使用 Azure AI 完成自动化机器学习
原文中文，约3200字，阅读约需8分钟。
📝
内容提要
Azure AI 提供强大定制功能，用户可通过 Azure Machine Learning 微调和部署模型。创建工作区后，可选择本地或云环境进行训练。自动化 ML 支持分类和时间序列预测，用户可导入数据集并选择训练属性。系统自动选择最佳模型并提供评估，尽管趋势预测表现良好，但准确性有待提高。
🔎
延伸解读
定制化训练的重要性
Azure AI 的定制化功能使用户能够根据具体业务需求微调模型。这种灵活性对于不同领域的应用至关重要，尤其是在数据敏感性高或需要特定算法的情况下。用户应充分利用这一点，以确保模型能够更好地适应实际场景。
模型评估的关键指标
在模型评估中，混淆矩阵提供了关于模型准确性的直观信息。尽管模型在预测不参加活动的客户时表现良好，但对参加活动客户的误判率接近 50%，这提示用户在实际应用中需谨慎，可能需要进一步优化模型以提高准确性。
选择训练环境的考量
用户在创建工作区时，可以选择本地或云环境进行训练。对于数据量较小或敏感性高的项目，本地环境可能更合适；而处理大数据集时，云环境则提供更强的计算能力和便利性。选择合适的环境将直接影响训练效率和结果。
❓
Q&A
Azure AI 的自动化机器学习支持哪些类型的预测任务？
Azure AI 的自动化机器学习支持分类和时间序列预测任务。
如何在 Azure Machine Learning 中创建工作区？
用户可以通过 Azure Machine Learning 平台新建工作区，并为其命名，系统会生成新的工作区供使用。
在自动化 ML 中，如何导入数据集？
用户可以点击新建导入数据集，命名数据源后选择数据来源进行上传。
模型评估的结果显示了什么？
模型在预测不参加活动的客户上较为准确，但对参加活动的客户误判率接近 50%。
使用 Azure AI 进行时间序列预测的目标是什么？
时间序列预测的目标是通过历史数据预测未来的趋势。
Azure AI 提供哪些机器学习环境？
Azure 提供完整的机器学习环境，预装了许多流行的库和框架，如 Scikit-learn、TensorFlow、PyTorch 等。
🏷️
