Effectuer une prédiction

Vous êtes maintenant prêt à utiliser les données de test dans df_for_prediction pour effectuer une requête de prédiction. La requête de prédiction appelle votre modèle pour prédire quelle espèce de manchot est représentée par les caractéristiques du manchot dans chaque ligne de df_for_prediction.

Préparer les données de test de prédiction

Avant de pouvoir utiliser les données de test pour créer des prédictions, vous devez supprimer la colonne species. Comme les prédictions portent sur l'espèce de manchot, celle-ci ne peut pas être incluse dans les données de test utilisées pour créer une prédiction. Après avoir supprimé la colonne species, vous devez convertir les données en une liste Python, car c'est ce que la méthode predict utilise en entrée. Exécutez le code suivant pour convertir vos données en liste 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()

(Facultatif) Afficher les données de test

Pour vous aider à comprendre les données de test, vous pouvez exécuter la ligne de code suivante pour les afficher :

test_data_list

Sur chaque ligne, les valeurs respectives de chacune des six colonnes font référence aux caractéristiques suivantes d'un manchot :

Colonne Caractéristique du manchot
0 island : île où se trouve une certaine espèce de manchot. Le mappage de valeurs pour ces îles est 0 pour Dream, 1 pour Biscoe et 2 pour Torgersen.
1 culmen_length_mm : longueur de la crête le long de la partie supérieure du bec d'un manchot.
2 culmen_depth_mm : hauteur du bec d'un manchot.
3 flipper_length_mm : longueur de l'aile (nageoire) d'un manchot.
4 body_mass_g : masse corporelle d'un manchot.
5 sex : sexe du manchot. 0 correspond à FEMALE et 1 correspond à MALE.

Envoyer la requête de prédiction

Pour créer une requête de prédiction, transmettez la liste Python de données de test que vous avez créée à la méthode predict du point de terminaison endpoint.

La méthode predict évalue les caractéristiques de chaque ligne et les utilise pour prédire le type de manchot qu'elles représentent. Exécutez le code suivant pour créer vos prédictions. Les prédictions renvoyées contiennent une liste de lignes, chaque ligne comportant trois colonnes : Manchot Adélie (Pygoscelis adeliae) (colonne 1), Manchot à jugulaire (Pygoscelis antarctica) (colonne 2) ou Manchot papou (Pygoscelis papua) (colonne 3).

# Get your predictions.
predictions = endpoint.predict(instances=test_data_list)

# View the predictions
predictions.predictions

Chaque colonne d'une ligne contient une valeur. Plus la valeur est élevée, plus la fiabilité de la prédiction de l'espèce de manchot représentée par cette colonne est grande. Dans l'exemple de ligne de résultat de prédiction suivant, le modèle utilise les caractéristiques de la ligne de données d'échantillon de manchot pour prédire que le manchot appartient très probablement à l'espèce du manchot Adélie (Pygoscelis adeliae). Cela est dû au fait que la valeur la plus élevée, 0.732703805, se trouve dans la première colonne.

[0.732703805, 0.233752429, 0.0335437432]

Dans le code suivant, la méthode NumPy argmax renvoie la colonne pour chaque ligne contenant la valeur la plus élevée. La valeur la plus élevée correspond à la prédiction la plus probable. La deuxième ligne affiche le tableau des prédictions.

# 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

Chaque résultat du tableau species_predictions prédit à quelle espèce de manchot correspondent les valeurs de la ligne correspondante des données de test. Par exemple, la première valeur est 0, ce qui correspond à l'espèce du manchot Adélie (Pygoscelis adeliae). Cela signifie que votre modèle prédit que l'espèce d'un manchot présentant les caractéristiques de la première ligne de vos données de test est le manchot Adélie (Pygoscelis adeliae).

Effectuer un nettoyage des ressources

Maintenant que vous avez terminé, vous pouvez continuer à utiliser votre notebook pour explorer et en apprendre plus sur les ressources que vous avez créées et leur fonctionnement.

Supprimer vos ressources

Lorsque vous êtes prêt, nous vous recommandons de supprimer les ressources Google Cloud que vous avez créées lors de ce tutoriel afin d'éviter des frais inutiles. Il existe deux façons de supprimer vos ressources :

  • Supprimer votre projet, ce qui supprime également toutes les ressources associées à votre projet. Pour en savoir plus, consultez la section Arrêter (supprimer) des projets.

  • Exécuter du code qui supprime votre job d'entraînement (un objet CustomTrainingJob), votre modèle (un objet Model), votre point de terminaison (un objet Endpoint), et votre bucket Cloud Storage. Cette option conserve votre projet et toutes les autres ressources que vous avez pu créer et que vous ne supprimez pas explicitement avec votre code.

    Vous devez annuler le déploiement de votre modèle avant de pouvoir le supprimer en transmettant force=True à la méthode endpoint.delete.

    Pour conserver votre projet et ne supprimer que les ressources que vous avez créées au cours de ce tutoriel, exécutez le code suivant dans votre notebook :

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)

Supprimer votre instance Vertex AI Workbench

Vous pouvez conserver votre instance Vertex AI Workbench pour l'utiliser ultérieurement. Si vous la conservez, assurez-vous de connaître son coût. Pour en savoir plus, consultez les tarifs de Vertex AI Workbench.

Si vous souhaitez supprimer l'instance Vertex AI Workbench, procédez comme suit :

  1. Dans la console Google Cloud, accédez à la page Instances Vertex AI Workbench.

    Accéder à la page "Instances"

  2. Sélectionnez votre instance Vertex AI Workbench.

  3. Dans le menu supérieur, cliquez sur  Supprimer.

  4. Dans la boîte de dialogue de confirmation Supprimer l'instance, cliquez sur Confirmer. Le processus de suppression prend quelques minutes.