佈署

一般會在實驗過程中，反覆調整各個步驟的參數，找出效能最好的模型，一旦模型評估確定後，我們就可以準備將模型上線了，ML Studio 提供 Web Services 的簡易介面，讓使用者在網頁上輸入資料，並查看結果，畫面有點陽春，因為，它只是提供一個測試介面，最終還是希望大家自己撰寫頁面，呼叫上述的 Web Services。

產生 Web Services 的步驟如下：

1. 先執行 『Run』，佈署前要確定整個實驗已執行過無誤，如下圖。
   

2. 再點選『Set Up Web Service』--> 『Predictive Web Service』，如下圖。它會產生另一個頁籤，為『Predictive experiment』，點選『Save』，ML Studio 會將它另存成一個實驗。
   

3. 自動產生出來的流程，會增加一個『Web Service Input』、『Web Service Output』及『Apply Transformation』，並且把不需要的步驟移除，例如，『Evaluate Model』、『Data Clean』，因為，我們只是要根據模型作預測而已，並沒有要再訓練。自動產生出來的流程，如下圖。
   

4. 接著先執行 『Run』，成功後再點選『Deploy Web Service』，執行完成後，系統會跳至另一畫面，我們就可以輸入資料預測了。系統提供兩種輸入方式：

   1. 單筆輸入(Request-Response)：如下圖，點選『Test preview』，即可輸入資料，它有一個『enable』按鈕，可自動產生測試資料，免輸入，相較於『Test』按鈕，方便很多。
      

2. 批次檔輸入(Batch)：如下圖，點選『Test preview』，即可上傳資料檔，執行時間有點久，要等一下。注意，它會將結果寫入 Azure Storage，你必須同時開通 Azure 帳號(與Azure ML Studio不同)，才能使用這個功能，有點OOXX。
   

3. 批次檔輸出結果：如下圖，需點選『Batch Request Log』頁籤，再點選『output1』，下載後打開檔案就可以看到結果了。
   

調整

測試時你會發現，即使你只選擇部分特徵，測試時，『Web Service』還是要你輸入所有的欄位，這不合理，所以，應該把『Web Service Input』改連到『Score Model』，因為它會參考右邊『Select Columns In Dataset』的輸出格式，再重新執行及佈署，就搞定了。

圖. 調整流程，將『Web Service Input』改連到『Score Model』。

圖. 調整後的輸入畫面，只有必要的輸入欄位。

結語

這次操作較繁複，截圖的很累，其實，還有一塊很重要的東東還沒談，如何在程式中呼叫『Web Service』，沒氣了，下次再談吧 !!