Freigeben über

Bayessche lineare Regression

  • Artikel

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.

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

Erstellt ein Bayessches lineares Regressionsmodell

Kategorie: Machine Learning/Modell initialisieren/Regression

Hinweis

Gilt nur 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 Bayesian Linear Regression-Modul in Machine Learning Studio (klassisch) verwenden, um ein Regressionsmodell zu definieren, das auf Bayes-Statistiken basiert.

Nachdem Sie die Modellparameter definiert haben, müssen Sie das Modell mithilfe eines markierten Datasets und des Moduls Train Model trainieren. Das trainierte Modell kann danach verwendet werden, um Vorhersagen zu treffen. Alternativ kann das untrainierte Modell zur Kreuzvalidierung für ein bezeichnetes DataSet an Cross-Validate Model übergeben werden.

Weitere Informationen zur Bayesschen Regression

Innerhalb der Statistik wird der Bayessche Ansatz häufig dem Ansatz der Frequentisten gegenübergestellt.

Der Bayessche Ansatz verwendet die lineare Regression ergänzt durch zusätzliche Informationen in Form einer vorherigen Wahrscheinlichkeitsverteilung. Vorherige Informationen zu den Parametern werden mit einer Wahrscheinlichkeitsfunktion kombiniert, um Schätzungen für die Parameter zu generieren.

Im Gegensatz dazu setzt der Ansatz der Frequentisten, dargestellt durch eine standardmäßige lineare Regression der kleinsten Quadrate, voraus, dass die Daten ausreichend Messungen zum Erstellen eines sinnvollen Modells enthalten.

Weitere Informationen zu den Untersuchungen hinter diesem Algorithmus finden Sie unter den Links im Abschnitt Technische Hinweise .

Konfigurieren der Bayesschen Regression

  1. Fügen Sie Ihrem Experiment das Modul Bayesian Linear Regression hinzu. Sie finden dieses Modul unter Machine LearningInitialisieren in der Kategorie Regression.

  2. Regularisierungsgewichtung: Geben Sie einen Wert ein, der für die Regularisierung verwendet werden soll. Regularisation wird verwendet, um Überanpassung zu vermeiden. Diese Gewichtung entspricht L2. Weitere Informationen finden Sie im Abschnitt Technische Hinweise .

  3. Unbekannte Kategorische Ebenen zulassen: Wählen Sie diese Option aus, um eine Gruppierung für unbekannte Werte zu erstellen. Das Modell kann nur die werte akzeptieren, die in den Trainingsdaten enthalten sind. Das Modell ist für bekannte Werte möglicherweise weniger präzise, bietet aber bessere Vorhersagen für neue (unbekannte) Werte.

  4. Verbinden ein Trainingsdataset und eines der Trainingsmodule. Dieser Modelltyp verfügt über keine Parameter, die in einem Parameter-Sweep geändert werden können. Obwohl Sie das Modell mithilfe von Tune Model Hyperparameters trainieren können, kann es das Modell nicht automatisch optimieren.

  5. Wählen Sie die einzelne numerische Spalte aus, die Sie modellieren oder vorhersagen möchten.

  6. Führen Sie das Experiment aus.

Ergebnisse

Nach Abschluss des Trainings:

  • Um eine Zusammenfassung der Parameter des Modells anzuzeigen, klicken Sie mit der rechten Maustaste auf die Ausgabe des Moduls Train Model ( Modell trainieren ), und wählen Sie Visualize (Visualisieren) aus.
  • Verwenden Sie zum Erstellen von Vorhersagen das trainierte Modell als Eingabe für Score Model.

Beispiele

Beispiele für Regressionsmodelle finden Sie im Azure KI-Katalog.

Technische Hinweise

Modulparameter

Name Range type Standard Beschreibung
Regularization weight >=double.Epsilon Float 1.0 Geben Sie eine Konstante zur Verwendung für die Regularisierung ein. Die Konstante stellt das Verhältnis zwischen der Gewichtungsgenauigkeit und Störungsgenauigkeit dar.
Allow unknown categorical levels Any Boolean true Bei "true" wird eine zusätzliche Ebene für jede Kategoriespalte erstellt. Alle Ebenen im Testdataset, die nicht im Trainingsdataset zur Verfügung stehen, werden dieser zusätzlichen Ebene zugeordnet.

Ausgaben

Name Type BESCHREIBUNG
Untrainiertes Modell ILearner-Schnittstelle Ein untrainiertes Bayessches lineares Regressionsmodell

Siehe auch

Modulliste von A bis Z
Regression