在前兩篇，我們將影片評論的資料做了資料處理，也根據自然語言分析的幾個基本概念做了資料過濾及詞彙Entity的抽取及計算相關機率。在今天的實作，我們將繼續帶大家進到，使用Azure Machine Learning Studio建置機器學習模型及模型評價的部分。

[24]Machine Learning Studio自然語言分析（1）：資料處理及分類篇

[25]Machine Learning Studio自然語言分析（2）：自然語言分析資料過濾篇及NLP簡單概論

實作：機器學習模型（Logistic迴歸）、 模型評價及佈署

1. 新建一個Two-Class Logistic Regression的元件

2. 接下來我們新增一個Train Model，依照你定義的機器學習演算法去訓練你的Model

選擇sentiment欄位

3. 第三步因為比較單純，我們做快一點，加上Score Model（計算邏輯式迴歸分析的預測值）及Evaluate Model（會產出一個矩陣用來計算正確性，讓我們可以評價Model的有效性）

• 對於classification model(分類)：會輸出分類的結果及可能的機率
• 對於regression model(迴歸)：會輸出一個預測的數值

4. 接下來我們要準備驗證模型的Test資料處理，我們資料來源是Split Data的另外30%(測試資料)。在擷取特徵時，我們使用Read Only的方式，針對詞彙加權而不重新建立詞彙。

5. 接下來我們再度要加入Select Columns in Dataset元件（Data Transformation > Select Columns in Dataset），建立完成後與Extract N-Grams串起來，並選擇Launch Column Selector

選擇Exclude (Review/Preprocessed Review/NumUniqueNGrams/NGramString)

6. 串上Score Model，執行後就大功告成啦！！！（灑花～～～花了三篇才完成啊！大家辛苦了）

7. 完成後我們要視覺化一下產出的Model評價

8. 看起來是還可以的，還算接近好的模型

我們產出的模型

模型好壞的參考對照圖

9. 確認模型可行後，我們要將自己的輸入資料使用機器學習進行判定，該文章會是正向的文章或是負向的文章，我們在上方加一個Web Service Input的元件，下方加一個Web Service Output的元件

10. 點選Run，把整個流程都跑過一遍

11. 點選最下方的，SET UP WEB SERVICE，輸出Predictive Web Service

12. 會為我們轉換成預測服務的架構

13. 跑成功之後準備來佈署成Web Service

選擇Service名稱及Plan

點選測試Service

14. 測試輸入負面的評價(This movie makes me sleepy...這電影讓我想睡)，測試確實得到負面的預測結果

15. 測試輸入正面的評價(This is inspiring!!!這電影很有啟發性)，測試確實得到正面的預測結果

大家辛苦了！！！在漫長的三篇文章，大家一起從0搭建了一個自然語言分析引擎！
恭喜大家～～
下面補一張總體架構圖提供大家參考

總體架構圖

在實做的過程中，是不是覺得自己動手做Machine Learning實際上不是一件難事呢？
在Microsoft Azure Machine Learning Studio簡單操作的介面，我們輕輕鬆鬆也能做到機器學習及自然語言分析喔！好了～那我也要來去準備我的Natural Language Processing期末考了>"<(泣逃

參考：

1. https://www.youtube.com/watch?v=OkNUKYLxpZU
2. https://web-kaizen.co.jp/2018/06/22/azure-machine-learning-two-class-logistic-regression/
3. https://en.wikipedia.org/wiki/Logistic_regression
4. https://docs.microsoft.com/zh-tw/azure/machine-learning/studio/text-analytics-module-tutorial