Was ist der Modellgenerator?

  • 4 Minuten

Das maschinelle Lernen ist eine Technik, bei der Mathematik und Statistiken eingesetzt werden, um ohne explizite Programmierung Muster in Daten zu identifizieren. Model Builder ist eine grafische Visual Studio-Erweiterung zum Trainieren und Bereitstellen von benutzerdefinierten Machine Learning-Modellen mit ML.NET.

Screenshot that shows the Model Builder Visual Studio extension for M L dot NET.

Angenommen, Sie möchten den Preis eines Hauses vorhersagen. Wenn Sie ein einzelnes Merkmal wie z. B. die Größe eines Hauses in Quadratmetern zum Schätzen des Preises verwenden, könnten Sie wahrscheinlich eine Heuristik programmieren, die größere Häuser mit einem höheren Preis korreliert.

Graph that shows a linear regression model for house price.

Die Welt ist jedoch nicht immer so einfach. Es gibt viele Variablen, die den Preis eines Hauses beeinflussen. In Fällen wie diesem ist es schwierig, eine einfache Heuristik zu entwickeln, die auch Grenzfälle erfasst. Deshalb könnte maschinelles Lernen eine bessere Lösung sein.

Beim maschinellen Lernen verwenden Sie anstelle expliziter Programmierregeln Verlaufsdaten, um diese Regeln basierend auf tatsächlichen Beobachtungen zu identifizieren. Die durch maschinelles Lernen gefundenen Muster werden anschließend genutzt, um ein Artefakt – ein sogenanntes Modell – zu erstellen, das anhand von neuen und zuvor unbekannten Daten Vorhersagen trifft.

ML.NET ist ein plattformübergreifendes Open Source-Framework für maschinelles Lernen für .NET. Dies bedeutet, dass Sie Ihre vorhandenen .NET-Fähigkeiten anwenden und die Tools verwenden können, mit denen Sie vertraut sind (z. B. Visual Studio), um Machine Learning-Modelle zu trainieren.

Welche Arten von Problemen kann ich mit Model Builder lösen?

Sie können mit Model Builder eine Vielzahl gängiger Machine Learning-Probleme lösen, darunter z. B.:

  • Kategorisieren von Daten: Organisieren von Nachrichtenartikeln nach Thema
  • Vorhersagen eines numerischen Werts: Schätzen des Preises eines Hauses
  • Gruppieren von Elementen mit ähnlichen Merkmalen: Kundensegmentierung
  • Empfehlen von Elementen: Filmempfehlungen
  • Klassifizieren von Bildern: Markieren eines Bilds basierend auf dessen Inhalt
  • Erkennen von Objekten in einem Bild: Erkennen von Fußgängern und Fahrrädern an einer Kreuzung

Wie kann ich Modelle mit Model Builder erstellen?

Im Allgemeinen umfasst der Prozess zum Hinzufügen von Machine Learning-Modellen zu Ihren Anwendungen zwei Schritte: Training und Nutzung.

Training

Das Training ist der Prozess der Anwendung von Algorithmen auf Verlaufsdaten, um ein Modell zu erstellen, das zugrunde liegende Muster erfasst. Anschließend können Sie das Modell dazu nutzen, um Vorhersagen für neue Daten zu treffen.

Model Builder verwendet automatisiertes maschinelles Lernen (AutoML), um das beste Modell für Ihre Daten zu finden. Automatisiertes ML automatisiert den Prozess der Anwendung von maschinellem Lernen auf Daten. Sie können ein AutoML-Experiment mit einem Dataset durchführen, um verschiedene Datentransformationen, Machine Learning-Algorithmen und Einstellungen zu durchlaufen und dann das beste Modell auszuwählen.

Für die Verwendung des Modell-Generators sind keine Machine Learning-Kenntnisse erforderlich. Sie benötigen lediglich einige Daten und ein Problem, das Sie lösen möchten.

Das Modelltraining umfasst die folgenden Schritte:

  1. Auswählen eines Szenarios: Welches Problem möchte ich lösen? Das von Ihnen gewählte Szenario richtet sich nach Ihren Daten und danach, was Sie vorhersagen möchten.
  2. Auswählen einer Umgebung: Wo soll ich mein Modell trainieren? Je nach verfügbaren Computeressourcen, Kosten, Datenschutzanforderungen und weiterer Faktoren können Sie Modelle lokal auf Ihrem Computer oder in der Cloud trainieren.
  3. Laden Ihrer Daten: Laden Sie das zum Training verwendete Dataset. Definieren Sie die Spalten, die Sie vorhersagen möchten, und wählen Sie dann die Spalten aus, die Sie als Eingaben für Ihre Vorhersage verwenden möchten.
  4. Trainieren Ihres Modells: Lassen Sie AutoML basierend auf dem ausgewählten Szenario den besten Algorithmus für Ihr Dataset auswählen.
  5. Auswerten Ihres Modells: Bewerten Sie anhand von Auswertungsmetriken, wie gut Ihr Modell funktioniert und Vorhersagen für neue Daten trifft.

Nutzung

Nachdem Sie ein Machine Learning-Modell trainiert haben, können Sie es zum Treffen von Vorhersagen verwenden. In der Nutzungsphase wird ein trainiertes Machine Learning-Modell verwendet, um Vorhersagen für neue und zuvor unbekannte Daten zu treffen. Mit Model Builder können Sie Machine Learning-Modelle aus neuen und vorhandenen .NET-Projekten nutzen.

ML.NET-basierte Machine Learning-Modelle werden serialisiert und in einer Datei gespeichert. Die Modelldatei kann dann in eine beliebige .NET-Anwendung geladen und zum Treffen von Vorhersagen mithilfe von ML.NET-APIs verwendet werden. Zu diesen Anwendungstypen gehören:

  • ASP.NET Core-Web-API
  • Azure-Funktionen
  • Blazor
  • Windows Presentation Foundation (WPF) oder Windows Forms (WinForms)
  • Konsole
  • Klassenbibliothek

In der nächsten Lerneinheit erfahren Sie mehr über den Prozess des Machine Learning-Modelltrainings in Model Builder.