Klassifizierungsmodule
Wichtig
Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.
Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.
- Siehe Migrieren zu Azure Machine Learning
- Weitere Informationen zu Azure Machine Learning.
Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.
In diesem Artikel werden die Module in Machine Learning Studio (klassisch) beschrieben, die die Erstellung von Klassifizierungsmodellen unterstützen. Sie können diese Module verwenden, um binäre oder Multiklassenklassifizierungsmodelle zu erstellen.
Hinweis
Gilt nur für: Machine Learning Studio (klassisch)
Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.
Informationen zur Klassifizierung
Klassifizierung ist eine Machine Learning-Methode, die Daten verwendet, um die Kategorie, den Typ oder die Klasse eines Elements oder einer Datenzeile zu bestimmen. Beispielsweise können Sie mit der Klassifizierung:
- Klassifizieren Sie E-Mail-Filter als Spam, Junk oder gut.
- Bestimmen, ob die Gewebeprobe eines Patienten Krebszellen enthält.
- Kunden nach ihrer Neigung kategorisieren, auf eine Werbekampagne zu reagieren.
- Einen Standpunkt als positiv oder negativ identifizieren.
Klassifizierungsaufgaben werden häufig danach organisiert, ob eine Klassifizierung binär (A oder B) oder mehrklassig ist (mehrere Kategorien, die mit einem einzelnen Modell vorhergesagt werden können).
Erstellen eines Klassifizierungsmodells
Um ein Klassifizierungsmodell oder einen Klassifizierer zu erstellen, wählen Sie zunächst einen geeigneten Algorithmus aus. Beachten Sie folgende Faktoren:
- Wie viele Klassen oder verschiedene Ergebnisse möchten Sie vorhersagen?
- Wie verteilen sich die Daten?
- Wie viel Zeit können Sie für das Training zulassen?
Machine Learning Studio (klassisch) bietet mehrere Klassifizierungsalgorithmen. Wenn Sie den One-Vs-All-Algorithmus verwenden, können Sie sogar einen binären Klassifizierer auf ein Multiklassenproblem anwenden.
Nachdem Sie einen Algorithmus ausgewählt und die Parameter mithilfe der Module in diesem Abschnitt festgelegt haben, trainieren Sie das Modell mit bezeichneten Daten. Die Klassifizierung ist eine überwachte Machine Learning-Methode. Hierfür sind immer bezeichnete Trainingsdaten erforderlich.
Nach Abschluss des Trainings können Sie das Modell auswerten und optimieren. Wenn Sie mit dem Modell zufrieden sind, verwenden Sie das trainierte Modell für die Bewertung mit neuen Daten.
Liste der Module
Die Kategorie Klassifizierung umfasst die folgenden Module:
- Entscheidungswald mit mehreren Klassen: Erstellt ein Multiklassenklassifizierungsmodell mithilfe des Entscheidungswaldalgorithmus.
- Entscheidungsfindung mit mehreren Klassen: Erstellt ein Multiklassenklassifizierungsmodell mithilfe des Entscheidungsalgorithmus.
- Logistische Regression mit mehreren Klassen: Erstellt ein logistisches Regressionsklassifizierungsmodell mit mehreren Klassen.
- Neuronales Netzwerk mit mehreren Klassen: Erstellt ein Multiklassenklassifizierungsmodell mithilfe eines neuronalen Netzwerkalgorithmus.
- One-vs-All-Multiklasse: Erstellt ein Multiklassenklassifizierungsmodell aus einem Ensemble binärer Klassifizierungsmodelle.
- Averaged Perceptron mit zwei Klassen: Erstellt ein gemittelte binäres Perzepronklassifizierungsmodell.
- Zweiklassige Bayes Point Machine: Erstellt ein binäres Bayes-Punktcomputerklassifizierungsmodell.
- Two-Class Boosted Decision Tree: Erstellt einen binären Klassifizierer mithilfe eines Boosted Decision Tree-Algorithmus.
- Entscheidungswald mit zwei Klassen: Erstellt ein Klassifizierungsmodell mit zwei Klassen mithilfe des Decision Forest-Algorithmus.
- Zweiklassige Entscheidungsfindung: Erstellt ein Klassifizierungsmodell mit zwei Klassen unter Verwendung des Entscheidungsalgorithmus.
- Two-Class Locally Deep Support Vector Machine: Erstellt ein binäres Klassifizierungsmodell mit dem lokal tiefen Support Vector Machine-Algorithmus.
- Logistische Regression mit zwei Klassen: Erstellt ein logistisches Regressionsmodell mit zwei Klassen.
- Neuronales Netzwerk mit zwei Klassen: Erstellt einen binären Klassifizierer mithilfe eines neuronalen Netzwerkalgorithmus.
- Two-Class Support Vector Machine: Erstellt ein binäres Klassifizierungsmodell mit dem Support Vector Machine-Algorithmus.
Beispiele
Beispiele für die Klassifizierung in Aktion finden Sie im Azure KI-Katalog.
Hilfe bei der Auswahl eines Algorithmus finden Sie in den folgenden Artikeln:
Cheat Sheet für Machine Learning-Algorithmen für Machine Learning
Stellt ein grafisches Entscheidungsdiagramm bereit, das Sie durch den Auswahlprozess führt.
Auswählen Machine Learning Algorithmen für Clustering, Klassifizierung oder Regression
Erläutert ausführlicher die verschiedenen Typen von Machine Learning-Algorithmen und deren Verwendung.