で、C# コンソールアプリケーション New>Project>Visual C#>Windows クラシックデスクトップ>Console アプリ (.NET Framework) を作成します。
C# サンプルコードをコピーして Program.cs ファイルに貼り付けます。
apiKey 変数の値を、基本消費情報セクションにある主キーで更新します。

scoreRequest 宣言を見つけ、データのインポート モジュールとデータのエクスポート モジュールに渡される Web サービスパラメーターの値を更新します。この場合は、元のクエリを使用しますが、新しいテーブル名を定義します。

var scoreRequest = new
{
    Inputs = new Dictionary<string, StringTable>()
    {
    },
    GlobalParameters = new Dictionary<string, string>() {
        { "Query", @"select [age], [workclass], [fnlwgt], [education], [education-num], [marital-status], [occupation], [relationship], [race], [sex], [capital-gain], [capital-loss], [hours-per-week], [native-country], [income] from dbo.censusdata" },
        { "Table", "dbo.ScoredTable3" },
    }
};

アプリケーションを実行します。