Trainieren eines Anomalieerkennungsmodells
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.
Trainiert ein Anomalieerkennungsmodell für einen Trainingssatz
Kategorie: Machine Learning/Trainieren
Hinweis
Gilt für: Machine Learning Studio (klassisch)
Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.
Modulübersicht
In diesem Artikel wird beschrieben, wie Sie das Modul Train Anomaly Detection Model in Machine Learning verwenden, um ein trainiertes Anomalieerkennungsmodell zu erstellen.
Das Modul verwendet als Eingabe einen Satz von Modellparametern für das Anomalieerkennungsmodell, z. B. das vom Modul One-Class Support Vector Machine erzeugte Modell und ein dataset ohne Beschriftung. Es gibt ein trainiertes Anomalieerkennungsmodell sowie einen Satz von Bezeichnungen für die Trainingsdaten zurück.
Weitere Informationen zu den Algorithmen zur Anomalieerkennung, die in Machine Learning bereitgestellt werden, finden Sie in den folgenden Themen:
Konfigurieren des Moduls zum Trainieren eines Anomalieerkennungsmodells
Fügen Sie ihrem Experiment in Studio (klassisch) das Modul Train Anomaly Detection Model hinzu. Sie finden das Modul unter Machine Learning in der Kategorie Trainieren.
Verbinden eines der Module für die Anomalieerkennung, z. B. PCA-basierte Anomalieerkennung oder One-Class Support Vector Machine.
Andere Modelltypen werden nicht unterstützt. Beim Ausführen des Experiments erhalten Sie den Folgenden: Alle Modelle müssen denselben Learnertyp haben.
Konfigurieren Sie das Modul zur Anomalieerkennung, indem Sie die Bezeichnungsspalte auswählen und andere, für den Algorithmus spezifische Parameter festlegen.
Fügen Sie ein Trainings-Dataset an die rechte Eingabe von Train Anomaly Detection Model (Trainieren des Anomalieerkennungsmodells) an.
Führen Sie das Experiment aus.
Ergebnisse
Nach Abschluss des Trainings:
Um die Modellparameter anzuzeigen, klicken Sie mit der rechten Maustaste auf das Modul, und wählen Sie Visualisieren aus.
Verwenden Sie score model mit neuen Eingabedaten, um Vorhersagen zu erstellen.
Um eine Momentaufnahme des trainierten Modells zu speichern, klicken Sie mit der rechten Maustaste auf die Ausgabe trainiertes Modell, und wählen Sie Speichern unter aus.
Beispiele
Ein Beispiel dafür, wie die Anomalieerkennung in der Machine Learning implementiert wird, finden Sie im Azure KI-Katalog:
Online-Betrugserkennung: Enthält eine ausführliche exemplarische Vorgehensweise für ein Anomalieerkennungsszenario, einschließlich der Entwicklung von Features und der Interpretation der Ergebnisse eines Algorithmus.
Anomalieerkennung: Kreditrisiko: Veranschaulicht die Verwendung der Module One-Class Support Vector Machine und PCA-based Anomaly Detection (PCA-basierte Anomalieerkennung) für die Betrugserkennung.
Erwartete Eingaben
| Name | Type | BESCHREIBUNG |
|---|---|---|
| Untrainiertes Modell | ILearner-Schnittstelle | Untrainiertes Modell zur Erkennung von Anomalien |
| Dataset | Datentabelle | Eingabedatenquelle |
Ausgaben
| Name | Type | BESCHREIBUNG |
|---|---|---|
| Trainiertes Modell | ILearner-Schnittstelle | Trainiertes Modell zur Erkennung von Anomalien |
Ausnahmen
| Ausnahme | Beschreibung |
|---|---|
| Fehler 0003 | Eine Ausnahme tritt auf, wenn mindestens eine Eingabe NULL oder leer ist. |
Eine Liste der Fehler, die für Studio-Module (klassisch) spezifisch sind, finden Sie unter Machine Learning Fehlercodes.
Eine Liste der API-Ausnahmen finden Sie unter Machine Learning REST-API-Fehlercodes.