AutoML 表形式分類モデルのトレーニングが完了したら、エンドポイントを作成して、モデルをエンドポイントにデプロイします。この新しいエンドポイントにモデルをデプロイしたら、予測をリクエストしてモデルをテストします。
モデルを読み込む
モデルのトレーニングが終了すると、[モデル] タブにモデルが表示されます。
Google Cloud Console の Vertex AI セクションで、[モデル] ページに移動します。
モデルリストで、前に作成したトレーニング済みモデルの名前をクリックします。
モデルはバージョンで分かれています。[モデル バージョン番号 1] をクリックします。
モデルを評価する
[評価] パネルは、テストセットに対するモデルのパフォーマンスを把握するのに役立ちます。完了したら、チュートリアルの次のセクションに進みます。
評価指標
省略可。? アイコンの上にポインタを置くと、各評価指標の詳細が表示されます。
省略可。適合率、再現率、F1 スコアへの影響を確認するには、[信頼度のしきい値スライダー] を動かします。
混同行列
混同行列は、予測とテストセット（正解）との比較を示します。
ラベル「1」はネガティブ クラス（お客様は定期預金を申し込まなかった）であり、「2」はポジティブ クラスだったことを思い出してください。モデルは、ポジティブ クラスよりもネガティブ クラスをより適切に予測した可能性があります。場合によっては、トレーニング時間の追加や、データの追加、特徴の追加により、ポジティブ クラスの予測パフォーマンスを改善できるかもしれません。
特徴の重要度
特徴の重要度は、各特徴がモデルのトレーニングにどのように影響したかを示します。値が大きいほど、影響は大きくなります。
おそらく、モデルは、期間（銀行と顧客間の直近の通信時間（秒））が予測結果に大きく影響したことを示します。
エンドポイントにモデルをデプロイする
モデルのテストやオンライン予測を行うには、モデルをエンドポイントにデプロイする必要があります。
[デプロイとテスト] パネルを開きます。
[Deploy your model] で [エンドポイントへのデプロイ] をクリックします。
エンドポイント名として「
Structured_AutoML_Tutorial」と入力します。[続行] をクリックします。
コンピューティング ノードの最小数を
1のままにします。最大値は入力しないでください。n1-standard-2マシンタイプを選択します。[続行] をクリックします。
このエンドポイントのモデルのモニタリングをオフにします。
[デプロイ] をクリックします。エンドポイントを作成してモデルをデプロイします。
モデルのデプロイには約 5 分かかります。エンドポイントの準備が整ったら、チュートリアルの次のセクションに進みます。
予測をリクエストする
モデルがエンドポイントにデプロイされたので、予測リクエストを送信できます。API や gcloud を介してリクエストを送信するのではなく、モデルをこのページでテストできます。
[モデルのテスト] セクションでは、[値] 列があらかじめ入力されています。これらの値を使用することも、新しい値を入力することもできます。
セクションの下部にある、[予測] を押します。
このモデルでは、
1の予測は悪い結果（この銀行に預金が行われないこと）を表します。2の予測は良い結果（この銀行に預金が行われること）を表します。モデルでは、信頼スコアが返されます。これは、選択したラベルが正しいものであるというモデルの確実性の度合いです。デフォルト値では、おそらく高い信頼スコアが返されています。
省略可。[期間] をより大きな値に変更して、もう一度 [予測] を押します。
次のステップ
予期しない請求を回避するため、プロジェクトをクリーンアップするの手順を実施する。
モデル評価の詳細を確認する。
モデル予測の詳細を確認する。