df_for_prediction para fazer um pedido de previsão. O pedido de previsão invoca o seu modelo para prever que espécie de pinguim é representada pelas características do pinguim em cada linha em df_for_prediction.
Prepare os dados de teste de previsão
Antes de poder usar os dados de teste para criar previsões, remova a coluna species. Uma vez que a espécie de pinguim é o que está a prever, não pode ser incluída nos dados de teste usados para criar uma previsão. Depois de remover a coluna species, converte os dados numa lista Python, uma vez que é o que o método predict recebe como entrada. Execute o seguinte código para converter os seus dados
numa lista Python:
# Remove the species column
df_for_prediction.pop(LABEL_COLUMN)
# Convert data to a Python list
test_data_list = df_for_prediction.values.tolist()
(Opcional) Veja dados de teste
Para ajudar a compreender os dados de teste, pode executar a seguinte linha de código para os ver:
test_data_list
Em cada linha, os respetivos valores em cada uma das seis colunas referem-se às seguintes características de um pinguim:
| Coluna | Característica do pinguim |
|---|---|
| 0 | island - A ilha onde se encontra uma espécie de pinguim. O mapeamento de valores da ilha é 0 para Dream, 1 para Biscoe e 2 para Torgersen. |
| 1 | culmen_length_mm – O comprimento da crista ao longo da parte superior do bico de um pinguim. |
| 2 | culmen_depth_mm – A altura do bico de um pinguim. |
| 3 | flipper_length_mm - O comprimento da asa semelhante a uma barbatana de um pinguim. |
| 4 | body_mass_g - A massa do corpo de uma caneta. |
| 5 | sex - O sexo do pinguim. 0 é FEMALE e 1 é MALE. |
Envie o pedido de previsão
Para criar um pedido de previsão, transmita a lista Python de dados de teste que criou para o método predict de endpoint.
O método predict avalia as caraterísticas em cada linha e usa-as para prever que tipo de pinguim representam. Execute o seguinte código para criar as suas previsões. As previsões devolvidas contêm uma lista de linhas, em que cada linha tem três colunas (Adelie Penguin (Pygoscelis adeliae) (coluna 1), Chinstrap penguin (Pygoscelis antarctica) (coluna 2) ou Gentoo penguin (Pygoscelis papua) (coluna 3)).
# Get your predictions.
predictions = endpoint.predict(instances=test_data_list)
# View the predictions
predictions.predictions
Cada coluna numa linha contém um valor e, quanto mais elevado for o valor, maior é a
confiança de que a espécie do pinguim representada por essa coluna é uma
previsão correta. Por exemplo, na seguinte linha de saída de previsão de amostra, o modelo usa as caraterísticas da linha de dados de pinguins de amostra para prever que o pinguim é mais provavelmente da espécie pinguim-de-adélia (Pygoscelis adeliae). Isto deve-se ao facto de o valor mais elevado, 0.732703805, estar na primeira coluna.
[0.732703805, 0.233752429, 0.0335437432]
No código seguinte, o método argmax do NumPy devolve a coluna de cada linha que contém o valor mais elevado. O valor mais elevado corresponde à previsão
que tem maior probabilidade de estar correta. A segunda linha apresenta a matriz de previsões.
# Get the prediction for each set of input data.
species_predictions = np.argmax(predictions.predictions, axis=1)
# View the best prediction for the penguin characteristics in each row.
species_predictions
Cada resultado na matriz species_predictions prevê a espécie de pinguim à qual os valores na linha correspondente dos dados de teste correspondem. Por exemplo, o primeiro valor é 0, que é mapeado para a espécie Pinguim-de-adélia (Pygoscelis adeliae). Isto significa que o seu modelo prevê que a espécie de um pinguim com as características na primeira linha dos seus dados de teste é pinguim-de-adélia (Pygoscelis adeliae).
Limpe os recursos
Agora que terminou, pode continuar a usar o seu bloco de notas para explorar e saber mais sobre os recursos que criou e como funcionam.
Elimine os seus recursos
Quando tiver tudo pronto, recomendamos que elimine os Google Cloud recursos que criou durante este tutorial para não incorrer em custos desnecessários. Existem duas formas de eliminar os seus recursos:
Eliminar o projeto, o que também elimina todos os recursos associados ao seu projeto. Para mais informações, consulte o artigo Encerramento (eliminação) de projetos.
Execute código que elimina a tarefa de preparação (um objeto
CustomTrainingJob), o modelo (um objetoModel), o ponto final (um objetoEndpoint) e o contentor do Cloud Storage. Esta opção retém o seu projeto e quaisquer outros recursos que possa ter criado e que não elimine explicitamente com o seu código.Tem de anular a implementação do modelo antes de o poder eliminar transmitindo
force=Trueao métodoendpoint.delete.Para manter o seu projeto e eliminar apenas os recursos que criou durante este tutorial, execute o seguinte código no seu bloco de notas:
import os
# Delete the training job
job.delete()
# Delete the endpoint and undeploy the model from it
endpoint.delete(force=True)
# Delete the model
model.delete()
# Delete the storage bucket and its contents
bucket.delete(force=True)
Elimine a sua instância do Vertex AI Workbench
Pode manter a sua instância do Vertex AI Workbench para usar em trabalhos futuros. Se o mantiver, certifique-se de que tem conhecimento do respetivo custo. Para mais informações, consulte os preços do Vertex AI Workbench.
Se quiser eliminar a instância do Vertex AI Workbench, faça o seguinte:
Na Google Cloud consola, aceda à página Instâncias do Vertex AI Workbench.
Selecione a sua instância do Vertex AI Workbench.
No menu superior, clique em Eliminar.
Na caixa de diálogo de confirmação Eliminar instância, clique em Confirmar. A eliminação demora alguns minutos a ser concluída.