Spickzettel mit Machine Learning-Algorithmen für Azure Machine Learning-Designer
Mithilfe des Spickzettels für Azure Machine Learning-Algorithmen können Sie im Designer den richtigen Algorithmus für ein Predictive Analytics-Modell wählen.
Hinweis
Der Designer unterstützt zwei Komponententypen: klassische vorkonfigurierte Komponenten (v1) und benutzerdefinierte Komponenten (v2). Diese beiden Komponententypen sind NICHT kompatibel.
Klassische vorkonfigurierte Komponenten bieten vordefinierte Komponenten, die vor allem für die Datenverarbeitung und für herkömmliche Machine Learning-Aufgaben wie Regression und Klassifizierung genutzt werden. Dieser Komponententyp wird weiterhin unterstützt, aber es werden keine neuen Komponenten hinzugefügt.
Benutzerdefinierte Komponenten ermöglichen es Ihnen, Ihren eigenen Code als Komponente bereitzustellen. Sie unterstützen die arbeitsbereichübergreifende Freigabe und die reibungslose Erstellung über Studio-, CLI (v2)- und SDK (v2)-Schnittstellen.
Für neue Projekte wird dringend empfohlen, eine benutzerdefinierte Komponente zu verwenden, die mit AzureML V2 kompatibel ist und weiterhin neue Updates erhält.
Dieser Artikel gilt für klassische vordefinierte Komponenten und ist nicht mit CLI v2 und SDK v2 kompatibel.
Azure Machine Learning bietet eine umfangreiche Bibliothek von Algorithmen der Typen Klassifizierung, Empfehlungssysteme, Clustering, Anomalieerkennung, Regression und Textanalyse. Jede ist speziell auf eine andere Art von Machine Learning-Problem ausgelegt.
Weitere Informationen finden Sie unter Auswählen von Algorithmen.
Herunterladen: Spickzettel für Machine Learning-Algorithmen
Laden Sie das Cheat Sheet hier herunter: Machine Learning – Cheat Sheet für Algorithmen (11x17 Zoll)
Sie können das Cheat Sheet für Machine Learning-Algorithmen im Kleinformat herunterladen und drucken, um praktische Hilfe bei der Wahl eines Algorithmus zu erhalten.
Verwenden des Spickzettels für Machine Learning-Algorithmen
Die Vorschläge in diesem Cheat Sheet für Algorithmen stellen nur grobe Richtlinien dar. Einige können leicht abgeändert werden und andere sogar stark überarbeitet. Dieses Cheat Sheet dient lediglich als Ausgangspunkt und Anregung. Sie sollten auch direkte Vergleiche zwischen verschiedenen Algorithmen mit Ihren Daten durchführen. Es gibt keinen Ersatz für das grundsätzliche Verständnis der einzelnen Algorithmen und des Systems, das Ihre Daten generiert hat.
Jeder Algorithmus für maschinelles Lernen hat seinen eigenen Stil oder induktiven Bias. Für ein bestimmtes Problem können verschiedene Algorithmen geeignet sein, aber ein Algorithmus passt möglicherweise besser als andere. Es ist jedoch nicht immer schon im Vorfeld klar, welches der am besten geeignete Algorithmus ist. In diesen Fällen werden im Cheat Sheet mehrere Algorithmen zusammen angegeben. Eine geeignete Strategie bestünde darin, einen Algorithmus zu testen und bei nicht zufriedenstellenden Ergebnissen einen anderen zu versuchen.
Rufen Sie die Referenz zu Algorithmen und Komponenten auf, um mehr über die Algorithmen im Azure Machine Learning-Designer zu erfahren.
Arten des maschinellen Lernens
Es gibt drei Arten von maschinellem Lernen: beaufsichtigtes Lernen, unbeaufsichtigtes Lernen und vertiefendes Lernen.
Beaufsichtigtes Lernen
Beim beaufsichtigten Lernen wird jeder Datenpunkt bezeichnet oder einer Kategorie oder einem Wert von Interesse zugeordnet. Ein Beispiel für eine Kategoriebezeichnung ist die Zuordnung eines Bildes zu "Katze" oder "Hund". Ein Beispiel für eine Wertbezeichnung ist der Verkaufspreis für ein gebrauchtes Auto. Ziel beim beaufsichtigten Lernen ist es, viele bezeichnete Beispiele wie diese zu untersuchen und dann Vorhersagen zu zukünftigen Datenpunkten zu treffen. Zum Beispiel, um neue Fotos mit dem richtigen Tier zu identifizieren oder präzise Verkaufspreise für gebrauchte Pkw festzulegen. Dies ist eine häufige und nützliche Verwendung für das maschinelle Lernen.
Unbeaufsichtigtes Lernen
Beim unbeaufsichtigten Lernen sind Datenpunkten keine Bezeichnungen zugeordnet. Stattdessen besteht das Ziel von Algorithmen zum unbeaufsichtigten Lernen im Organisieren der Daten in einer bestimmten Form oder in der Beschreibung ihrer Struktur. Beim unbeaufsichtigten Lernen werden Daten in Clustern gruppiert (wie bei K-Means), oder es werden andere Möglichkeiten der Darstellung komplexer Daten in einfacherer Form gesucht.
Vertiefendes Lernen
Beim vertiefenden Lernen wählt der Algorithmus eine Aktion als Reaktion auf jeden Datenpunkt aus. Diese Vorgehensweise wird häufig in der Robotik angewendet. Dabei ist der Satz der Sensorenwerte zu einem bestimmten Zeitpunkt ein Datenpunkt, und der Algorithmus muss dann die nächste Aktion des Roboters auswählen. Diese Methode eignet sich auch für Anwendungen im Zusammenhang mit dem Internet der Dinge. Der Lernalgorithmus erhält außerdem kurz danach ein Erfolgssignal, das angibt, wie gut die Entscheidung war. Basierend auf diesem Signal ändert der Algorithmus die Strategie zum Erreichen des bestmöglichen Ergebnisses.