Я собирался написать пошаговое руководство по обучению модели с помощью автоматизированного машинного обучения в студии машинного обучения Azure, но потом понял, что руководство о том, как это сделать, уже есть здесь. В любом случае, на случай, если вы жили под скалой или просто не знали об этом, я хотел рассказать об удивительности автоматизированного машинного обучения в студии машинного обучения Azure.
Я участвовал в проекте, в котором нам нужно было предсказать, получит ли клиент личный кредит в банке. Данные были в простом табличном формате, и мы обучили модель классификации с помощью Automated ML в студии Azure ML.
Ниже приведен скриншот примера используемых данных.
Вот что означает каждый столбец:
- Возраст
Возраст клиента - Опыт
Количество лет профессионального опыта - Доход
Годовой доход клиента (тыс. долл. США) - Почтовый индекс
Домашний адрес Почтовый индекс - Семья
Размер семьи - CCAvg
Средн. расходы на кредитные карты в месяц ($000) - Образование
Уровень образования — 1 (бакалавриат), 2 (выпускник), 3 (продвинутый/профессиональный) - Ипотечный кредит
Стоимость ипотечного кредита, если таковой имеется (000 долларов США) - ››› Личный кредит ‹‹‹
Принял ли клиент личный кредит?
Мы собираемся создать модель, которая поможет нам прогнозировать это значение. - Счет ценных бумаг
Есть ли у клиента счет ценных бумаг в банке? - Счет CD
Есть ли у клиента депозитный сертификат (CD) в банке? - Онлайн
Пользуется ли клиент услугами интернет-банкинга? - Кредитная карта
Пользуется ли клиент кредитной картой, выпущенной банком?
Как только мы обучили нашу модель, мы развернули ее как веб-сервис, и на этом все.
Вот скриншот доступа к веб-сервису с помощью Postman. Параметры передаются в теле в формате JSON, а результатом является значение столбца Личный кредит. (1 = да и 0 = нет)
Прелесть всего этого в том, что нам не нужно было писать код, чтобы это заработало. Надеюсь, это поможет кому-то там.
Спасибо, что прочитали эту статью :)
