Klasifikace AutoML

Tento článek popisuje komponentu v návrháři služby Azure Machine Learning.

Tato komponenta slouží k vytvoření modelu strojového učení založeného na klasifikaci AutoML.

Způsob konfigurace

Tato komponenta vytvoří klasifikační model pro tabulková data.

Tento model vyžaduje trénovací datovou sadu. Ověřovací a testovací datové sady jsou volitelné.

AutoML vytvoří paralelně několik kanálů, které vyzkouší různé algoritmy a parametry pro váš model. Služba iteruje prostřednictvím algoritmů ML spárovaných s výběry funkcí, kde každá iterace vytvoří model s trénovacím skóre. Můžete zvolit metriku, pro kterou má model optimalizovat. Lepší skóre pro zvolenou metriku, tím lépe se model považuje za "fit" vaše data. Můžete definovat kritéria ukončení experimentu. Výstupní kritéria budou modelem s konkrétním trénovacím skóre, které má AutoML najít. Jakmile dosáhne definovaných kritérií ukončení, zastaví se. Tato komponenta pak vypíše nejlepší model, který se vygeneroval na konci spuštění vaší datové sady.

  1. Přidejte do kanálu komponentu Klasifikace AutoML.

  2. Zadejte cílový sloupec, který má být model výstupem.

  3. Pro klasifikaci můžete také povolit hluboké učení.

Pokud je povolené hluboké učení, ověřování je omezené na train_validation rozdělení.

  1. (Volitelné) Zobrazení nastavení konfigurace přidání: Další nastavení, která můžete použít k lepšímu řízení trénovací úlohy. V opačném případě se výchozí hodnoty použijí na základě výběru experimentu a dat.

    Další konfigurace Popis
    Primární metrika Hlavní metrika použitá pro bodování modelu Přečtěte si další informace o metrikách modelu.
    Ladění modelu prostřednictvím řídicího panelu Zodpovědné AI Vygenerujte řídicí panel zodpovědné umělé inteligence, který provede ucelené posouzení a ladění doporučeného nejlepšího modelu. To zahrnuje přehledy, jako jsou vysvětlení modelů, nestrannost a Průzkumník výkonu, Průzkumník dat a analýza chyb modelu. Přečtěte si další informace o tom, jak můžete vygenerovat řídicí panel zodpovědné umělé inteligence.
    Blokovaný algoritmus Vyberte algoritmy, které chcete vyloučit z trénovací úlohy.

    Povolení algoritmů je k dispozici pouze pro experimenty sady SDK.
    Podívejte se na podporované algoritmy pro každý typ úlohy.
    Kritérium ukončení Pokud jsou splněna některá z těchto kritérií, úloha trénování se zastaví.
    Doba trénování úlohy (hodiny):Jak dlouho se má trénovací úloha spouštět.
    Prahová hodnota skóre metriky: Minimální skóre metriky pro všechny kanály Tím zajistíte, že pokud máte definovanou cílovou metriku, kterou chcete dosáhnout, nebudete věnovat více času na trénovací úloze, než je potřeba.
    Souběžnost Maximální počet souběžných iterací: Maximální počet kanálů (iterací) pro testování v trénovací úloze. Úloha nebude spouštět více než zadaný počet iterací. Přečtěte si další informace o tom, jak automatizované strojové učení provádí více podřízených úloh v clusterech.

  2. [ Volitelné] Ověření a testovací formulář umožňuje provést následující akce.

    1. Zadejte typ ověření, který se má použít pro vaši trénovací úlohu.

    2. Zadejte testovací datovou sadu (Preview) pro vyhodnocení doporučeného modelu, který pro vás automatizované strojové učení vygeneruje na konci experimentu. Při zadání testovacích dat se na konci experimentu automaticky aktivuje testovací úloha. Tato testovací úloha je pouze úloha na nejlepším modelu, který doporučil automatizované strojové učení.

      Důležité

      Poskytnutí testovací datové sady pro vyhodnocení vygenerovaných modelů je funkce Preview. Tato funkce je experimentální funkce ve verzi Preview a může se kdykoli změnit.

      • Testovací data jsou považována za samostatnou od trénování a ověřování, aby nedošlo k předsudkům výsledků testovací úlohy doporučeného modelu. Přečtěte si další informace o předsudkech během ověřování modelu.
      • Můžete buď zadat vlastní testovací datovou sadu, nebo se rozhodnout použít procento trénovací datové sady. Testovací data musí být ve formě tabulkové datové sady Azure Machine Learning.
      • Schéma testovací datové sady by se mělo shodovat s trénovací datovou sadou. Cílový sloupec je nepovinný, ale pokud není žádný cílový sloupec označený jako žádný testovací metrika, nevypočítá se.
      • Testovací datová sada by neměla být stejná jako trénovací datová sada nebo ověřovací datová sada.

Další kroky

Podívejte se na sadu komponent dostupných pro Azure Machine Learning.

  • Poslední aktualizace v