Sdílet prostřednictvím

Machine Learning – inicializace modelu

  • Článek

Důležité

Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.

Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).

Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.

tento článek popisuje moduly v aplikaci Machine Learning Studio (classic), pomocí kterých můžete definovat model strojového učení a nastavit jeho parametry.

Poznámka

platí pro: jenom Machine Learning Studio (classic)

podobné moduly přetažení jsou k dispozici v návrháři Azure Machine Learning.

Nevýukový model si můžete představit jako specifikaci, kterou můžete použít pro různé vstupní datové sady. Můžete použít stejnou specifikaci modelu pro různá data a získat různé výsledky. Nebo můžete použít specifikaci k přeučení modelu. Pak můžete přidat nová data.

tento článek také popisuje celkový proces vytváření, školení, hodnocení a vyhodnocování modelu v Machine Learning studiu (classic).

vytváření a používání modelů strojového učení v Machine Learning studiu (classic)

Typický pracovní postup pro Machine Learning zahrnuje tyto fáze:

  • Vyberte vhodný algoritmus a nastavte počáteční možnosti.
  • Pomocí kompatibilních dat prohlaste model.
  • Vytvořte předpovědi pomocí nových dat podle vzorů v modelu.
  • Vyhodnoťte model, abyste zjistili, zda jsou předpovědi přesné, množství chyb a zda dochází k překonání.

Machine Learning Studio (classic) podporuje flexibilní, přizpůsobitelnou architekturu pro strojové učení. Každý úkol v tomto procesu provádí určitý typ modulu. Moduly je možné upravovat, přidávat nebo odebírat bez porušení zbytku experimentu.

Pomocí modulů v této kategorii můžete vybrat počáteční algoritmus. Pak proveďte konfiguraci podrobných parametrů na základě konkrétního typu modelu. Tuto specifikaci modelu pak můžete použít pro sadu dat.

O vytváření modelů

Machine Learning poskytuje mnoho špičkových algoritmů strojového učení, které vám pomůžou vytvářet analytické modely. Každý algoritmus je zabalený ve vlastním modulu. Vytvoření přizpůsobeného modelu:

  1. Vyberte model podle kategorie.

    Algoritmy jsou seskupené podle konkrétních typů prediktivních úkolů. Mezi příklady patří regrese, klasifikace a rozpoznávání obrázků. Prvním úkolem je určit obecnou kategorii úlohy machine learningu, která se má provést, a potom vybrat algoritmus.

  2. Nakonfigurujte parametry algoritmu.

    K nastavení parametrů použijte v každém modulu podokno vlastností . Parametry řídí způsob, jakým se model učí od dat.

  3. Vyškolte model pro data.

    Po nakonfigurování modelu připojte datovou sadu. Pak pomocí jednoho ze školicích modulů spusťte data prostřednictvím algoritmů, které chcete použít.

    Pomocí parametrů ladění modelu můžete iterovat všechny možné parametry a určit optimální konfiguraci pro úlohu a data.

  4. Předpověď, skóre nebo vyhodnocení.

    Po sestavení a vytvoření výukového modelu obvykle je dalším krokem použití jednoho z modulů pro vyhodnocování k vygenerování předpovědi založených na modelu.

    Pomocí modulů pro vyhodnocení modelu můžete měřit přesnost modelu na základě skóre, které vygenerujete.

Seznam modulů

Moduly v této kategorii jsou uspořádány podle typu algoritmu strojového učení, který jsou moduly zapouzdřeny. Každý typ algoritmu obvykle vyžaduje jiný typ dat.

Kromě tradičních kategorií algoritmů strojového učení, které jsou zde popsané, poskytují následující moduly specializované typy učení z dat nebo předběžného zpracování:

Viz také