Segmentación de la instancia de imagen de AutoML
En este artículo se describe un componente del diseñador de Azure Machine Learning.
Use este componente para crear un modelo de aprendizaje automático basado en el modelo de segmentación de instancia de imagen de AutoML.
Cómo se configura
Siga este vínculo para obtener una lista completa de los parámetros configurables de este componente.
Este modelo requiere un conjunto de datos de entrenamiento. Los conjuntos de datos de validación y prueba son opcionales.
Siga este vínculo para obtener más información sobre cómo preparar el conjunto de datos. Necesitará un conjunto de datos etiquetado que incluya una columna de etiqueta con un valor para todas las filas.
AutoML ejecuta una serie de pruebas (especificadas en max_trials) en paralelo (especificadas en max_concurrent_trials) que prueban distintos algoritmos y parámetros para el modelo. El servicio recorre en iteración los algoritmos de ML que corresponden con las selecciones de hiperparámetros y cada prueba genera un modelo con una puntuación de entrenamiento. Puede elegir la métrica para la que desea que se optimice el modelo. Cuanto mayor sea la puntuación de la métrica elegida, mejor se ajustará el modelo a los datos. Puede definir un criterio de salida (directiva de finalización) para el experimento. Los criterios de salida se modelarán con la puntuación de entrenamiento específica que quiera que busque AutoML. El experimento se detendrá una vez que logre los criterios de salida definidos. A continuación, este componente generará el mejor modelo que se haya generado al final de la ejecución para el conjunto de datos. Visite este vínculo para obtener más información sobre los criterios de salida (directiva de finalización).
Agregue el componente Segmentación de instancia de imagen de AutoML a la canalización.
Especifique la columna de destino que quiera que el modelo tenga como salida
Especifique la métrica principal que quiere que use AutoML para medir el éxito del modelo. Visite este vínculo para obtener una explicación de cada métrica principal para Computer Vision.
(Opcional) Puede configurar los valores del algoritmo. Visite este vínculo para obtener una lista de algoritmos admitidos para Computer Vision.
(Opcional) Para configurar límites de trabajo, visite este vínculo para obtener más detalles.
(Opcional) Visite este vínculo para obtener una lista de configuraciones para el muestreo y la finalización anticipada del barrido de trabajos. Aquí también encontrará más información sobre cada una de las directivas y los métodos de muestreo.
Pasos siguientes
Vea el conjunto de componentes disponibles para Azure Machine Learning.