Stručná nápověda k algoritmům strojového učení pro návrháře služby Azure Machine Learning
Stručná nápověda k algoritmům služby Azure Machine Learning vám pomůže vybrat správný algoritmus z návrháře prediktivního analytického modelu.
Poznámka:
Návrhář podporuje dva typy komponent, klasické předem připravené komponenty (v1) a vlastní komponenty (v2). Tyto dva typy součástí nejsou kompatibilní.
Klasické předem připravené komponenty poskytují předem připravené komponenty pro zpracování dat a tradiční úlohy strojového učení, jako je regrese a klasifikace. Tento typ komponenty se podporuje i nadále, ale nebudou se přidávat žádné nové komponenty.
Vlastní komponenty umožňují zabalit vlastní kód jako součást. Podporuje sdílení komponent mezi pracovními prostory a bezproblémové vytváření v rozhraních Studio, CLI v2 a SDK v2.
Pro nové projekty důrazně doporučujeme používat vlastní komponentu, která je kompatibilní s AzureML V2 a bude nadále přijímat nové aktualizace.
Tento článek se týká klasických předem připravených komponent, které nejsou kompatibilní s rozhraním příkazového řádku v2 a sadou SDK verze 2.
Azure Machine Learning má velkou knihovnu algoritmů z klasifikace, doporučených systémů, clusteringu, detekce anomálií, regrese a rodin analýzy textu. Každá z nich je navržená tak, aby řešila jiný typ problému strojového učení.
Další informace naleznete v tématu Jak vybrat algoritmy.
Ke stažení: Tahák algoritmů strojového učení
Stáhněte si tahák zde: Tahák algoritmů strojového učení (11x17 in.)
Stáhněte si a vytiskněte tahák algoritmů strojového učení s velikostí tabloidu, abyste ho udrželi po ruce a získali pomoc s výběrem algoritmu.
Používání taháku algoritmů strojového učení
Návrhy nabízené v tomto taháku algoritmu jsou přibližná pravidla palce. Některé můžou být ohýbnuté a některé mohou být příznakem porušeny. Tento tahák má navrhnout výchozí bod. Nebojte se spustit hlavní soutěž mezi několika algoritmy na vašich datech. Vysvětlení principů jednotlivých algoritmů a systému, který vygeneroval vaše data, se prostě nenahrazuje.
Každý algoritmus strojového učení má svůj vlastní styl nebo induktivní předsudky. U konkrétního problému může být vhodné několik algoritmů a jeden algoritmus může být vhodnější než jiný. Ale není vždy možné předem vědět, což je nejlepší fit. V takových případech je v taháku uvedeno několik algoritmů. Vhodná strategie by byla vyzkoušet jeden algoritmus, a pokud výsledky ještě nejsou uspokojivé, zkuste ostatní.
Další informace o algoritmech v návrháři služby Azure Machine Learning najdete v referenčních informacích k algoritmům a komponentám.
Druhy strojového učení
Existují tři hlavní kategorie strojového učení: učení pod dohledem, učení bez supervize a výztužné učení.
Učení pod dohledem
Při učení pod dohledem je každý datový bod označený nebo přidružený k kategorii nebo hodnotě zájmu. Příkladem kategorického popisku je přiřazení obrázku jako "kočka" nebo "pes". Příkladem popisku hodnoty je prodejní cena spojená s použitým vozidlem. Cílem učení pod dohledem je studovat mnoho příkladů, jako jsou tyto, a pak mít možnost vytvářet předpovědi o budoucích datových bodech. Například identifikace nových fotografií se správným zvířetem nebo přiřazení přesných prodejních cen jiným používaným autům. Jedná se o oblíbený a užitečný typ strojového učení.
Učení bez dohledu
V učení bez supervize nemají datové body žádné popisky. Cílem algoritmu učení bez supervize je místo toho uspořádat data nějakým způsobem nebo popsat jejich strukturu. Učení bez supervize seskupuje data do clusterů, jak to dělá K-means, nebo najde různé způsoby, jak se podívat na složitá data, aby byla jednodušší.
Zpětnovazební učení
Při učení o ztěžování se algoritmus rozhodne akci v reakci na každý datový bod. Jedná se o běžný přístup v robotice, kdy sada hodnot snímačů v jednom okamžiku představuje datový bod a algoritmus musí zvolit další akci robota. Je také přirozeným nástrojem pro aplikace Internetu věcí. Algoritmus učení také obdrží signál o odměně krátce později, což značí, jak dobré bylo rozhodnutí. Na základě tohoto signálu algoritmus upraví svou strategii, aby dosáhl nejvyšší odměny.
Další kroky
Další informace o výběru algoritmů
Seznamte se se sadou Studio ve službě Azure Machine Learning a na webu Azure Portal.
Kurz: Vytvoření prediktivního modelu v návrháři služby Azure Machine Learning