机器学习模拟平台Azure

Azure 机器学习实验

一、项目背景

【项目简介】

Azure Machine Learning（简称“AML”）是微软在其公有云 Azure 上推出的基于 Web 使用的一项机器学习服务，机器学习属人

工智能的一个分支，它技术借助算法让电脑对大量流动数据集进行识别。这种方式能够通过历史数据来预测未来事件和行为，其实现

 训练和评价一个预测模型；

二、项目基本需求及目的

【项目需求】

了解机器学习从数据到建模并最终评估预测的整个流程。

【项目目的】

根据人口普查数据预测不同人员收入情况

三、项目准备工作

【项目平台】

1，PC 机，如果你的电脑内存低于 512M，希望你不要安装虚拟机及项目所需的环境。

2，注册 Azure 平台并免费使用

数目还在不断增加，UCI 数据集是一个常用的标准测试数据集。数据库不断更新，是所有学习人工智能、机器学习等都需要用到的数

据库，是看文章、写论文、测试算法的必备数据集。数据库种类涉及生活、工程、科学各个领域，记录数也是从少到多，最多达几十

万条。

我们使用其中：美国人口普查数据集（https://archive.ics.uci.edu/ml/datasets/census+income）的数据，该数据从美国 1994

年人口普查数据库抽取而来，可以用来预测居民收入是否超过 50K/year。该数据集类变量为年收入是否超过 50k，属性变量包含年龄，

工种，学历，职业，人种等重要信息，

值得一提的是，14 个属性变量中有 7 个类别型变量，数据集各属性:其中序号 0~13 是属性， 14 是类别

数据集局部图如下图所示：

注 1：

已清洗的数据仅供本课程学习使用，有一定的模拟性质。如需要更多的信息，则需要从原始数据按照相应的目的进行清洗。

现在，用 Microsoft Excel 或任何其他电子表格工具中打开 adult.data 文件，并为其添加网站中属性列表的详细信息，这些信息如

下列出。注意，其中的一部分属性值为连续的，因为它们以数值的形式表现，另一部分则为离散的。

年龄（age），连续值

工作种类（Workclass）个人（Private）, 无限责任公司（Self-emp-not-inc）, 有限责任公司（Self-emp-inc）, 联邦政府

（ Federal-gov ） , 地 方 政 府 （ Local-gov ） , 州 政 府 （ State-gov ） , 无 薪 人 员 （ Without-pay ） , 无 工 作 经 验 人 员

（Never-worked）离散值

序列号（Fnlwgt）连续值

教育情况（Education） Bachelors, Some-college, 11th, HS-grad, Prof-school, Assoc-acdm, Assoc-voc, 9th, 7th-8th,

12th, Masters, 1st-4th, 10th, Doctorate, 5th-6th, Preschool ）离散值

人房屋服务（Priv-house-serv），保卫工作（Protective-serv）， 武装部队（Armed-Forces）职业情况，离散值

亲属情况（Relationship）妻子（Wife），子女（Own-child），丈夫（Husband），外来人员（Not-in-family）、 其他亲

戚（Other-relative）、 未婚（Unmarried），离散值

种 族 肤 色 （ Race ） 白 人 （ White ） ， 亚 洲 太 平 洋 岛 民 （ Asian-Pac-Islander ） ， 阿 米 尔 - 印 度 - 爱 斯 基 摩 人

（Amer-Indian-Eskimo）、 其他（Other），黑人（Black）离散值

性别（Sex ）男性（Female）,女性（ Male），离散值

资本盈利（Capital-gain ）连续值

资本损失（Capital-loss） ，连续值

每周工作时间（Hours-per-week ），连续值

国籍（Native-country ）美国（United-States）、 柬埔寨（Cambodia）、 英国（England），波多黎各（Puerto-Rico），

尔 瓦 多 （ El-Salvador ） 、 特 立 尼 达 和 多 巴 哥 （ Trinadad&Tobago ） 、 秘 鲁 （ Peru ） ， 香 港 （ Hong ） ， 荷 兰

（Holland-Netherlands）离散值

收入 （incom） >50K, <=50K ，离散值

注意，在插入这些列的标题后，一定要以 .csv 格式保存，且保存时将文件命名为 Adult.data.csv 。

2.2.1 总结数据集

总括一下数据集的数据特征：

3，预测任务是确定用户是否一年收入超过$50,000 美元。

此人口收入的普查数据集以被微软作为一个样本数据提供出来了，在其成人普查收入的二元分类（Adult Census Income Binary

Classification）数据集中便可以找到。以下我们将手动地一步步全面地介绍整个 Azure 机器学习工作流过程，很有可能，您的用于预

测模型地真实数据集来自于其他外部资源，因此了解机器学习是怎么从开始至结束的全过程是很有必要的。